Lucene.Net简介和分词

Lucene.net站内搜索—2、Lucene.Net简介和分词

2015-03-24 23:10 by 邹琼俊, 118 阅读, 1 评论, 收藏, 编辑

Lucene.Net简介

Lucene.Net是由Java版本的Lucene（卢思银）移植过来的，所有的类、方法都几乎和Lucene一模一样，因此使用时参考 Lucene 即可。

Lucene.Net只是一个全文检索开发包（就像ADO.Net和管理系统的关系），不是一个成型的搜索引擎，它的功能就是：把数据扔给 Lucene.Net ，查询数据的时候从Lucene.Net 查询数据，可以看做是提供了全文检索功能的一个数据库。SQLServer中和Lucene.Net各存一份，目的不一样。Lucene.Net不管文本数据怎么来的。用户可以基于Lucene.Net开发满足自己需求的搜索引擎。

Lucene.Net只能对文本信息进行检索。如果不是文本信息，要转换为文本信息，比如要检索Excel文件，就要用NPOI把Excel读取成字符串，然后把字符串扔给Lucene.Net。Lucene.Net会把扔给它的文本切词保存，加快检索速度。midomi.com。因为是保存的时候分词（切词），所以搜索速度非常快！索引库默认保存的是“词的目录”

要快速的从《红楼梦》中找出词，可以先遍历这本书建一个词和页数的对应目录。第一次“找词”非常慢，但是搜索就快了。

分词

分词是核心的算法，搜索引擎内部保存的就是一个个的“词（Word）”。英文分词很简单，按照空格分隔就可以。中文则麻烦，把“北京，Hi欢迎你们大家” 拆成“北京 Hi 欢迎你们大家”。

“the”，“，”，“和”，“啊”，“的”等对于搜索来说无意义的词一般都属于不参与分词的无意义单词(noise word)。

Lucene.Net中不同的分词算法就是不同的类。所有分词算法类都从Analyzer类继承，不同的分词算法有不同的优缺点。

（*）内置的StandardAnalyzer是将英文按照空格、标点符号等进行分词，将中文按照单个字进行分词，一个汉字算一个词。代码见备注

（*）二元分词算法，每两个汉字算一个单词，“欢迎你们大家”会分词为“欢迎迎你你们们大大家”，网上找到的一个二元分词算法CJKAnalyzer。面试的时候能说出不同的分词算法的差异。

无论是一元分词还是二元分词，分词效率比较高，但是分出无用词，因此索引库大。查询效率低。

基于词库的分词算法，基于一个词库进行分词，可以提高分词的成功率。有庖丁解牛、盘古分词等。效率低。

1、 StandardAnalyzer示例（不用背代码，拷过来知道改哪里即可，我复制粘贴的代码你也一样复制粘贴）

Analyzer analyzer = new StandardAnalyzer();

TokenStream tokenStream = analyzer.TokenStream("",newStringReader("我是真的爱你"));

Lucene.Net.Analysis.Token token = null;

while ((token =tokenStream.Next()) != null)

{

Console.WriteLine(token.TermText());

}

盘古分词算法使用

具体用法参考《PanguMannual.pdf》

打开PanGu4Lucene\WebDemo\Bin，添加对PanGu.dll（同目录下不要有Pangu.xml，那个默认的配置文件的选项对于分词结果有很多无用信息）、PanGu.Lucene.Analyzer.dll的引用

把上面代码的Analyzer用PanGuAnalyzer代替

运行发现提示需要dct文件，因为不能把词库写死在dll中，因此需要提供单独的词库文件，根据报错放到合适的路径中。

通用技巧：把Dict目录下的文件“复制到输出目录”设定为“如果较新则复制”，每次生成的时候都会自动把文件拷到bin\Debug 下，非常方便。（只有Web应用程序有那个选项，网站没有。）永远不要对bing\debug下的东西做直接的修改，要改“源文件”。

词库的编辑，使用DictManage.exe，对单词编辑的时候要先查找。工作的项目中要将行业单词添加到词库中，比如餐饮搜索、租房搜索、视频搜索等。

注：出现Dict路径的问题，没有找到配置文件，默认就是Dict目录，设定Pangu.xml的复制到输出设置为“如果较新则复制”即可。或者词典目录就命名为Dict，不要配置文件。

Demo：

一元分词

1、新建项目——ASP.NET Web应用程序SearchDemo

2、新建文件夹lib，存放dll文件Lucene.Net.dll

3、添加Lucene.Net.dll引用

二元分词

1、拷贝两个类到根目录下

盘古分词

1、拷贝两个dll PanGu.dll和PanGu.Lucene.Analyzer.dll到lib目录下

2、添加这两个dll的引用

3、添加Dict词库目录和词库文件

4、修改分词代码

5、如果出现如下错误

把Dict目录下的文件“复制到输出目录”设定为“如果较新则复制”

分词代码如下：

aspx：

<form id="form1" runat="server">
<div>
<asp:TextBox ID="txtContent" runat="server" Height="62px" TextMode="MultiLine"
Width="191px"></asp:TextBox>
<asp:Button ID="btnOnePartWord"
runat="server" Text="一元分词" onclick="btnOnePartWord_Click" />
<asp:Button ID="btnTwoPartWord" runat="server" Text="二元分词"
onclick="btnTwoPartWord_Click" />
<asp:Button ID="btnPanGu" runat="server" Text="盘古分词" onclick="btnPanGu_Click" />
<asp:ListBox ID="lstWord" runat="server" Width="112px"></asp:ListBox>
</div>
</form>

cs：

using Lucene.Net.Analysis;
using System.IO;
using Lucene.Net.Analysis.Standard;
using NSharp.SearchEngine.Lucene.Analysis.Cjk;
using Lucene.Net.Analysis.PanGu;
namespace SearchDemo.Pages
{
public partial class 分词算法 : System.Web.UI.Page
{
protected void Page_Load(object sender, EventArgs e)
{
}
protected void btnOnePartWord_Click(object sender, EventArgs e)
{
Analyzer oneAnalyzer = new StandardAnalyzer(); //一元分词
PartWordMethod(oneAnalyzer);
}
private void PartWordMethod(Analyzer analyzer)
{
lstWord.Items.Clear();
//Analyzer analyzer = new PanGuAnalyzer();
TokenStream tokenStream = analyzer.TokenStream("", new StringReader(txtContent.Text));
Lucene.Net.Analysis.Token token = null;
while ((token = tokenStream.Next()) != null)
{
string word = token.TermText();
lstWord.Items.Add(word);
}
}
protected void btnTwoPartWord_Click(object sender, EventArgs e)
{
Analyzer oneAnalyzer = new CJKAnalyzer(); //二元分词
PartWordMethod(oneAnalyzer);
}
protected void btnPanGu_Click(object sender, EventArgs e)
{
Analyzer oneAnalyzer = new PanGuAnalyzer(); //盘古分词
PartWordMethod(oneAnalyzer);
}
}
}

天分在于持续不断的努力