Lucene.net是一个搜索引擎的框架,它自身并不能实现搜索。须要我们自己在当中实现索引的建立,索引的查找。全部这些都是依据它自身提供的API来实现。Lucene.net本身是基于java的,可是经过翻译成.ne版本号的,能够在ASP.net中使用这个来实现站内搜索。

要实现基于汉语的搜索引擎,首先的要实现汉语的分词。眼下网上大部分都是利用已经有的盘古分词来实现的分词系统。可是盘古分词效果不太好。在这里我把最新的ICTCLAS2014嵌入到Lucene.net中。Lucene.net中全部的分词系统都是基于Analyzer类来继承实现的。所以假设要使用ICTCLAS2014嵌入到Lucene.net中。就必要要继承Analyzer类实现自己的分词类。

1 ICTCLAS的引入

首先我们要把ICTCLAS的dll引入到C#文件里 ,由于这个dll不是在C#中建立的类库,所以无法直接将其增加到C#的引用中。我们考虑使用以下的方法来实现。为了方便,我们把引入的函数以及结构体放入一个类中。例如以下所看到的:

using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using System.Runtime.InteropServices;
using Lucene.Net.Analysis; namespace Lucene.Net.Analysis.DChinese
{
[StructLayout(LayoutKind.Explicit)]
public struct result_t
{
[FieldOffset(0)]
public int start;
[FieldOffset(4)]
public int length;
[FieldOffset(8)]
public int sPos1;
[FieldOffset(12)]
public int sPos2;
[FieldOffset(16)]
public int sPos3;
[FieldOffset(20)]
public int sPos4;
[FieldOffset(24)]
public int sPos5;
[FieldOffset(28)]
public int sPos6;
[FieldOffset(32)]
public int sPos7;
[FieldOffset(36)]
public int sPos8;
[FieldOffset(40)]
public int sPos9;
[FieldOffset(44)]
public int sPos10;
//[FieldOffset(12)] public int sPosLow;
[FieldOffset(48)]
public int POS_id;
[FieldOffset(52)]
public int word_ID;
[FieldOffset(56)]
public int word_type;
[FieldOffset(60)]
public double weight;
}
public class SplitWord
{
const string path = @"NLPIR.dll";//设定dll的路径 //对函数进行申明
[DllImport(path, CharSet = CharSet.Ansi, EntryPoint = "NLPIR_Init", CallingConvention = CallingConvention.Cdecl)]
public static extern bool NLPIR_Init(String sInitDirPath, int encoding = 0, String sLicenceCode = null); //特别注意,C语言的函数NLPIR_API const char * NLPIR_ParagraphProcess(const char *sParagraph,int bPOStagged=1);必须相应以下的申明
[DllImport(path, CharSet = CharSet.Ansi, CallingConvention = CallingConvention.Cdecl, EntryPoint = "NLPIR_ParagraphProcess")]
public static extern IntPtr NLPIR_ParagraphProcess(String sParagraph, int bPOStagged = 1); [DllImport(path, CharSet = CharSet.Ansi, EntryPoint = "NLPIR_Exit", CallingConvention = CallingConvention.Cdecl)]
public static extern bool NLPIR_Exit(); [DllImport(path, CharSet = CharSet.Ansi, EntryPoint = "NLPIR_ImportUserDict", CallingConvention = CallingConvention.Cdecl)]
public static extern int NLPIR_ImportUserDict(String sFilename); [DllImport(path, CharSet = CharSet.Ansi, EntryPoint = "NLPIR_FileProcess", CallingConvention = CallingConvention.Cdecl)]
public static extern bool NLPIR_FileProcess(String sSrcFilename, String sDestFilename, int bPOStagged = 1); [DllImport(path, CharSet = CharSet.Ansi, EntryPoint = "NLPIR_FileProcessEx", CallingConvention = CallingConvention.Cdecl)]
public static extern bool NLPIR_FileProcessEx(String sSrcFilename, String sDestFilename); [DllImport(path, CharSet = CharSet.Ansi, EntryPoint = "NLPIR_GetParagraphProcessAWordCount", CallingConvention = CallingConvention.Cdecl)]
public static extern int NLPIR_GetParagraphProcessAWordCount(String sParagraph); //NLPIR_GetParagraphProcessAWordCount
[DllImport(path, CharSet = CharSet.Ansi, EntryPoint = "NLPIR_ParagraphProcessAW", CallingConvention = CallingConvention.Cdecl)]
public static extern void NLPIR_ParagraphProcessAW(int nCount, [Out, MarshalAs(UnmanagedType.LPArray)] result_t[] result); [DllImport(path, CharSet = CharSet.Ansi, EntryPoint = "NLPIR_AddUserWord", CallingConvention = CallingConvention.Cdecl)]
public static extern int NLPIR_AddUserWord(String sWord); [DllImport(path, CharSet = CharSet.Ansi, EntryPoint = "NLPIR_SaveTheUsrDic", CallingConvention = CallingConvention.Cdecl)]
public static extern int NLPIR_SaveTheUsrDic(); [DllImport(path, CharSet = CharSet.Ansi, EntryPoint = "NLPIR_DelUsrWord", CallingConvention = CallingConvention.Cdecl)]
public static extern int NLPIR_DelUsrWord(String sWord); [DllImport(path, CharSet = CharSet.Ansi, EntryPoint = "NLPIR_NWI_Start", CallingConvention = CallingConvention.Cdecl)]
public static extern bool NLPIR_NWI_Start(); [DllImport(path, CharSet = CharSet.Ansi, EntryPoint = "NLPIR_NWI_Complete", CallingConvention = CallingConvention.Cdecl)]
public static extern bool NLPIR_NWI_Complete(); [DllImport(path, CharSet = CharSet.Ansi, EntryPoint = "NLPIR_NWI_AddFile", CallingConvention = CallingConvention.Cdecl)]
public static extern bool NLPIR_NWI_AddFile(String sText); [DllImport(path, CharSet = CharSet.Ansi, EntryPoint = "NLPIR_NWI_AddMem", CallingConvention = CallingConvention.Cdecl)]
public static extern bool NLPIR_NWI_AddMem(String sText); [DllImport(path, CharSet = CharSet.Ansi, CallingConvention = CallingConvention.Cdecl, EntryPoint = "NLPIR_NWI_GetResult")]
public static extern IntPtr NLPIR_NWI_GetResult(bool bWeightOut = false); [DllImport(path, CharSet = CharSet.Ansi, EntryPoint = "NLPIR_NWI_Result2UserDict", CallingConvention = CallingConvention.Cdecl)]
public static extern uint NLPIR_NWI_Result2UserDict(); [DllImport(path, CharSet = CharSet.Ansi, EntryPoint = "NLPIR_GetKeyWords", CallingConvention = CallingConvention.Cdecl)]
public static extern IntPtr NLPIR_GetKeyWords(String sText, int nMaxKeyLimit = 50, bool bWeightOut = false); [DllImport(path, CharSet = CharSet.Ansi, CallingConvention = CallingConvention.Cdecl, EntryPoint = "NLPIR_GetFileKeyWords")]
public static extern IntPtr NLPIR_GetFileKeyWords(String sFilename, int nMaxKeyLimit = 50, bool bWeightOut = false);
}
}

这个类里面包括了全部的ICTCLAS的API函数,包括初始化,加入词语,加入词典。词典保存,分词等各种API。

而且都是STATIC函数。

2 分词类DChineseAnalyzer的建立

分词类的建立我们參考StandarAnalyzer分词的实现,再次基础上实现了DChineseAnalyzer类。在分词类中实现必要的构造函数,以及

public overrideTokenStream TokenStream(System.String fieldName, System.IO.TextReader
reader)

public overrideTokenStream ReusableTokenStream(System.String fieldName, System.IO.TextReader
reader)

这两个函数。

他们的作用是在函数中调用用分词器Tokenizer的派生类来实现分词。

在现有的版本号中通常是在使用分词类的时候。直接调用ReusableTokenStream函数,而不是调用TokenStream函数,这样能够做到一个分词类对象的建立可供多个分词文本的使用。

从而降低内存的浪费,提高效率。

以及一些字段。利用这些字段。我们能够增加一些停用词,用户自己的词典。

3 分词器DChineseTokenizer的建立

这个类是分词的核心关键所在。我们要在当中调用ICTCLAS中的分词。在这里面要注意的一个函数是publicoverride
bool IncrementToken()

它是我们获取下一个分词结果要用到的函数,假设想要遍历分词结果,就要建立一个循环。不断的调用IncrementToken函数。

整个分词系统代码例如以下所看到的:

using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using System.IO;
using System.Runtime.InteropServices;
using Lucene.Net.Analysis;
using Lucene.Net.Analysis.Standard;
using Lucene.Net.Util;
using Lucene.Net.Documents;
using Lucene.Net.Analysis.Tokenattributes;
using Version = Lucene.Net.Util.Version; namespace Lucene.Net.Analysis.DChinese
{
public class DChineseAnalyzer : Analyzer
{
private ISet<string> stopSet;
public static readonly ISet<string> STOP_WORDS_SET;
private Version matchVersion;
private bool replaceInvalidAcronym;
private bool enableStopPositionIncrements; public DChineseAnalyzer(Version version, ISet<string> stopWords)
{
stopSet = stopWords;
replaceInvalidAcronym = false;
enableStopPositionIncrements = StopFilter.GetEnablePositionIncrementsVersionDefault(version);
replaceInvalidAcronym = matchVersion.OnOrAfter(Version.LUCENE_24);
this.matchVersion = version;
} public DChineseAnalyzer(Version version)
: this(version, STOP_WORDS_SET)
{
} public DChineseAnalyzer(Version version, System.IO.FileInfo stopWords)
: this(version, WordlistLoader.GetWordSet(stopWords))
{
} static DChineseAnalyzer()
{
STOP_WORDS_SET = StopAnalyzer.ENGLISH_STOP_WORDS_SET;
}
public override TokenStream TokenStream(System.String fieldName, System.IO.TextReader reader)
{
TokenStream result = new DChineseTokenizer(matchVersion, reader);
result = new LowerCaseFilter(result);
result = new StopFilter(enableStopPositionIncrements, result, stopSet);
result = new PorterStemFilter(result);
return result;
} private class SavedStreams
{
protected internal DChineseTokenizer source;
protected internal TokenStream result;
};
public override TokenStream ReusableTokenStream(System.String fieldName, System.IO.TextReader reader)
{
SavedStreams streams = (SavedStreams)PreviousTokenStream;
if (streams == null)
{
streams = new SavedStreams();
streams.source = new DChineseTokenizer(matchVersion, reader);
streams.result = new LowerCaseFilter(streams.source);
streams.result = new StopFilter(enableStopPositionIncrements, streams.result, stopSet);
streams.result = new PorterStemFilter(streams.result);
PreviousTokenStream = streams;
}
else
{
streams.source.Reset(reader);
} streams.source.SetReplaceInvalidAcronym(replaceInvalidAcronym);
return streams.result;
} } public sealed class DChineseTokenizer : Tokenizer
{ private bool m_replaceInvalidAcronym;
private int offset = 0;
private int bufferIndex = 0;
private int dataLen = 0;
private const int MAX_WORD_LEN = 255;
private const int IO_BUFFER_SIZE = 4096;
private readonly char[] ioBuffer = new char[IO_BUFFER_SIZE]; private ITermAttribute termAtt;
private IOffsetAttribute offsetAtt;
private IPositionIncrementAttribute posIncrAtt; private void Init(System.IO.TextReader input, Version matchVersion)
{
if (matchVersion.OnOrAfter(Version.LUCENE_24))
{
m_replaceInvalidAcronym = true;
}
else
{
m_replaceInvalidAcronym = false;
}
//this.input = input;
this.input = ChangeInput(input);
termAtt = AddAttribute<ITermAttribute>();
offsetAtt = AddAttribute<IOffsetAttribute>();
posIncrAtt = AddAttribute<IPositionIncrementAttribute>();
} public DChineseTokenizer(Version matchVersion, System.IO.TextReader input)
: base()
{
Init(input, matchVersion);
} public DChineseTokenizer(Version matchVersion, System.IO.TextReader input, AttributeSource source)
: base(source)
{
Init(input, matchVersion);
} public DChineseTokenizer(Version matchVersion, System.IO.TextReader input, AttributeFactory factory)
: base(factory)
{
Init(input, matchVersion);
} public override bool IncrementToken()
{
ClearAttributes();
int length = 0;
int start = bufferIndex;
char[] buffer = termAtt.TermBuffer();
while (true)
{ if (bufferIndex >= dataLen)
{
offset += dataLen;
dataLen = input.Read(ioBuffer, 0, ioBuffer.Length);
if (dataLen <= 0)
{
dataLen = 0;
if (length > 0)
break;
return false;
}
bufferIndex = 0;
} char c = ioBuffer[bufferIndex++]; if (!System.Char.IsWhiteSpace(c))
{
if (length == 0)
{
start = offset + bufferIndex - 1;
}
else if (length == buffer.Length)
{
buffer = termAtt.ResizeTermBuffer(1 + length);
} buffer[length++] = c;
if (length == MAX_WORD_LEN)
break;
}
else if (length > 0)
break;
} termAtt.SetTermLength(length);
offsetAtt.SetOffset(CorrectOffset(start), CorrectOffset(start + length));
posIncrAtt.PositionIncrement = 1;
return true;
} public override void Reset()
{
base.Reset(input);
bufferIndex = 0;
offset = 0;
dataLen = 0;
} public override void Reset(TextReader input)
{
String inputString = input.ReadToEnd();
IntPtr intPtr = SplitWord.NLPIR_ParagraphProcess(inputString, 0);
string strResult = Marshal.PtrToStringAnsi(intPtr);
this.input = new StringReader(strResult);
bufferIndex = 0;
offset = 0;
dataLen = 0;
} public override void End()
{
int finalOffset = CorrectOffset(offset);
offsetAtt.SetOffset(finalOffset, finalOffset);
} public void SetReplaceInvalidAcronym(bool replaceInvalidAcronym)
{
this.m_replaceInvalidAcronym = replaceInvalidAcronym;
} private TextReader ChangeInput(TextReader input)
{
//string indexPath = System.Environment.CurrentDirectory;
//string indexPath = GetType().Assembly.Location;
//string indexPath = System.IO.Path.GetDirectoryName(Page.Request.PhysicalPath);
//string dirParent = Directory.GetParent(indexPath).Parent.FullName;
string dirParent = System.AppDomain.CurrentDomain.BaseDirectory; bool bInit = SplitWord.NLPIR_Init(dirParent, 0, null);
if (!bInit)
{
return null;
}
String inputString = input.ReadToEnd();
IntPtr intPtr = SplitWord.NLPIR_ParagraphProcess(inputString, 0);
string strResult = Marshal.PtrToStringAnsi(intPtr);
return new StringReader(strResult);
}
}
}

基于lucene.net 和ICTCLAS2014的站内搜索的实现1的更多相关文章

  1. 使用Lucene.NET实现简单的站内搜索

    使用Lucene.NET实现简单的站内搜索 导入Lucene.NET 开发包 Lucene 是apache软件基金会一个开放源代码的全文检索引擎工具包,是一个全文检索引擎的架构,提供了完整的查询引擎和 ...

  2. Lucene.net站内搜索—6、站内搜索第二版

    目录 Lucene.net站内搜索—1.SEO优化 Lucene.net站内搜索—2.Lucene.Net简介和分词Lucene.net站内搜索—3.最简单搜索引擎代码Lucene.net站内搜索—4 ...

  3. Lucene.net站内搜索—2、Lucene.Net简介和分词

    目录 Lucene.net站内搜索—1.SEO优化 Lucene.net站内搜索—2.Lucene.Net简介和分词Lucene.net站内搜索—3.最简单搜索引擎代码Lucene.net站内搜索—4 ...

  4. Lucene.Net 站内搜索

    Lucene.Net 站内搜索 一  全文检索: like查询是全表扫描(为性能杀手)Lucene.Net搜索引擎,开源,而sql搜索引擎是收费的Lucene.Net只是一个全文检索开发包(只是帮我们 ...

  5. 完整的站内搜索Demo(Lucene.Net+盘古分词)

    前言 首先自问自答几个问题,以让各位看官了解写此文的目的 什么是站内搜索?与一般搜索的区别? 很多网站都有搜索功能,很多都是用SQL语句的Like实现的,但是Like无法做到模糊匹配(例如我搜索“.n ...

  6. 完整的站内搜索实战应用(Lucene.Net+盘古分词)

    首先自问自答几个问题,以让各位看官了解写此文的目的 什么是站内搜索?与一般搜索的区别? 多网站都有搜索功能,很多都是用SQL语句的Like实现的,但是Like无法做到模糊匹配(例如我搜索". ...

  7. Lucene.net站内搜索—5、搜索引擎第一版实现

    目录 Lucene.net站内搜索—1.SEO优化 Lucene.net站内搜索—2.Lucene.Net简介和分词Lucene.net站内搜索—3.最简单搜索引擎代码Lucene.net站内搜索—4 ...

  8. Lucene.net站内搜索—4、搜索引擎第一版技术储备(简单介绍Log4Net、生产者消费者模式)

    目录 Lucene.net站内搜索—1.SEO优化 Lucene.net站内搜索—2.Lucene.Net简介和分词Lucene.net站内搜索—3.最简单搜索引擎代码Lucene.net站内搜索—4 ...

  9. Lucene.net站内搜索—3、最简单搜索引擎代码

    目录 Lucene.net站内搜索—1.SEO优化 Lucene.net站内搜索—2.Lucene.Net简介和分词Lucene.net站内搜索—3.最简单搜索引擎代码Lucene.net站内搜索—4 ...

随机推荐

  1. 在LINQ查询中LINQ之Group By的用法

    LINQ定义了大约40个查询操作符,如select.from.in.where.group 以及order by,借助于LINQ技术,我们可以使用一种类似SQL的语法来查询任何形式的数据.Linq有很 ...

  2. 基于.NET CORE微服务框架 -surging 基于messagepack、protobuffer、json.net 性能对比

    1.前言 surging内部使用的是高性能RPC远程服务调用,如果用json.net序列化肯定性能上达不到最优,所以后面扩展了protobuf,messagepack序列化组件,以支持RPC二进制传输 ...

  3. Eclipse中代码整体左移,右移快捷键

    1.向右:将要移动的代码选中,然后按TAB键2.向左:将要移动的代码选中,然后按SHIFT+TAB键

  4. 关于SpringBoot bean无法注入的问题(与文件包位置有关)改变自动扫描的包

    原因:同事在写demo时出现bean加了@component后却无法被spring扫描到(在编译的时候IDEA就提示拿不到对应的bean)的问题. 后来经过研究是跟文件包的位置有关的. springb ...

  5. SpringMVC中遇到页面跳转出现404错误的问题

    今天遇到了一个问题: 使用SpringMVC时,出现页面无法跳转的情况(404错误), 出现这个异常的原因在于SpringMVC的配置文件中控制器的配置书写错误: 原代码: <context:c ...

  6. 一、Hadoop学习笔记————概述

    hadoop使用java编写,版本较为混乱,初学者可从1.2.1开始学习

  7. nginx反向代理node.js获取客户端IP

    使用Nginx做node.js程序的反向代理,会有这么一个问题:在程序中获取的客户端IP永远是127.0.0.1 如果想要拿到真实的客户端IP改怎么办呢? 一.首先配置Nginx的反向代理 proxy ...

  8. IntelliJ IDEA(一) :安装

    前言 我是从eclipse转IDEA的,对于习惯了eclipse快捷键的我来说,转IDEA开始很不习惯,IDEA快捷键多,组合多,记不住,虽然可以设置使用eclipse的快捷键,但是总感觉怪怪的.开始 ...

  9. javaWeb开发中关于eclipse等ide重新部署或重启项目等原因造成上传文件丢失问题解决方案

    在开发项目时,有时候需要用到上传功能,比如头像上传等,其文件会保存到服务器中.但是我发现在用eclipse做项目的过程中,每次重新部署项目,原来上传的文件就会丢失. 其原因是因为每次项目修改后,ecl ...

  10. java 接口测试

    学习java 时间也不算太长,大学有点基础,学起来也顺手多了,其实我感觉更是因为学习完python之后,在学习别的语言的时候就简单多了,几乎所有的语言学起来都差不多.前几篇写过的都是python接口测 ...