Lucene.Net+盘古分词器(详细介绍)

本章阅读概要1、Lucenne.Net简介2、介绍盘古分词器3、Lucene.Net实例分析4、结束语（Demo下载）Lucene.Net简介

Lucene.net是Lucene的.net移植版本，是一个开源的全文检索引擎开发包，即它不是一个完整的全文检索引擎，而是一个全文检索引擎的架构，提供了完整的查询引擎和索引引擎。开发人员可以基于Lucene.net实现全文检索的功能。

Lucene.net是Apache软件基金会赞助的开源项目，基于Apache License协议。

Lucene.net并不是一个爬行搜索引擎，也不会自动地索引内容。我们得先将要索引的文档中的文本抽取出来，然后再将其加到Lucene.net索引中。标准的步骤是先初始化一个Analyzer、打开一个IndexWriter、然后再将文档一个接一个地加进去。一旦完成这些步骤，索引就可以在关闭前得到优化，同时所做的改变也会生效。这个过程可能比开发者习惯的方式更加手工化一些，但却在数据的索引上给予你更多的灵活性。（来自百度百科） 盘古分词器盘古分词是一个中英文分词组件。作者eaglet 曾经开发过KTDictSeg 中文分词组件，拥有大量用户。作者基于之前分词组件的开发经验，结合最新的开发技术重新编写了盘古分词组件。主要有以下功能:1、中文未登陆词识别2、词频优先3、一元分词，多元分词4、中文人名分词5、繁体中文分词6、英文分词7、用户自定义规则（字典管理，动态加载字典，关键词高亮）……由于盘古分词器不是本章的重点内容，就简单带过了。有兴趣的朋友可以自己网上找找相关资料。文章末尾会提供一个盘古分词器的应用程序供下载 Lucene.Net实例分析先上一下Demo的图把，看下最后运行效果： 数据是临时随便创建的数据，表格和样式也是随便画的，不喜欢的朋友多包涵呐！接下来就一步一步来讲解整个编码过程（主要对一些核心的类和细节作为讲解过程），Let's GO第一步：创建索引1、由于索引是存放在硬盘里的，所以先定义一个索引的目录 1

/// <summary> 2

/// 索引存放目录 3

/// </summary> 4

protected string IndexDic 5

{ 6

get 7

{ 8

return Server.MapPath("/IndexDic"); 9

}10

}2、创建索引器把要索引的内容写入到指定目录IndexWriter writer = new IndexWriter(IndexDic, PanGuAnalyzer, isCreate, Lucene.Net.Index.IndexWriter.MaxFieldLength.LIMITED);索引器的构造函数参数说明：IndexDic是索引存放目录PanGuAnalyzer是盘古解析器（由于默认的解析器解析能力不强，所以替换为这个）IsCreate是索引创建方式（true：重新新建索引，false：从旧的索引执行追加）Lucene.Net.Index.IndexWriter.MaxFieldLength.LIMITED是文件长度是否限制3、创建索引Document和往文档写入索引内容 1

private void AddIndex(IndexWriter writer, string title, string content,string date) 2

{ 3

try 4

{ 5

Document doc = new Document(); 6

doc.Add(new Field("Title", title, Field.Store.YES, Field.Index.ANALYZED));//存储且索引 7

doc.Add(new Field("Content", content, Field.Store.YES, Field.Index.ANALYZED));//存储且索引 8

doc.Add(new Field("AddTime", date, Field.Store.YES, Field.Index.NOT_ANALYZED));//存储且索引 9

writer.AddDocument(doc);10

}11

catch (FileNotFoundException fnfe)12

{13

throw fnfe;14

}15

catch (Exception ex)16

{17

throw ex;18

}19

}Document是索引文档，可以理解成数据库里的记录Field是索引文档里的字段，可以直接理解成数据库里的字段Field构造函数说明：第一个是字段名称（实例里是Title,Content,AddTime）。第二个是字段的存储方式（Field.Store.YES：进行存储，Filed.Store.No：不进行存储）有些字段值比较大，可以选择No不存储，对字段进行存储是为了检索的时候对某些字段进行提取。第三个是是否索引（Field.Index.ANALYZED：索引， Field.Index.NOT_ANALYZED：非索引）4、到此为止索引就创建完成了，应该可以看到索引目录会产生几个文件，如下图：第二步：搜索索引lucene的搜索相当强大，它提供了很多辅助查询类，每个类都继承自Query类，各自完成一种特殊的查询，你可以像搭积木一样将它们任意组合使用，完成一些复杂操 作；另外lucene还提供了Sort类对结果进行排序，提供了Filter类对查询条件进行限制。你或许会不自觉地拿它跟SQL语句进行比 较：“lucene能执行and、or、order by、where、like ‘%xx%’操作吗？”回答是：“当然没问题！” 1

private void SearchIndex() 2

{ 3

Dictionary<string, string> dic = new Dictionary<string, string>(); 4

BooleanQuery bQuery = new BooleanQuery(); 5

string title = string.Empty; 6

string content = string.Empty; 7

if (Request.Form["title"] != null && Request.Form["title"].ToString()!="") 8

{ 9

title =GetKeyWordsSplitBySpace( Request.Form["title"].ToString());10

QueryParser parse = new QueryParser("Title", PanGuAnalyzer);11

Query query = parse.Parse(title);12

parse.SetDefaultOperator(QueryParser.Operator.AND);13

bQuery.Add(query, BooleanClause.Occur.MUST);14

dic.Add("title",Request.Form["title"].ToString());15

txtTitle = Request.Form["title"].ToString();16

}17

if (Request.Form["content"] != null && Request.Form["content"].ToString() != "")18

{19

content = GetKeyWordsSplitBySpace(Request.Form["content"].ToString());20

QueryParser parse = new QueryParser("Content", PanGuAnalyzer);21

Query query = parse.Parse(content);22

parse.SetDefaultOperator(QueryParser.Operator.AND);23

bQuery.Add(query, BooleanClause.Occur.MUST);24

dic.Add("content",Request.Form["content"].ToString());25

txtContent = Request.Form["content"].ToString();26

}27

if (bQuery != null && bQuery.GetClauses().Length>0)28

{29

GetSearchResult(bQuery, dic);30

}31

}这段代码创建了一个索引查询器，对title和content这两个字段进行查询。1、介绍各种QueryTermQuery： 首先介绍最基本的查询，如果你想执行一个这样的查询：在content字段中查询包含‘刘备的document”，那么你可以用TermQuery：1

Term t = new Term("content", "刘备");2

Query query = new TermQuery(t);BooleanQuery ：如果你想这么查询：在content字段中包含”刘备“并且在title字段包含”三国“的document”，那么你可以建立两个TermQuery并把它们用BooleanQuery连接起来：1

TermQuery termQuery1 = new TermQuery(new Term("content", "刘备"));2

TermQuery termQuery2 = new TermQuery(new Term("title", "三国"));3

BooleanQuery booleanQuery = new BooleanQuery();4

booleanQuery.Add(termQuery1, BooleanClause.Occur.SHOULD);5

booleanQuery.Add(termQuery2, BooleanClause.Occur.SHOULD);WildcardQuery ：如果你想对某单词进行通配符查询，你可以用WildcardQuery，通配符包括’?’匹配一个任意字符和’*’匹配零个或多个任意字符，例如你搜索’三国*’，你可能找到’三国演义’或者’三国志’：1

Query query = new WildcardQuery(new Term("content", "三国*"));PhraseQuery ：你可能对中日关系比较感兴趣，想查找‘中’和‘日’挨得比较近（5个字的距离内）的文章，超过这个距离的不予考虑，你可以：1

PhraseQuery query = new PhraseQuery(); 2

query.SetSlop(5); 3

query.Add(new Term("content ", "中"));4

query.Add(new Term("content", "日"));那么它可能搜到“中日合作……”、“中方和日方……”，但是搜不到“中国某高层领导说日本欠扁”。PrefixQuery ：如果你想搜以‘中’开头的词语，你可以用PrefixQuery：1

PrefixQuery query = new PrefixQuery(new Term("content ", "中"));FuzzyQuery ：FuzzyQuery用来搜索相似的term，使用Levenshtein算法。假设你想搜索跟‘wuzza’相似的词语，你可以：1

Query query = new FuzzyQuery(new Term("content", "wuzza"));你可能得到‘fuzzy’和‘wuzzy’。RangeQuery： 另一个常用的Query是RangeQuery，你也许想搜索时间域从20060101到20060130之间的document，你可以用RangeQuery：1

RangeQuery query = new RangeQuery(new Term("time","20060101"), new Term("time","20060130"), true);最后的true表示用闭合区间。第三步:返回索引结果上面介绍完各种查询的Query，接下来看看LuceneNet返回的数据集如何处理，如何显示高亮，上代码： 1 private void GetSearchResult(BooleanQuery bQuery,Dictionary<string,string> dicKeywords) 2

{

3

IndexSearcher search = new IndexSearcher(IndexDic,true); 4

Stopwatch stopwatch = Stopwatch.StartNew(); 5

//SortField构造函数第三个字段true为降序,false为升序 6

Sort sort = new Sort(new SortField("AddTime", SortField.DOC, true)); 7

TopDocs docs = search.Search(bQuery, (Filter)null, PageSize * PageIndex, sort); 8

stopwatch.Stop(); 9

if (docs != null && docs.totalHits > 0)10

{11

lSearchTime = stopwatch.ElapsedMilliseconds;12

txtPageFoot = GetPageFoot(PageIndex, PageSize, docs.totalHits, "sabrosus");13

for (int i = 0; i < docs.totalHits; i++)14

{15

if (i >= (PageIndex - 1) * PageSize && i < PageIndex * PageSize)16

{17

Document doc = search.Doc(docs.scoreDocs[i].doc);18

Article model = new Article()19

{20

Title = doc.Get("Title").ToString(),21

Content = doc.Get("Content").ToString(),22

AddTime = doc.Get("AddTime").ToString()23

};24

list.Add(SetHighlighter(dicKeywords, model));25

}26

}27

}28

}最后这段代码相对比较简单，我就说下几个关键的类和高亮提示把。1、关键类说明：IndexSearcher：索引查询器，它的构造函数有两个参数，一个是索引文件路径，一个是是否只读（一般都设置为true就可以）。这个东西可以理解为SqlServer里面的查询分析器。Sort：看字眼可知道是索引排序类。主要说一下第三个参数，第三个参数是排序方式（true为降序，false为升序）。TopDocs：这个是查询后返回的文档，可以理解为Sqlserver的表，search.Search可以当做是在查询分析器里按了一次F5查询。2、设置关键字高亮： 1

private Article SetHighlighter(Dictionary<string, string> dicKeywords, Article model) 2

{ 3

SimpleHTMLFormatter simpleHTMLFormatter = new PanGu.HighLight.SimpleHTMLFormatter("<font color=\"green\">", "</font>"); 4

Highlighter highlighter = new PanGu.HighLight.Highlighter(simpleHTMLFormatter, new Segment()); 5

highlighter.FragmentSize = 50; 6

string strTitle = string.Empty; 7

string strContent = string.Empty; 8

dicKeywords.TryGetValue("title", out strTitle); 9

dicKeywords.TryGetValue("content", out strContent);10

if (!string.IsNullOrEmpty(strTitle))11

{12

model.Title = highlighter.GetBestFragment(strTitle, model.Title);13

}14

if (!string.IsNullOrEmpty(strContent))15

{16

model.Content = highlighter.GetBestFragment(strContent, model.Content);17

}18

return model;19

}这里用的也是盘古的高亮组件，设置高亮主要分两个步骤：设置高亮的显示样式、设置高亮的查询关键字SimpleHTMLFormatter：这个类是一个HTML的格式类，构造函数有两个，一个是开始标签，一个是结束标签。Segment：添加索引时并不是每个document都马上添加到同一个索引文件，它们首先被写入到不同的小文件，然后再合并成一个大索引文件，这里每个小文件都是一个segment。结束语感谢大家的阅读，如果这篇文章能帮的上你，那是我的荣幸。如果文章哪里写的不好，还请多多指教。参考文献：http://www.cnblogs.com/jeffwongishandsome/archive/2011/01/02/1924107.htmlhttp://space.itpub.net/12639172/viewspace-626546Demo下载 （Demo是visual studio 2010编写的，打不开请下载vs2010或者自己更改为vs2008或其他版本）盘古分词器下载