Lucene.net站内搜索2—Lucene.Net简介和分词

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。

Lucene.net站内搜索2—Lucene.Net简介和分词_第1张图片

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

Lucene.net站内搜索2—Lucene.Net简介和分词_第2张图片 Lucene.net站内搜索2—Lucene.Net简介和分词_第3张图片

二元分词

1、拷贝两个类到根目录下

Lucene.net站内搜索2—Lucene.Net简介和分词_第4张图片

盘古分词

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

Lucene.net站内搜索2—Lucene.Net简介和分词_第5张图片

2、  添加这两个dll的引用

3、  添加Dict词库目录和词库文件

Lucene.net站内搜索2—Lucene.Net简介和分词_第6张图片

4、  修改分词代码

5、  如果出现如下错误

Lucene.net站内搜索2—Lucene.Net简介和分词_第7张图片

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”

Lucene.net站内搜索2—Lucene.Net简介和分词_第8张图片

分词代码如下:

aspx:

 
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);
        }
    }
}

你可能感兴趣的:(ASP.NET,WebForm开发)