Lucene4Net以及盘古分词

l 打开PanGu4Lucene\WebDemo\Bin，将Dictionaries添加到项目根路径（改名为Dict），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

l 把上节代码的Analyzer用PanGuAnalyzer代替

l 运行报错？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”。

对以下引用进行添加:

使用代码示例：

Analyzer analyzer = new PanGuAnalyzer();

            //Analyzer analyzer = new StandardAnalyzer();//new后面的类为分词的方法

            TokenStream tokenStream = analyzer.TokenStream("", new System.IO.StringReader(TextBox1.Text));

            Lucene.Net.Analysis.Token token = null;

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

            {

                //Console.WriteLine(token.TermText());

                Response.Write(token.TermText()+"<br/>");

            }

Lucene.Net核心类简介

l Directory表示索引文件(Lucene.net用来保存用户扔过来的数据的地方)保存的地方，是抽象类，两个子类FSDirectory（文件中）、RAMDirectory （内存中）。使用的时候别和IO里的Directory弄混了。

l 创建FSDirectory的方法，FSDirectory directory = FSDirectory.Open(new DirectoryInfo(indexPath),new NativeFSLockFactory())， path索引的文件夹路径

l IndexReader对索引进行读取的类，对IndexWriter进行写的类。

l IndexReader的静态方法bool IndexExists(Directory directory)判断目录directory是否是一个索引目录。IndexWriter的bool IsLocked(Directory directory) 判断目录是否锁定，在对目录写之前会先把目录锁定。两个IndexWriter没法同时写一个索引文件。IndexWriter在进行写操作的时候会自动加锁，close的时候会自动解锁。IndexWriter.Unlock方法手动解锁（比如还没来得及close IndexWriter 程序就崩溃了，可能造成一直被锁定）。

 

 

创建索引：

l 构造函数：IndexWriter(Directory dir, Analyzer a, bool create, MaxFieldLength mfl)因为IndexWriter把输入写入索引的时候，Lucene.net是把写入的文件用指定的分词器将文章分词（这样检索的时候才能查的快），然后将词放入索引文件。

l void AddDocument(Document doc)，向索引中添加文档（Insert）。Document类代表要索引的文档（文章），最重要的方法Add(Field field)，向文档中添加字段。Document是一片文档，Field是字段（属性）。Document相当于一条记录，Field相当于字段。

l Field类的构造函数 Field(string name, string value, Field.Store store, Field.Index index, Field.TermVector termVector)：

l  name表示字段名； value表示字段值；

l store表示是否存储value值，可选值 Field.Store.YES存储， Field.Store.NO不存储， Field.Store.COMPRESS压缩存储；默认只保存分词以后的一堆词，而不保存分词之前的内容，搜索的时候无法根据分词后的东西还原原文，因此如果要显示原文（比如文章正文）则需要设置存储。

l  index表示如何创建索引，可选值Field.Index. NOT_ANALYZED

l ，不创建索引，Field.Index. ANALYZED，创建索引；创建索引的字段才可以比较好的检索。是否碎尸万段！是否需要按照这个字段进行“全文检索”。

l termVector表示如何保存索引词之间的距离。“北京欢迎你们大家”，索引中是如何保存“北京”和“大家”之间“隔多少单词”。方便只检索在一定距离之内的词。

l 为什么要把帖子的url做为一个Field，因为要在搜索展示的时候先帖子地址取出来构建超链接，所以Field.Store.YES；一般不需要对url进行检索，所以Field.Index.NOT_ANALYZED

l 案例：对1000至1100号帖子进行索引。“只要能看懂例子和文档,稍作修改即可实现自己的需求”

1、对数据进行索引

string indexPath = "c:/temp";

FSDirectory directory = FSDirectory.Open(new DirectoryInfo(indexPath),new NativeFSLockFactory());

bool isUpdate = IndexReader.IndexExists(directory);

            if (isUpdate)

            {

                //如果索引目录被锁定（比如索引过程中程序异常退出），则首先解锁

            if (IndexWriter.IsLocked(directory))

                {

                  IndexWriter.Unlock(directory);

                }

        }

 IndexWriter writer = new IndexWriter(directory, new PanGuAnalyzer(), !isUpdate, Lucene.Net.Index.IndexWriter.MaxFieldLength.UNLIMITED);

            for (int i = 1000; i < 1100; i++)

            {

                string txt = File.ReadAllText(@"C:\MxDownload\dnt_3.1.0_sqlserver\upload_files\文章\" + i + ".txt");

                Document document = new Document();

                document.Add(new Field("number", i.ToString(), Field.Store.YES, Field.Index. NOT_ANALYZED));

                document.Add(new Field("body", txt, Field.Store.YES, Field.Index. ANALYZED, Lucene.Net.Documents.Field.TermVector.WITH_POSITIONS_OFFSETS));

                writer.AddDocument(document);

                Console.WriteLine("索引"+i+"完毕");

            }

            writer.Close();

            directory.Close();//不要忘了Close，否则索引结果搜不到

搜索：

l IndexSearcher是进行搜索的类，构造函数传递一个IndexReader。IndexSearcher的void Search(Query query, Filter filter, Collector results)方法用来搜索，Query是查询条件， filter目前传递null， results是检索结果，TopScoreDocCollector.create(1000, true)方法创建一个Collector，1000表示最多结果条数，Collector就是一个结果收集器。

l Query有很多子类，PhraseQuery是一个子类。 PhraseQuery用来进行多个关键词的检索，调用Add方法添加关键词，query.Add(new Term("字段名", 关键词))，PhraseQuery. SetSlop(int slop)用来设置关键词之间的最大距离，默认是0，设置了Slop以后哪怕文档中两个关键词之间没有紧挨着也能找到。

• query.Add(new Term("字段名", 关键词))

• query.Add(new Term("字段名", 关键词2))

• 类似于：where 字段名 contains 关键词 and 字段名 contais 关键词2

l 调用TopScoreDocCollector的GetTotalHits()方法得到搜索结果条数，调用Hits的TopDocs TopDocs(int start, int howMany)得到一个范围内的结果（分页），TopDocs的scoreDocs字段是结果ScoreDoc数组， ScoreDoc 的doc字段为Lucene.Net为文档分配的id(为降低内存占用，只先返回文档id)，根据这个id调用searcher的Doc方法就能拿到Document了（放进去的是Document，取出来的也是Document）；调用doc.Get("字段名")可以得到文档指定字段的值，注意只有Store.YES的字段才能得到，因为Store.NO的没有保存全部内容，只保存了分割后的词。

l 编写检索功能，搜索“网站 志愿者”。练习分词，用户不用空格。如果确定用盘古分词，那么用盘古的Segment类更方便。

l 检索不出来的可能的原因：路径问题，分词是否正确、盘古分词如果指定忽略大小写，则需要统一按照小写进行搜索

l Todo:第一个版本应该保存body和title，搜索结果形成超链接，不显示正文。

搜索代码：

string kw = Console.ReadLine();

FSDirectory directory = FSDirectory.Open(new DirectoryInfo(indexPath), new NoLockFactory());

            IndexReader reader = IndexReader.Open(directory,true);

            IndexSearcher searcher = new IndexSearcher(reader);

            PhraseQuery query = new PhraseQuery();

            foreach (string word in kw.Split(' '))//先用空格，让用户去分词，空格分隔的就是词“计算机   专业”

            {

                query.Add(new Term("body", word));

            }

            query.SetSlop(100);

             TopScoreDocCollector collector = TopScoreDocCollector.create(1000, true);

                searcher.Search(query, null, collector);

         ScoreDoc[] docs = collector.TopDocs(0, collector.GetTotalHits()).scoreDocs;

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

                {                    

                    int docId = docs[i].doc;

                    Document doc = searcher.Doc(docId);

                   Console.WriteLine(doc.Get("number"));

                Console.WriteLine(doc.Get("body"));

            }

网页采集：

l 复习WebClient的用法，调用DownloadString方法下载页面。抓取DiscuzNT！的900至1000贴。乱码怎么办？乱码的唯一原因“编码不一致”。

l WebClient抓取到的是页面的源代码，如何得到页面的标题、文字、超链接呢？

l 用mshtml进行html的解析，IE就是使用mshtml进行网页解析的。添加对Microsoft.mshtml的引用（如果是VS2010，修改这个引用的“嵌入互操作类型”为False。（*）“复制本地”设置为True、“特定版本”设置为False，这样在没有安装VS的机器中也可以用。）

•  HTMLDocumentClass doc = new HTMLDocumentClass();

• doc.designMode = "on"; //不让解析引擎去尝试运行javascript

• doc.IHTMLDocument2_write(要解析的代码);

• doc.title、doc.body.innerText，更多用法自己探索。

• 所有Dom方法都能在mshtml中调用

搜索结果高亮显示的方法：

l 高亮显示，只显示包含关键词的部分。参考盘古分词的文档。

l 从网上、文档找来的代码不用细读每行代码，先把它拿过来运行通过再说。

l 不用每次改代码都重启，在项目的属性页面的Web中选中“启用编辑并继续（Enable Edit and Continue）”

高亮显示的代码：

private static String highLight(string keyword,String content) 

        {

            PanGu.HighLight.SimpleHTMLFormatter formatter = new PanGu.HighLight.SimpleHTMLFormatter("<font color='red'>", "</font>");

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

            highlighter.FragmentSize = 500;

            string msg = highlighter.GetBestFragment(keyword,content);

if (string.IsNullOrEmpty(msg))

            {

                return content;

            }

            else

            {

                return msg;

            }

        }





 String hightlightTitle = highLight(keyword, title);

                    String hightlightBody = HttpUtility.HtmlEncode(body);//防止XSS攻击

                    hightlightBody = highLight(keyword, hightlightBody);