Lucene.Net 2.3.1开发介绍 —— 二、分词（五）

2.1.3 二元分词

 

上一节通过变换查询表达式满足了需求，但是在实际应用中，如果那样查询，会出现另外一个问题，因为，那样搜索，是只要出现这个字，不管它出现在什么位置。这就产生了上一小节开头讲的，对准确性产生了极大干扰。比如，如果有一段这样的话：“这是一个英雄!他有无法用词汇形容的孤单，但是他并没有用言语来表达。”这句话包含了“英 语 单 词”这四个字，但是却和“英语单词”一点关系都没有。首先想到的解决方法，就是把句子按词来划分，那么就能有效的降低干扰。最简单的解决方法，莫过于每两个字组成一个部分。

 

下面来构造核心算法。首先我们期望，只有中文（广义上指双字节文字，比如日文，韩文也在这个范围。）是按照二元拆分，而符号则是单符号拆分，对于英文则保持原样。因此，需要一个判断当前字符类型的函数。首先，构造一个枚举，如代码2.1.3.1。

 

 

代码 2.1.3.1

 

Code
/// <summary>
/// Char类型枚举，用于分词中类型状态比较
/// </summary>
public enum CharType
{
    None,   //默认值，不可识别类型
    English,    //拉丁字符，用英文标识
    Chinese,    //CJK字符，以中文代表
    Number,     //阿拉伯数字
    Control     //控制符号，指控制符号已经各种标点符号等
}

 

接下来需要有一个函数能够识别字符，把字符类型转换成我们需要的CharType。

 

 

代码 2.1.3.2

 

Code
 1/**//// <summary>
 2/// 获取Char类型
 3/// </summary>
 4/// <param name="c">字符</param>
 5/// <returns>返回类型</returns>
 6public static CharType GetCharType(char c)
 7{
 8    switch (char.GetUnicodeCategory(c))
 9    {
10        //大小写字符判断为英文字符
11        case System.Globalization.UnicodeCategory.UppercaseLetter:
12        case System.Globalization.UnicodeCategory.LowercaseLetter:
13            return CharType.English;
14        //其它字符判断问中文(CJK)
15        case System.Globalization.UnicodeCategory.OtherLetter:
16            return CharType.Chinese;
17        //十进制数字
18        case System.Globalization.UnicodeCategory.DecimalDigitNumber:
19            return CharType.Number;
20        //其他都认为是符号
21        default:
22            return CharType.Control;
23    }
24}

 

代码2.1.3.2粗略完成了我们想要的功能。现在就可以构造我们想要的算法了。

 

 

代码 2.1.3.3

 

Code
  1using System;
  2using System.Collections.Generic;
  3using System.Text;
  4using Lucene.Net.Analysis;
  5using System.IO;
  6
  7namespace Test.Analysis
  8{
  9    public class DoubleTokenizer : Tokenizer
 10    {
 11        /**//// <summary>
 12        /// 保持传入的流
 13        /// </summary>
 14        private TextReader reader;
 15        /**//// <summary>
 16        /// 控制分词器只打开一次
 17        /// </summary>
 18        private bool done = true;
 19        /**//// <summary>
 20        /// 保存分词结果
 21        /// </summary>
 22        private List<Token> tokenlist;
 23
 24        public DoubleTokenizer(TextReader reader)
 25        {
 26            this.reader = reader;
 27        }
 28        /**//// <summary>
 29        /// 上一个字的类型
 30        /// </summary>
 31        private CharType lastype = CharType.None;
 32        /**//// <summary>
 33        /// 当前读取到分词的记录数
 34        /// </summary>
 35        private int ptr = 0;
 36        /**//// <summary>
 37        /// 重写Next方法
 38        /// </summary>
 39        /// <param name="result"></param>
 40        /// <returns></returns>
 41        public override Token Next(Token result)
 42        {
 43            if (done)   //第一次可以运行，运行后将被设置为false,在一个实例中只会运行一次
 44            {
 45                done = false;
 46                string text = reader.ReadToEnd();
 47                //输入为空，则返回结束符号
 48                if (string.IsNullOrEmpty(text))
 49                    return null;
 50                //初始化分词结果
 51                tokenlist = new List<Token>();
 52                //缓冲器，主要用于暂时保存英文数字字符。
 53                StringBuilder buffer = new StringBuilder();
 54                Token token;
 55                for (int i = 0; i < text.Length; i++)
 56                {
 57                    char nowchar = text[i];
 58                    char nextchar = new char();
 59                    CharType nowtype = GetCharType(nowchar);
 60                    if (i < text.Length - 1)  //取下一个字符
 61                        nextchar = text[i + 1];
 62                    //状态转换
 63                    if (nowtype != lastype)
 64                    {
 65                        lastype = nowtype;
 66                        if (buffer.Length > 0)
 67                        {
 68                            token = new Token(buffer.ToString(), i - buffer.Length, i);
 69                            tokenlist.Add(token);
 70                            buffer.Remove(0, buffer.Length);
 71                        }
 72                    }
 73
 74                    switch (nowtype)
 75                    {
 76                        case CharType.None:
 77                        case CharType.Control:
 78                            goto SingleChar;
 79                        case CharType.Chinese:
 80                            break;
 81                        case CharType.English:
 82                        case CharType.Number:
 83                            buffer.Append(nowchar);
 84                            continue;
 85                    }
 86                    //处理连续两个中文字符
 87                    if (GetCharType(nextchar) == CharType.Chinese)
 88                    {
 89                        token = new Token(nowchar.ToString() + nextchar.ToString(), i, i + 2);
 90                        tokenlist.Add(token);
 91                        i++;
 92                        continue;
 93                    }
 94
 95                SingleChar:     //处理单个字符
 96                    token = new Token(nowchar.ToString(), i, i + 1);
 97                    tokenlist.Add(token);
 98                    continue;
 99                }
100                //返回第一个分词结果，并且把指针移向下一位
101                return tokenlist[ptr++];
102            }
103            else
104            {
105                //在分词结果范围内取词
106                if (ptr < tokenlist.Count)
107                    return tokenlist[ptr++];
108                //超出则返回结束符号
109                return null;
110            }
111        }
112        /**//// <summary>
113        /// 获取Char类型
114        /// </summary>
115        /// <param name="c">字符</param>
116        /// <returns>返回类型</returns>
117        public static CharType GetCharType(char c)
118        {
119            switch (char.GetUnicodeCategory(c))
120            {
121                //大小写字符判断为英文字符
122                case System.Globalization.UnicodeCategory.UppercaseLetter:
123                case System.Globalization.UnicodeCategory.LowercaseLetter:
124                    return CharType.English;
125                //其它字符判断问中文(CJK)
126                case System.Globalization.UnicodeCategory.OtherLetter:
127                    return CharType.Chinese;
128                //十进制数字
129                case System.Globalization.UnicodeCategory.DecimalDigitNumber:
130                    return CharType.Number;
131                //其他都认为是符号
132                default:
133                    return CharType.Control;
134            }
135        }
136    }
137    /**//// <summary>
138    /// Char类型枚举，用于分词中类型状态比较
139    /// </summary>
140    public enum CharType
141    {
142        None,   //默认值，不可识别类型
143        English,    //拉丁字符，用英文标识
144        Chinese,    //CJK字符，以中文代表
145        Number,     //阿拉伯数字
146        Control     //控制符号，指控制符号已经各种标点符号等
147    }
148
149}

 

代码2.1.3.3就是构造完后的算法。意思就是把英文字母，数字按空格或者符号划分，而中文则二元拆分。现在来测试下效果。

 

 

代码 2.1.3.4

 

Code
 1using System;
 2using System.Collections.Generic;
 3using System.Text;
 4using NUnit.Framework;
 5using System.IO;
 6using Lucene.Net.Analysis;
 7
 8namespace Test.Analysis
 9{
10    [TestFixture]
11    public class DoubleTokenizerTest
12    {
13        [Test]
14        public void NextTest()
15        {
16            string testwords = "我是一个中国人，代码yurow001,真是个好名字啊!!!哈哈哈。。。";
17            DoubleTokenizer tk = new DoubleTokenizer(new StringReader(testwords));
18            Token token;
19            while ((token = tk.Next()) != null)
20            {
21                Console.WriteLine(token.TermText() + "\t" + token.StartOffset() + "\t" + token.EndOffset());
22            }
23            tk.Close();
24        }
25    }
26}
27

 

代码 2.1.3.4 就是测试代码，测试的输入包含了各种字符。来看一下效果。

 

测试结果：

 

我是 0 2
一个 2 4
中国 4 6
人 6 7
， 7 8
代码 8 10
yurow 10 15
001 15 18
, 18 19
真是 19 21
个好 21 23
名字 23 25
啊 25 26
! 26 27
! 27 28
! 28 29
哈哈 29 31
哈 31 32
。 32 33
。 33 34
。 34 35

 

应该说结果符合我们的预期。下来写个Analyzer包装，并把这个包装应用到上一节2.1.2 的方案里去。

 

 

代码 2.1.3.5

 

Code
 1using System;
 2using System.Collections.Generic;
 3using System.Text;
 4using Lucene.Net.Analysis;
 5
 6namespace Test.Analysis
 7{
 8    public class DoubleAnalyzer : Analyzer
 9    {
10        public override TokenStream TokenStream(string fieldName, System.IO.TextReader reader)
11        {
12            return new DoubleTokenizer(reader);
13        }
14    }
15}
16

 

代码2.1.3.5就是包装的结果。测试结果：

搜索词：英语
结果：
content:英语
-----------------------------------
搜索词：语法
结果：
content:语法
-----------------------------------
搜索词：单词
结果：
content:单词
-----------------------------------
搜索词：口语
结果：
content:口语
-----------------------------------
搜索词：+content:"英" +content:"语" +content:"单" +content:"词"
结果：
+content:英 +content:语 +content:单 +content:词
-----------------------------------

What's happened? 为什么没有结果？分词器写错了？不要灰心！让我们来分析一下。在DoubleTokenizer类构造函数下一个断点，调试。因为，如果能正确运行，这个构造函数肯定要进入的。调试后看到了什么？传入的TextReader的类型是Lucene.Net.Index.DocumentsWriter.ReusableStringReader。查看Lucene.Net.Index.DocumentsWriter.ReusableStringReader类的定义，它继承自StringReader类，但是它重写掉了一些方法，而且，我们并没有发现我们使用的ReadToEnd方法。问题可能出在这里。看到ReusableStringReader类重写的Read(char[],int,int)方法，试试这个。

 

 

代码 2.1.3.6

 

Code
  1using System;
  2using System.Collections.Generic;
  3using System.Text;
  4using Lucene.Net.Analysis;
  5using System.IO;
  6
  7namespace Test.Analysis
  8{
  9    public class DoubleTokenizer : Tokenizer
 10    {
 11        /**//// <summary>
 12        /// 保持传入的流
 13        /// </summary>
 14        //private TextReader reader;
 15        /**//// <summary>
 16        /// 控制分词器只打开一次
 17        /// </summary>
 18        private bool done = true;
 19        /**//// <summary>
 20        /// 保存分词结果
 21        /// </summary>
 22        private List<Token> tokenlist;
 23
 24        public DoubleTokenizer(TextReader reader)
 25        {
 26            this.input = reader;
 27        }
 28        /**//// <summary>
 29        /// 上一个字的类型
 30        /// </summary>
 31        private CharType lastype = CharType.None;
 32        /**//// <summary>
 33        /// 当前读取到分词的记录数
 34        /// </summary>
 35        private int ptr = 0;
 36        /**//// <summary>
 37        /// 重写Next方法
 38        /// </summary>
 39        /// <param name="result"></param>
 40        /// <returns></returns>
 41        public override Token Next(Token result)
 42        {
 43            if (done)   //第一次可以运行，运行后将被设置为false,在一个实例中只会运行一次
 44            {
 45                done = false;
 46
 47                //-------------------------------------------------------
 48                //使用传入参数作为缓冲区
 49                char[] charbuffer = result.TermBuffer();
 50                int upto = 0;
 51                result.Clear();
 52                while (true)
 53                {
 54                    int length = input.Read(charbuffer, upto, charbuffer.Length - upto);
 55                    if (length <= 0)
 56                        break;
 57                    upto += length;
 58                    if (upto == charbuffer.Length)
 59                        charbuffer = result.ResizeTermBuffer(1 + charbuffer.Length);
 60                }
 61                result.SetTermLength(upto);
 62                //------------------------------------------------------
 63                string text = result.TermText();
 64                //输入为空，则返回结束符号
 65                if (string.IsNullOrEmpty(text))
 66                    return null;
 67                //初始化分词结果
 68                tokenlist = new List<Token>();
 69                //缓冲器，主要用于暂时保存英文数字字符。
 70                StringBuilder buffer = new StringBuilder();
 71                Token token;
 72                for (int i = 0; i < text.Length; i++)
 73                {
 74                    char nowchar = text[i];
 75                    char nextchar = new char();
 76                    CharType nowtype = GetCharType(nowchar);
 77                    if (i < text.Length - 1)  //取下一个字符
 78                        nextchar = text[i + 1];
 79                    //状态转换
 80                    if (nowtype != lastype)
 81                    {
 82                        lastype = nowtype;
 83                        if (buffer.Length > 0)
 84                        {
 85                            token = new Token(buffer.ToString(), i - buffer.Length, i);
 86                            tokenlist.Add(token);
 87                            buffer.Remove(0, buffer.Length);
 88                        }
 89                    }
 90
 91                    switch (nowtype)
 92                    {
 93                        case CharType.None:
 94                        case CharType.Control:
 95                            goto SingleChar;
 96                        case CharType.Chinese:
 97                            break;
 98                        case CharType.English:
 99                        case CharType.Number:
100                            buffer.Append(nowchar);
101                            continue;
102                    }
103                    //处理连续两个中文字符
104                    if (GetCharType(nextchar) == CharType.Chinese)
105                    {
106                        token = new Token(nowchar.ToString() + nextchar.ToString(), i, i + 2);
107                        tokenlist.Add(token);
108                        i++;
109                        continue;
110                    }
111
112                SingleChar:     //处理单个字符
113                    token = new Token(nowchar.ToString(), i, i + 1);
114                    tokenlist.Add(token);
115                    continue;
116                }
117                //返回第一个分词结果，并且把指针移向下一位
118                return tokenlist[ptr++];
119            }
120            else
121            {
122                //在分词结果范围内取词
123
124                if (ptr < tokenlist.Count)
125                {
126                    return tokenlist[ptr++];
127                }
128                //超出则返回结束符号
129                return null;
130            }
131        }
132        /**//// <summary>
133        /// 获取Char类型
134        /// </summary>
135        /// <param name="c">字符</param>
136        /// <returns>返回类型</returns>
137        public static CharType GetCharType(char c)
138        {
139            switch (char.GetUnicodeCategory(c))
140            {
141                //大小写字符判断为英文字符
142                case System.Globalization.UnicodeCategory.UppercaseLetter:
143                case System.Globalization.UnicodeCategory.LowercaseLetter:
144                    return CharType.English;
145                //其它字符判断问中文(CJK)
146                case System.Globalization.UnicodeCategory.OtherLetter:
147                    return CharType.Chinese;
148                //十进制数字
149                case System.Globalization.UnicodeCategory.DecimalDigitNumber:
150                    return CharType.Number;
151                //其他都认为是符号
152                default:
153                    return CharType.Control;
154            }
155        }
156    }
157    /**//// <summary>
158    /// Char类型枚举，用于分词中类型状态比较
159    /// </summary>
160    public enum CharType
161    {
162        None,   //默认值，不可识别类型
163        English,    //拉丁字符，用英文标识
164        Chinese,    //CJK字符，以中文代表
165        Number,     //阿拉伯数字
166        Control     //控制符号，指控制符号已经各种标点符号等
167    }
168
169}
170

 

代码改造成了2.1.3.6。主要的改变在于用父类的input字段保持了读入流，然后用Token作为缓冲区，因为它实现了可变缓冲区，简化了我们的开发。测试结果。

 

搜索词：英语
结果：
content:英语
英语单词，语法，口语都很重要。
口语，语法，单词都是英语的重要组成部分。
-----------------------------------
搜索词：语法
结果：
content:语法
英语单词，语法，口语都很重要。
口语，语法，单词都是英语的重要组成部分。
-----------------------------------
搜索词：单词
结果：
content:单词
英语单词，语法，口语都很重要。
口语，语法，单词都是英语的重要组成部分。
我们要学好英语不但要学语法，单词还有口语。
-----------------------------------
搜索词：口语
结果：
content:口语
英语单词，语法，口语都很重要。
口语，语法，单词都是英语的重要组成部分。
我们要学好英语不但要学语法，单词还有口语。
-----------------------------------
搜索词：+content:"英" +content:"语" +content:"单" +content:"词"
结果：
+content:英 +content:语 +content:单 +content:词
-----------------------------------

终于OK了！！！呵呵。

 

（PS：长时间编写，可能内容太长了，造成我机器编写这个章节有点卡，所以，这里提前结束。）