Lucene.Net 2.3.1开发介绍 —— 二、分词（一）

原文: Lucene.Net 2.3.1开发介绍 —— 二、分词（一）

Lucene.Net中，分词是核心库之一，当然，也可以将它独立出来。目前Lucene.Net的分词库很不完善，实际应用价值不高。唯一能用在实际场合的StandardAnalyzer类，效果也不是很好。内置在Lucene.Net里的分词都被放在项目的Analysis目录下，也就是Lucene.Net.Analysis命名空间下。分词类的命名一般都是以“Analyzer”结束，比如StandardAnalyzer，StopAnalyzer，SimpleAnalyzer等。全部继承自Analyzer类。而它们一般各有一个辅助类，一般以”“Tokenizer”结尾，分词的逻辑大都在辅助类完成。

使用Lucene.Net，要很好地使用Lucene.Net，必须理解分词，甚至能自己扩展分词。如果只使用拉丁语系，那么使用内置的分词可能足够了，但是对于中文肯定是不行的。目前中文方面的分词分为单字分词，二元分词，词库匹配，语义理解这几种。StandardAnalyzer类就是按单字分，二元分就是把两个字作为一组拆分，而词库的话肯定是有一个复杂的对比过程，语义理解的就更加复杂了。这是分词的方式，而匹配的方式也分为正向和逆向两种，一般逆向要优于正向，但是写起来也要复杂一些。

 

1、内置分词器

本节将详细介绍Lucene.Net内置分词的效果，工作过程，及整体结构。

 

1.1、分词效果

 

1.1.1 如果得到分词效果

如果得到分词效果？有效的方式就是进行测试。这里将引入自动测试的方法，这样更加便于测试，将使用NUnit来完成。Nunit的简单实用方法见附录二。

创建一个新的项目，命名为Test。步骤如图 1.1.1.1 - 1.1.1.2

图1.1.1.1

 

图 1.1.1.2

 

点确定，就加入了新项目Test，选择类库模板。再引用Nunit.framework类库。如图 1.1.1.3。

 

图 1.1.1.3

 

再按第一章节的步骤引入Lucene.Net类库。先来试试SimpleAnalyzer类的效果。在Test项目中添加SimpleAnalyzerTest，代码 1.1.1.1。

 

代码 1.1.1.1

 

Code
 1using System;
 2using System.Collections.Generic;
 3using System.Text;
 4using NUnit.Framework;
 5using Lucene.Net.Analysis;
 6using System.IO;
 7namespace Test
 8{
 9    [TestFixture]
10    public class SimpleAnalyzerTest
11    {
12        [Test]
13        public void ReusableTokenStreamTest()
14        {
15            string testwords = "我是中国人，I can speak chinese!";
16
17            SimpleAnalyzer simple = new SimpleAnalyzer();
18            TokenStream ts = simple.ReusableTokenStream("", new StringReader(testwords));
19            Token token;
20            while ((token = ts.Next()) != null)
21            {
22                Console.WriteLine(token.TermText());
23            }
24            ts.Close();
25        }
26    }
27}
28

 

运行结果：

 

我是中国人
i
can
speak
chinese

查看这个结果，基本可以确定，SimpleAnalyzer分词就是以空格或符号为断点，把句子分析出来。对于英文大写还会执行一个转换到小写的操作。

 

1.1.2 内置分词的分词效果

按照1.1.1节介绍的方式，就可以分析分析效果了。不过这样写出来的测试代码过于麻烦，改造一下。

（1）、在Test项目中新建Analysis目录；

（2）、在Analysis下建立TestData类，代码1.1.2.1；

 

代码1.1.2.1

 

Code
 1using System;
 2using System.Collections.Generic;
 3using System.Text;
 4
 5namespace Test.Analysis
 6{
 7    public class TestData
 8    {
 9        public static string TestWords = "我是中国人，I can speak chinese!";
10    }
11}
12

 

（3）、建立TestFactory类，代码1.1.2.2

 

代码1.1.2.2

 

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 TestFactory
10    {
11        public static void TestFunc(Analyzer analyzer)
12        {
13            TokenStream ts = analyzer.ReusableTokenStream("", new StringReader(TestData.TestWords));
14            Token token;
15            while ((token = ts.Next()) != null)
16            {
17                Console.WriteLine(token.TermText());
18            }
19            ts.Close();
20        }
21    }
22}

 

（4）、建立AllAnalysisTest类，代码1.1.2.3

 

代码1.1.2.3

 

Code
 1using System;
 2using System.Collections.Generic;
 3using System.Text;
 4using NUnit.Framework;
 5using Lucene.Net.Analysis;
 6using Lucene.Net.Analysis.Standard;
 7namespace Test.Analysis
 8{
 9    [TestFixture]
10    public class AllAnalysisTest
11    {
12        [Test]
13        public void TestMethod()
14        {
15            List<Analyzer> analysis = new List<Analyzer>() { 
16                new KeywordAnalyzer(),
17                new SimpleAnalyzer(),
18                new StandardAnalyzer(),
19                new StopAnalyzer(),
20                new WhitespaceAnalyzer() };
21
22            for (int i = 0; i < analysis.Count; i++)
23            {
24                Console.WriteLine(analysis[i].ToString() + "结果:");
25                Console.WriteLine("--------------------------------");
26                TestFactory.TestFunc(analysis[i]);
27                Console.WriteLine("--------------------------------");
28            }
29        }
30    }
31}
32

 

（5）、运行。

 

对于TestWords = "我是中国人，I can speak chinese!";测试结果：

 

Lucene.Net.Analysis.KeywordAnalyzer结果:
--------------------------------
我是中国人，I can speak chinese!
--------------------------------
Lucene.Net.Analysis.SimpleAnalyzer结果:
--------------------------------
我是中国人
i
can
speak
chinese
--------------------------------
Lucene.Net.Analysis.Standard.StandardAnalyzer结果:
--------------------------------
我
是
中
国
人
i
can
speak
chinese
--------------------------------
Lucene.Net.Analysis.StopAnalyzer结果:
--------------------------------
我是中国人
i
can
speak
chinese
--------------------------------
Lucene.Net.Analysis.WhitespaceAnalyzer结果:
--------------------------------
我是中国人，I
can
speak
chinese!
--------------------------------

 

换一句话试试：更改TestData类TestWords字段值为“我是中国人，I'can speak chinese,ｈｅｌｌｏ　ｗｏｒｌｄ，沪江小Q!”。测试结果：

 

Lucene.Net.Analysis.KeywordAnalyzer结果:
--------------------------------
我是中国人，I'can speak chinese,ｈｅｌｌｏ　ｗｏｒｌｄ，沪江小Q!
--------------------------------
Lucene.Net.Analysis.SimpleAnalyzer结果:
--------------------------------
我是中国人
i
can
speak
chinese
ｈｅｌｌｏ
ｗｏｒｌｄ
沪江小q
--------------------------------
Lucene.Net.Analysis.Standard.StandardAnalyzer结果:
--------------------------------
我
是
中
国
人
i'can
speak
chinese
沪
江
小
q
--------------------------------
Lucene.Net.Analysis.StopAnalyzer结果:
--------------------------------
我是中国人
i
can
speak
chinese
ｈｅｌｌｏ
ｗｏｒｌｄ
沪江小q
--------------------------------
Lucene.Net.Analysis.WhitespaceAnalyzer结果:
--------------------------------
我是中国人，I'can
speak
chinese,ｈｅｌｌｏ
ｗｏｒｌｄ，沪江小Q!
--------------------------------

 对于这几种分词效果基本可以看出来了。

KeywordAnalyzer分词，没有任何变化；

SimpleAnalyzer对中文效果太差；

StandardAnalyzer对中文单字拆分；

StopAnalyzer和SimpleAnalyzer差不多；

WhitespaceAnalyzer只按空格划分。

 

当然，这只是个粗略的结果。