Lucene.Net 2.3.1开发介绍 —— 二、分词（三）

原文: Lucene.Net 2.3.1开发介绍 —— 二、分词（三）

1.3 分词器结构

 

1.3.1 分词器整体结构

从1.2节的分析，终于做到了管中窥豹，现在在Lucene.Net项目中添加一个类关系图，把TokenStream和他的儿孙们统统拉上去，就能比较好的把握他们之间的关系。

 

图 1.3.1.1

 

如图1.3.1.1 就是他们的类关系图。看出如果要做一个分词器，最短的路，就是继承第二代，成为第三代。然后再写一个Analyzer的子类，专门用来做新分词器的适配器就好了。转换器。  呵呵，写Analyzer的过程，就是实践适配器模式的过程。（这里是直接使用了Tokenizer的实例，不能算是适配器模式，更正，感谢老赵指正。 2008年9月1日 2:23:23）

 

1.3.2 分词器调用流程

 

光有整体结构还不行，还有了解方法和方法是如何被调用的。还是以最简单的KeywordTokenizer来作为分析对象。

 

入口毫无疑问，就是KeywordTokenizer的构造函数。然后就是调用Next方法，这是再简单不过的事情。而这里就是要让每次调用Next方法都可以出来一个分词。这个过程可以这么来描述：

（1）、分词，把一句话，一段话或者一篇文章按一个规则划分为N份；

（2）、把这N份片断存储到一个数组中，要同时记录这个片断的内容，还要记录它相对开始位置的偏移；

 

图 1.3.2.1

 

 

（3）、每次调用Next方法，就从上面的数组中取出一个片段；

（4）、片段取完就返回null值；

（5）、发现null值，分词过程结束。

 

 明白以上流程，就可以开始自己写分词器了，嘿嘿。

 

 

2.1 自己动手写分词

自己写分词，光知道上面的还不够。自己写分词，首先，你要有个目标，目标是干嘛的呢？就是你这个分词到底是给什么用的，要做到什么程度。比方说，分词是给英文的还是中文的，还是中英文混合，还是还包含了日文。英文的写作规则，单词一空格划分，比较好区分，但是中文的怎么办？归结起来，现在将面临三个问题：

（1）、分词器要分什么东西，怎么才能达到目的，其实就是字符串怎么截取的问题；

（2）、分词器的准确度如何，分词速度如何，怎么做取舍，这是个算法的问题；

（3）、剩下的问题才是如何用Lucene.Net可以理解的方式写出来，这一步，上面讲了那么多小节，却是三个问题的最简单的一个。

 

2.1.1 最简单的分词方式

这里的最简单指的是用最少代码的方式。好，现在来个最简单的，写成代码2.1.1.1的方式总是最简单了吧？

 

代码 2.1.1.1

 

using System;
using Lucene.Net.Analysis;

namespace Test.Analysis
{
    public class

 EsayTokenizer : Tokenizer
    {
    }
}

 

太好了，终于写出来了，下面包装一下，写个Analyzer类。

 

代码 2.1.1.2

 

using Lucene.Net.Analysis;

namespace Test.Analysis
{
    public class EsayAnalyzer : Analyzer
    {
        public override TokenStream TokenStream(string fieldName, System.IO.TextReader reader)
        {
            return new

 EsayTokenizer();
        }
    }
}

 

立刻测试一下（测试方法见1.1.1节，具体测试则加入1.1.2节的AllAnalysisTest中，测试代码见 2.1.1.3）。

 

测试结果：

 

NUnit的gui崩溃了！！！

 

这个代码实在太强大了，让测试工具崩溃了！这个问题在1.2.1节讲过，Next方法和Next(Token)方法，在父类中是相互调用的，那会产生什么后果？这就像是个死循环，这个递归永远没办法结束，所以到一定次数以后，会堆栈溢出。所以我们写的分词器必须自己实现一个Next方法，哪怕什么都不做。而另外一个问题就是EsayAnalyzer类总是能拿到一个流，但是现在没办法传到分词器里来，所以，分词器必须有个能传入流的构造函数。对代码修正，如代码2.1.1.3。

 

 

代码 2.1.1.3

 

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 EsayTokenizer : Tokenizer
10    {
11        private TextReader reader;
12
13        public EsayTokenizer(TextReader reader)
14        {
15            this.reader = reader;
16        }
17
18        public override Token Next()
19        {
20            //千万不能调用父类的方法，要不又是死递归
21            //return base.Next();
22            return null;
23        }
24    }
25}

 

同时把EsayAnalyzer 类对EsayTokenizer类的调用改成return new EsayTokenizer(reader)。OK，测试结果：

 

Test.Analysis.EsayAnalyzer结果:
--------------------------------
--------------------------------

什么也没有，这个在预料之中。和KeywordTokenizer分词器不同，KeywordTokenizer分词器是什么都有，而且没做任何处理。现在呢是什么都没了。还有一种写法是和这种不相上下的。如代码2.1.1.4。

 

 

代码 2.1.14

 

Code
 1using Lucene.Net.Analysis;
 2
 3namespace Test.Analysis
 4{
 5    public class EsayTooAnalyzer : Analyzer
 6    {
 7        public override TokenStream TokenStream(string fieldName, System.IO.TextReader reader)
 8        {
 9            return new EsayTooTokenizer(reader);
10        }
11    }
12}
13
14using System.IO;
15using Lucene.Net.Analysis;
16
17namespace Test.Analysis
18{
19    public class EsayTooTokenizer : CharTokenizer
20    {
21        public EsayTooTokenizer(TextReader reader)
22            : base(reader)
23        {
24        }
25
26        protected override bool IsTokenChar(char c)
27        {
28            return c == ',' ? true : false;
29        }
30    }
31}
32

 

测试结果：

 

Test.Analysis.EsayTooAnalyzer结果:
--------------------------------
,
--------------------------------

 

有个逗号了！！！哈哈，总算进步了。而把IsTokenChar方法改一下，改成：

protected override bool IsTokenChar(char c)

{
      return c == ',' ? false : true;
}

 

Test.Analysis.EsayTooAnalyzer结果:
--------------------------------
我是中国人，I'can speak chinese
ｈｅｌｌｏ　ｗｏｒｌｄ，沪江小Q!
--------------------------------

 

这下除了逗号，什么都有了。

改成：

protected override bool IsTokenChar(char c)
 {
        return c == ',' ? false : false;
 }

就什么都没了，要是两个都是true,会得什么结果呢？