标签:
Lucene.Net
Lucene.Net
Lucene.Net是由Java版本的Lucene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。NHibernate、Spring.Net、NPOI。MONO。
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),不是一个现成的搜索引擎,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。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。因为是保存的时候分词(切词),所以搜索速度非常快!
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”。大学生生什么
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。
(*)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” 。CJKAnalyzer
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。
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。
StandardAnalyzer示例
1 Analyzer analyzer = new StandardAnalyzer();
2 TokenStream tokenStream = analyzer.TokenStream("",new StringReader("北京,Hi欢迎你们大家"));
3 Lucene.Net.Analysis.Token token = null;
4 while ((token = tokenStream.Next()) != null)
5 {
6 Console.WriteLine(token.TermText());
7 }
盘古分词算法使用
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
把上节代码的Analyzer用PanGuAnalyzer代替
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”,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”。
(*)Dictionaries下几个txt文件简介
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。
Lucene.Net核心类简介
(*)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。
创建FSDirectory的方法,FSDirectory directory = FSDirectory.Open(new DirectoryInfo(indexPath),new NativeFSLockFactory()), path索引的文件夹路径
IndexReader对索引进行读取的类,对IndexWriter进行写的类。
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)。
对数据进行索引
1 string indexPath = “d:/temp”;//注意和磁盘上文件夹的大小写一致,否则会报错。
2 FSDirectory directory = FSDirectory.Open(new DirectoryInfo(indexPath),new NativeFSLockFactory());
3 bool isExists= IndexReader.IndexExists(directory);
4 if (isExists)
5 {
6 //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
7 //Lucene.Net在写索引库之前会自动加锁,在close的时候会自动解锁
8 //不能多线程执行,只能处理意外被永远锁定的情况
9 if (IndexWriter.IsLocked(directory))
10 {
11 IndexWriter.Unlock(directory);//强制解锁
12 }
13 }
14 IndexWriter writer = new IndexWriter(directory, new PanGuAnalyzer(), !isExists, Lucene.Net.Index.IndexWriter.MaxFieldLength.UNLIMITED);
15 for (int i = 1000; i < 1100; i++)
16 {
17 string txt = File.ReadAllText(@"C:\MxDownload\dnt_3.1.0_sqlserver\upload_files\文章\" + i + ".txt");
18 Document document = new Document();//一条Document相当于一条记录
19 document.Add(new Field(“number”, i.ToString(), Field.Store.YES, Field.Index. NOT_ANALYZED));//每个Document可以有自己的属性(字段),所有字段名都是自定义的,值都是string类型
20 document.Add(new Field("body", txt, Field.Store.YES, Field.Index. ANALYZED, Lucene.Net.Documents.Field.TermVector.WITH_POSITIONS_OFFSETS));
21 writer.AddDocument(document);//insert into...插入一条记录,有两个字段:number和body
22 Console.WriteLine("索引"+i+"完毕");
23 }
24 writer.Close();
25 directory.Close();//不要忘了Close,否则索引结果搜不到
创建索引
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。
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(列)。
DeleteAll()删除所有文档; DeleteDocuments按照条件删除文档。
Field类的构造函数 Field(string name, string value, Field.Store store, Field.Index index, Field.TermVector termVector):
– name表示字段名; value表示字段值;
–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。
– index表示如何创建索引,可选值Field.Index. NOT_ANALYZED
–,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”。
–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。
Lucene.Net
标签:
原文地址:http://www.cnblogs.com/Tan-sir/p/4869437.html