乙個程式設計師的自省

首先宣告：我對lucene.net並不熟悉，但搜尋確實是分詞的乙個重要應用，所以這裡還是嘗試將兩者整合起來，也許對你有一參考。

看到了兩個中文分詞與lucene.net的整合專案：lucene.net.analysis.pangu和lucene.net.analysis.mmseg，參考其中的**實現了最簡單的整合：jiebaforlucenenet。下面給出簡單的介紹。

主要的整合點是自定義乙個tokenizer的子類，此時必須要實現它的抽象方法incrementtoken，該方法用於對文字流中的文字生成的token進行遍歷，這正是分詞元件發揮作用的地方。

public
override
bool
incrementtoken()
end();
return
false
;}

termatt和offsetatt所在的兩行**需要用到每乙個token的詞本身、起始索引和終止索引，而這三個值恰好是jiebasegmenter.tokenize方法所實現的，所以只要在初始化jiebatokenizer時使用：

tokens = segmenter.tokenize(text, tokenizermode.search).tolist();

就可以得到所有分詞所得的token，另外tokenizermode.search引數使得tokenize方法的結果中包含更全面的分詞結果，比如「語言學家」會得到四個token，即「[語言, (0, 2)], [學家, (2, 4)], [語言學, (0, 3)], [語言學家, (0, 4)]」，這在建立索引和搜尋時都很有幫助。

tokenizer類實現分詞，而新增索引和搜尋需要的是analyzer，jiebaanalyzer只要呼叫jiebatokenizer即可。

public
override tokenstream tokenstream(string
fieldname, textreader reader)

除了jiebatokenizer，jiebaanalyzer還會用到lowercasefilter和stopfilter。前者可將索引和搜尋的內容正則化，忽略大小寫，後者則過濾掉停用詞。這裡使用的停用詞列表合併了nltk的英文停用詞和哈工大的中文停用詞。

建立索引時，indexwriter要使用jiebaanalyzer的例項：

var analyzer = new
jiebaanalyzer();
using (var writer = new
indexwriter(directory, analyzer, indexwriter.maxfieldlength.unlimited))
analyzer.close();
}

搜尋的時候，先將使用者的輸入分詞：

private
static
string getkeywordssplitbyspace(string
keywords, jiebatokenizer tokenizer)" 
", word.word);
}return
result.tostring().trim();
}

比如如果使用者輸入的是「語言學家」，那麼該函式的返回值是「語言學家語言學語言學家」，為後面的搜尋做好準備（另外，我們還可以為每個詞加上乙個*，這樣只要部分匹配就可以搜到結果）。最後的搜尋實現是：

private
static ienumerablesearchquery(string searchquery, string searchfield = ""
)    
using (var searcher = new indexsearcher(directory, false
))    
else
, analyzer);
var query =parsequery(searchquery, parser);
var hits = searcher.search(query, null
, hitslimit, sort.relevance).scoredocs;
var results =maplucenetodatalist(hits, searcher);
analyzer.close();
return
results;}}
}

這裡的searchfield引數可以指定特定字段進行搜尋，如果為空，則對所有字段進行搜尋。至此實現了最基本的整合。

jiebatokenizer、jiebaanalyzer的實現和示例**都可在jiebaforlucenenet找到。

luke.net可以檢視lucene.net生成的索引內容，這在開發和除錯lucene的時候會特別有幫助。

參考：lucene.net ultra fast search for mvc or webforms site

lucene.net – custom synonym analyzer

乙個程式設計師的自省

程式設計師自省錄

程式設計師自省錄

程式設計師自省錄

乙個程式設計師的自省

程式設計師自省錄

程式設計師自省錄

程式設計師自省錄

相關推薦