Net Core使用Lucene.Net和盤古分詞器 實現全文檢索

Lucene.net

Lucene.net是Lucene的.net移植版本，是一個開源的全文檢索引擎開發包，即它不是一個完整的全文檢索引擎，而是一個全文檢索引擎的架構，提供了完整的查詢引擎和索引引擎，是一個高性能、可伸縮的文本搜索引擎庫。它的功能就是負責將文本數據按照某種分詞算法進行切詞，分詞後的結果存儲在索引庫中，從索引庫檢索數據的速度很是快。Lucene.net須要有索引庫，而且只能進行站內搜索。（來自百度百科）

效果圖

盤古分詞

如何使用

將PanGu.dIl與PanGu.Lucenet.Analyzer. dl並加入到項目中

 

將Dict文件，拷貝到項目Bin文件夾裏面

字典文件夾下載：https://pan.baidu.com/s/1HNiLp6bCcodN8vqlck066g 提取碼: xydc

測試

 能夠看到，盤古分詞相對Lucene.net自帶的一元分詞來講，是比較好的，由於一元分詞不適合進行中文檢索。

一元分詞是按字拆分的，好比上面一句話，使用一元分詞拆分的結果是："有","一","種","方","言","叫","作","不","老","蓋","兒"。若是查找「方言」這個詞，是找不到查詢結果的。不符合咱們的檢索習慣，因此基本不使用。

拓展

上面的"不老蓋兒"（河南方言），這裏想組成一個詞，那麼須要建立"不老蓋兒"詞組並添加到字典裏面。

使用DictManage工具：https://pan.baidu.com/s/1Yla2DBM74kSbno8cg5kvGw 提取碼：tphe

解壓，運行 DictManage.exe 

而後打開 Dict 文件下的 Dict.dct 文件，並添加"不老蓋兒"詞組

 而後查找就能夠看到"不老蓋兒"詞組

 而後保存覆蓋原有的 Dict.dct 文件

刷新頁面或者從新打開頁面看下效果

Demo文件說明

簡單實現 

建立索引核心代碼

/// <summary>
        /// 建立索引 /// </summary>
        /// <returns></returns>
 [HttpGet] [Route("createIndex")] public string CreateIndex() { //索引保存位置
            var indexPath = Directory.GetCurrentDirectory() + "/Index"; if (!Directory.Exists(indexPath)) Directory.CreateDirectory(indexPath); FSDirectory directory = FSDirectory.Open(new DirectoryInfo(indexPath), new NativeFSLockFactory()); if (IndexWriter.IsLocked(directory)) { // 若是索引目錄被鎖定（好比索引過程當中程序異常退出），則首先解鎖 // Lucene.Net在寫索引庫以前會自動加鎖，在close的時候會自動解鎖
 IndexWriter.Unlock(directory); } //Lucene的index模塊主要負責索引的建立 // 建立向索引庫寫操做對象 IndexWriter(索引目錄,指定使用盤古分詞進行切詞,最大寫入長度限制) // 補充:使用IndexWriter打開directory時會自動對索引庫文件上鎖 //IndexWriter構造函數中第一個參數指定索引文件存儲位置； //第二個參數指定分詞Analyzer，Analyzer有多個子類， //然而其分詞效果並很差，這裏使用的是第三方開源分詞工具盤古分詞； //第三個參數表示是否從新建立索引，true表示從新建立（刪除以前的索引文件）， //最後一個參數指定Field的最大數目。
            IndexWriter writer = new IndexWriter(directory, new PanGuAnalyzer(), true, IndexWriter.MaxFieldLength.UNLIMITED); var txtPath = Directory.GetCurrentDirectory() + "/Upload/Articles"; for (int i = 1; i <= 1000; i++) { // 一條Document至關於一條記錄
                Document document = new Document(); var title = "天驕戰紀_" + i + ".txt"; var content = System.IO.File.ReadAllText(txtPath + "/" + title, Encoding.Default); // 每一個Document能夠有本身的屬性（字段），全部字段名都是自定義的，值都是string類型 // Field.Store.YES不只要對文章進行分詞記錄，也要保存原文，就不用去數據庫裏查一次了
                document.Add(new Field("Title", "天驕戰紀_" + i, Field.Store.YES, Field.Index.NOT_ANALYZED)); // 須要進行全文檢索的字段加 Field.Index. ANALYZED // Field.Index.ANALYZED:指定文章內容按照分詞後結果保存，不然沒法實現後續的模糊查詢 // WITH_POSITIONS_OFFSETS:指示不只保存分割後的詞，還保存詞之間的距離
                document.Add(new Field("Content", content, Field.Store.YES, Field.Index.ANALYZED, Field.TermVector.WITH_POSITIONS_OFFSETS)); writer.AddDocument(document); } writer.Close(); // Close後自動對索引庫文件解鎖
            directory.Close(); // 不要忘了Close，不然索引結果搜不到
            return "索引建立完畢"; }

View Code

搜索代碼

/// <summary>
        /// 搜索 /// </summary>
        /// <returns></returns>
 [HttpGet] [Route("search")] public object Search(string keyWord, int pageIndex, int pageSize) { Stopwatch stopwatch = new Stopwatch(); stopwatch.Start(); string indexPath = Directory.GetCurrentDirectory() + "/Index"; FSDirectory directory = FSDirectory.Open(new DirectoryInfo(indexPath), new NoLockFactory()); IndexReader reader = IndexReader.Open(directory, true); //建立IndexSearcher準備進行搜索。
            IndexSearcher searcher = new IndexSearcher(reader); // 查詢條件
            keyWord = GetKeyWordsSplitBySpace(keyWord, new PanGuTokenizer()); //建立QueryParser查詢解析器。用來對查詢語句進行語法分析。 //QueryParser調用parser進行語法分析，造成查詢語法樹，放到Query中。
            QueryParser msgQueryParser = new QueryParser(Lucene.Net.Util.Version.LUCENE_29, "Content", new PanGuAnalyzer(true)); Query msgQuery = msgQueryParser.Parse(keyWord); //TopScoreDocCollector:盛放查詢結果的容器 //numHits 獲取條數
            TopScoreDocCollector collector = TopScoreDocCollector.create(1000, true); //IndexSearcher調用search對查詢語法樹Query進行搜索，獲得結果TopScoreDocCollector。 // 使用query這個查詢條件進行搜索，搜索結果放入collector
            searcher.Search(msgQuery, null, collector); // 從查詢結果中取出第n條到第m條的數據
            ScoreDoc[] docs = collector.TopDocs(0, 1000).scoreDocs; stopwatch.Stop(); // 遍歷查詢結果
            List<ReturnModel> resultList = new List<ReturnModel>(); var pm = new Page<ReturnModel> { PageIndex = pageIndex, PageSize = pageSize, TotalRows = docs.Length }; pm.TotalPages = pm.TotalRows / pageSize; if (pm.TotalRows % pageSize != 0) pm.TotalPages++; for (int i = (pageIndex - 1) * pageSize; i < pageIndex * pageSize && i < docs.Length; i++) { var doc = searcher.Doc(docs[i].doc); var content = HighlightHelper.HighLight(keyWord, doc.Get("Content")); var result = new ReturnModel { Title = doc.Get("Title"), Content = content, Count = Regex.Matches(content, "<font").Count }; resultList.Add(result); } pm.LsList = resultList; var elapsedTime = stopwatch.ElapsedMilliseconds + "ms"; var list = new { list = pm, ms = elapsedTime }; return list; }

View Code

盤古分詞

/// <summary>
        /// 盤古分詞 /// </summary>
        /// <param name="words"></param>
        /// <returns></returns>
        public static object PanGu(string words) { Analyzer analyzer = new PanGuAnalyzer(); TokenStream tokenStream = analyzer.TokenStream("", new StringReader(words)); Lucene.Net.Analysis.Token token = null; var str = ""; while ((token = tokenStream.Next()) != null) { string word = token.TermText(); // token.TermText() 取得當前分詞
                str += word + " | "; } return str; }

View Code

搜索結果高亮顯示

/// <summary>
        /// 搜索結果高亮顯示 /// </summary>
        /// <param name="keyword"> 關鍵字 </param>
        /// <param name="content"> 搜索結果 </param>
        /// <returns> 高亮後結果 </returns>
        public static string HighLight(string keyword, string content) { // SimpleHTMLFormatter：這個類是一個HTML的格式類，構造函數有兩個，一個是開始標籤，一個是結束標籤。
            SimpleHTMLFormatter simpleHTMLFormatter =
                new SimpleHTMLFormatter("<font style=\"color:red;" +
                                        "font-family:'Cambria'\"><b>", "</b></font>"); // 建立 Highlighter ，輸入HTMLFormatter 和 盤古分詞對象Semgent
            Highlighter highlighter =
                new Highlighter(simpleHTMLFormatter, new Segment()); // 設置每一個摘要段的字符數
            highlighter.FragmentSize = int.MaxValue; // 獲取最匹配的摘要段
            var str = highlighter.GetBestFragment(keyword, content); return str; }

View Code

對關鍵字進行盤古分詞處理

/// <summary>
        /// 對關鍵字進行盤古分詞處理 /// </summary>
        /// <param name="keywords"></param>
        /// <param name="ktTokenizer"></param>
        /// <returns></returns>
        private static string GetKeyWordsSplitBySpace(string keywords, PanGuTokenizer ktTokenizer) { StringBuilder result = new StringBuilder(); ICollection<WordInfo> words = ktTokenizer.SegmentToWordInfos(keywords); foreach (WordInfo word in words) { if (word == null) { continue; } result.AppendFormat("{0}^{1}.0 ", word.Word, (int)Math.Pow(3, word.Rank)); } return result.ToString().Trim(); }

View Code

Github：https://github.com/tenghao6/Lucene-PanGu