盘古分词+一元/二元分词Lucene
程序员文章站
2022-06-28 10:36:56
本文参考自:https://blog.csdn.net/mss359681091/article/details/52078147 http://www.cnblogs.com/top5/archive/2011/08/18/2144030.html 本文所有需要用到的文件下载包含项目: Lucen ......
本文参考自:https://blog.csdn.net/mss359681091/article/details/52078147
http://www.cnblogs.com/top5/archive/2011/08/18/2144030.html
本文所有需要用到的文件下载包含项目:
1.一元分词 / 2.二元分词 / 3.盘古分词 / 4.中文分词 / 5.简单搜索
用vs2015创建Windows窗体应用程序,创建好项目时记得将其属性改为“控制台应用程序”,当然也可以是默认的,只是这样方便些。如下图
1.一元分词法
除此外,还需要引用’Lucene.Net.dll‘
1 /// <summary> 2 /// 一元分词法 3 /// </summary> 4 /// <param name="sender"></param> 5 /// <param name="e"></param> 6 private void button1_Click(object sender, EventArgs e) 7 { 8 Analyzer analyzer = new StandardAnalyzer(); // 标准分词 → 一元分词 9 TokenStream tokenStream = analyzer.TokenStream("", new StringReader("喝奶只喝纯牛奶,这是不可能的——黑夜中的萤火虫")); 10 Token token = null; 11 while ((token = tokenStream.Next()) != null) // 只要还有词,就不返回null 12 { 13 string word = token.TermText(); // token.TermText() 取得当前分词 14 Console.Write(word + " | "); 15 } 16 }
2.二元分词法
在刚才的基础上,再引用文件夹“Analyzers”中的两个.cs文件,如下图
/// <summary> /// 二元分词 /// </summary> /// <param name="sender"></param> /// <param name="e"></param> private void button2_Click(object sender, EventArgs e) { Analyzer analyzer = new CJKAnalyzer(); // 标准分词 → 一元分词 TokenStream tokenStream = analyzer.TokenStream("", new StringReader("喝奶只喝纯牛奶,这是不可能的——黑夜中的萤火虫")); Token token = null; while ((token = tokenStream.Next()) != null) // 只要还有词,就不返回null { string word = token.TermText(); // token.TermText() 取得当前分词 Console.Write(word + " | "); } }
3.盘古分词法
再引用以下两个配置文件
/// <summary> /// 盘古分词法 /// </summary> /// <param name="sender"></param> /// <param name="e"></param> private void button3_Click(object sender, EventArgs e) { Analyzer analyzer = new PanGuAnalyzer(); // 盘古分词 TokenStream tokenStream = analyzer.TokenStream("", new StringReader("喝奶只喝纯牛奶,这是不可能的——黑夜中的萤火虫")); Token token = null; while ((token = tokenStream.Next()) != null) // 只要还有词,就不返回null { string word = token.TermText(); // token.TermText() 取得当前分词 Console.Write(word + " | "); } }
如果不去更改,盘古词包中并不包含所需词汇,以下是运行效果图
而用‘DictManage.exe‘来打开项目中的Dict.dct文件,添加词汇,并加以保存。
下图是修改后的运行效果:
4.中文分词算法
1 private void button1_Click(object sender, EventArgs e) 2 { 3 StringBuilder sb = new StringBuilder(); 4 sb.Remove(0, sb.Length); 5 string t1 = ""; 6 int i = 0; 7 Analyzer analyzer = new Lucene.China.ChineseAnalyzer(); 8 StringReader sr = new StringReader(richTextBox1.Text); 9 TokenStream stream = analyzer.TokenStream(null, sr); 10 11 long begin = System.DateTime.Now.Ticks; 12 Token t = stream.Next(); 13 while (t != null) 14 { 15 t1 = t.ToString(); //显示格式: (关键词,0,2) ,需要处理 16 t1 = t1.Replace("(", ""); 17 char[] separator = { ',' }; 18 t1 = t1.Split(separator)[0]; 19 20 sb.Append(i + ":" + t1 + "\r\n"); 21 t = stream.Next(); 22 i++; 23 } 24 richTextBox2.Text = sb.ToString(); 25 long end = System.DateTime.Now.Ticks; //100毫微秒 26 int time = (int)((end - begin) / 10000); //ms 27 28 29 richTextBox2.Text += "耗时" + (time) + "ms \r\n=================================\r\n"; 30 }
5.简单搜索
创建web窗体SearchWords.aspx,如下图
<%@ Page Language="C#" AutoEventWireup="true" CodeBehind="SearchWords.aspx.cs" Inherits="PanGu_Search.Views.SearchWords" %> <!DOCTYPE html> <html xmlns="http://www.w3.org/1999/xhtml"> <head runat="server"> <meta http-equiv="Content-Type" content="text/html; charset=utf-8"/> <title>最简单的搜索引擎</title> <script> $(document).keydown(function (event) { if (event.keyCode == 13) { $("#btnGetSearchResult").click(); } }); </script> </head> <body> <form id="mainForm" runat="server"> <div align="center"> <asp:Button ID="btnCreateIndex" runat="server" Text="Create Index" OnClick="btnCreateIndex_Click" /> <asp:Label ID="lblIndexStatus" runat="server" Visible="false" /> <hr /> <asp:TextBox ID="txtKeyWords" runat="server" Text="" Width="250"></asp:TextBox> <asp:Button ID="btnGetSearchResult" runat="server" Text="Search" OnClick="btnGetSearchResult_Click" /> <hr /> </div> <div> <ul> <asp:Repeater ID="rptSearchResult" runat="server"> <ItemTemplate> <li>Id:<%#Eval("Id") %><br /><%#Eval("Msg") %></li> </ItemTemplate> </asp:Repeater> </ul> </div> </form> </body> </html>
/// <summary> /// 创建索引方法 /// </summary> /// <param name="sender"></param> /// <param name="e"></param> protected void btnCreateIndex_Click(object sender, EventArgs e) { string indexPath = Context.Server.MapPath("~/Index"); // 索引文档保存位置 FSDirectory directory = FSDirectory.Open(new DirectoryInfo(indexPath), new NativeFSLockFactory()); bool isUpdate = IndexReader.IndexExists(directory); //判断索引库是否存在 if (isUpdate) { // 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 // Lucene.Net在写索引库之前会自动加锁,在close的时候会自动解锁 // 不能多线程执行,只能处理意外被永远锁定的情况 if (IndexWriter.IsLocked(directory)) { IndexWriter.Unlock(directory); //unlock:强制解锁,待优化 } } // 创建向索引库写操作对象 IndexWriter(索引目录,指定使用盘古分词进行切词,最大写入长度限制) // 补充:使用IndexWriter打开directory时会自动对索引库文件上锁 IndexWriter writer = new IndexWriter(directory, new PanGuAnalyzer(), !isUpdate, IndexWriter.MaxFieldLength.UNLIMITED); for (int i = 1; i < 3; i++) { string txt = File.ReadAllText(Context.Server.MapPath("~/Upload/Articles/") + i + ".txt"); // 一条Document相当于一条记录 Document document = new Document(); // 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 // Field.Store.YES不仅要对文章进行分词记录,也要保存原文,就不用去数据库里查一次了 document.Add(new Field("id", i.ToString(), Field.Store.YES, Field.Index.NOT_ANALYZED)); // 需要进行全文检索的字段加 Field.Index. ANALYZED // Field.Index.ANALYZED:指定文章内容按照分词后结果保存,否则无法实现后续的模糊查询 // WITH_POSITIONS_OFFSETS:指示不仅保存分割后的词,还保存词之间的距离 document.Add(new Field("msg", txt, Field.Store.YES, Field.Index.ANALYZED, Field.TermVector.WITH_POSITIONS_OFFSETS)); // 防止重复索引,如果不存在则删除0条 writer.DeleteDocuments(new Term("id", i.ToString()));// 防止已存在的数据 => delete from t where id=i // 把文档写入索引库 writer.AddDocument(document); Console.WriteLine("索引{0}创建完毕", i.ToString()); } writer.Close(); // Close后自动对索引库文件解锁 directory.Close(); // 不要忘了Close,否则索引结果搜不到 lblIndexStatus.Text = "索引文件创建成功!"; lblIndexStatus.Visible = true; btnCreateIndex.Enabled = false; }
/// <summary> /// 搜索方法 /// </summary> /// <param name="sender"></param> /// <param name="e"></param> protected void btnGetSearchResult_Click(object sender, EventArgs e) { string keyword = txtKeyWords.Text; string indexPath = Context.Server.MapPath("~/Index"); // 索引文档保存位置 FSDirectory directory = FSDirectory.Open(new DirectoryInfo(indexPath), new NoLockFactory()); IndexReader reader = IndexReader.Open(directory, true); IndexSearcher searcher = new IndexSearcher(reader); // 查询条件 PhraseQuery query = new PhraseQuery(); // 等同于 where contains("msg",kw) query.Add(new Term("msg", keyword)); // 两个词的距离大于100(经验值)就不放入搜索结果,因为距离太远相关度就不高了 query.SetSlop(100); // TopScoreDocCollector:盛放查询结果的容器 TopScoreDocCollector collector = TopScoreDocCollector.create(1000, true); // 使用query这个查询条件进行搜索,搜索结果放入collector searcher.Search(query, null, collector); // 从查询结果中取出第m条到第n条的数据 // collector.GetTotalHits()表示总的结果条数 ScoreDoc[] docs = collector.TopDocs(0, collector.GetTotalHits()).scoreDocs; // 遍历查询结果 IList<SearchResult> resultList = new List<SearchResult>(); for (int i = 0; i < docs.Length; i++) { // 拿到文档的id,因为Document可能非常占内存(DataSet和DataReader的区别) int docId = docs[i].doc; // 所以查询结果中只有id,具体内容需要二次查询 // 根据id查询内容:放进去的是Document,查出来的还是Document Document doc = searcher.Doc(docId); SearchResult result = new SearchResult(); result.Id = Convert.ToInt32(doc.Get("id")); result.Msg = HighlightHelper.HighLight(keyword, doc.Get("msg")); resultList.Add(result); } // 绑定到Repeater rptSearchResult.DataSource = resultList; rptSearchResult.DataBind(); }
protected void Page_Load(object sender, EventArgs e) { if (!IsPostBack) { // 检查是否已存在生成的索引文件 CheckIndexData(); } } /// <summary> /// 检查索引是否创建成功 /// </summary> private void CheckIndexData() { string indexPath = Context.Server.MapPath("~/Index"); // 索引文档保存位置 var files = System.IO.Directory.GetFiles(indexPath); if (files.Length > 0) { btnCreateIndex.Visible = false; lblIndexStatus.Text = "简单搜索"; lblIndexStatus.Visible = true; } }
运行效果如图:
上一篇: 优化Google AdSense展示,提高网站收入
下一篇: 网站优化及营销推广该怎么做