jieba.NET与Lucene.Net的集成

2022-11-24 10:32:06

首先声明：我对Lucene.Net并不熟悉，但搜索确实是分词的一个重要应用，所以这里还是尝试将两者集成起来，也许对你有一参考。

看到了两个中文分词与Lucene.Net的集成项目：Lucene.Net.Analysis.PanGu和Lucene.Net.Analysis.MMSeg，参考其中的代码实现了最简单的集成：jiebaForLuceneNet。下面给出简单的介绍。

1、JiebaTokenizer

主要的集成点是自定义一个Tokenizer的子类，此时必须要实现它的抽象方法IncrementToken，该方法用于对文本流中的文本生成的token进行遍历，这正是分词组件发挥作用的地方。

public override bool IncrementToken()

{

    ClearAttributes();

    position++;

    if (position < tokens.Count)

    {

        var token = tokens[position];

        termAtt.SetTermBuffer(token.Word);

        offsetAtt.SetOffset(token.StartIndex, token.EndIndex);

        typeAtt.Type = "Jieba";

        return true;

    }

    End();

    return false;

}

termAtt和offsetAtt所在的两行代码需要用到每一个token的词本身、起始索引和终止索引，而这三个值恰好是JiebaSegmenter.Tokenize方法所实现的，所以只要在初始化JiebaTokenizer时使用：

tokens = segmenter.Tokenize(text, TokenizerMode.Search).ToList();

就可以得到所有分词所得的token，另外TokenizerMode.Search参数使得Tokenize方法的结果中包含更全面的分词结果，比如“语言学家”会得到四个token，即“[语言, (0, 2)], [学家, (2, 4)], [语言学, (0, 3)], [语言学家, (0, 4)]”，这在创建索引和搜索时都很有帮助。

2、JiebaAnalyzer

Tokenizer类实现分词，而添加索引和搜索需要的是Analyzer，JiebaAnalyzer只要调用JiebaTokenizer即可。

public override TokenStream TokenStream(string fieldName, TextReader reader)

{

    var seg = new JiebaSegmenter();

    TokenStream result = new JiebaTokenizer(seg, reader);

    // This filter is necessary, because the parser converts the queries to lower case.

    result = new LowerCaseFilter(result);

    result = new StopFilter(true, result, StopWords);

    return result;

}

除了JiebaTokenizer，JiebaAnalyzer还会用到LowerCaseFilter和StopFilter。前者可将索引和搜索的内容正则化，忽略大小写，后者则过滤掉停用词。这里使用的停用词列表合并了NLTK的英文停用词和哈工大的中文停用词。

3、创建索引和搜索

创建索引时，IndexWriter要使用JiebaAnalyzer的实例：

var analyzer = new JiebaAnalyzer();

using (var writer = new IndexWriter(Directory, analyzer, IndexWriter.MaxFieldLength.UNLIMITED))

{

    // replaces older entry if any

    foreach (var sd in data)

    {

        AddToLuceneIndex(sd, writer);

    }

    analyzer.Close();

}

搜索的时候，先将用户的输入分词：

private static string GetKeyWordsSplitBySpace(string keywords, JiebaTokenizer tokenizer)

{

    var result = new StringBuilder();

    var words = tokenizer.Tokenize(keywords);

    foreach (var word in words)

    {

        if (string.IsNullOrWhiteSpace(word.Word))

        {

            continue;

        }

        result.AppendFormat("{0} ", word.Word);

    }

    return result.ToString().Trim();

}

比如如果用户输入的是“语言学家”，那么该函数的返回值是“语言学家语言学语言学家”，为后面的搜索做好准备（另外，我们还可以为每个词加上一个*，这样只要部分匹配就可以搜到结果）。最后的搜索实现是：

private static IEnumerable<News> SearchQuery(string searchQuery, string searchField = "")

{

    if (string.IsNullOrEmpty(searchQuery.Replace("*", "").Replace("?", "")))

    {

        return new List<News>();

    }

    using (var searcher = new IndexSearcher(Directory, false))

    {

        var hitsLimit = ;

        //var analyzer = new StandardAnalyzer(Version.LUCENE_30);

        var analyzer = GetAnalyzer();

        if (!string.IsNullOrEmpty(searchField))

        {

            var parser = new QueryParser(Version.LUCENE_30, searchField, analyzer);

            var query = ParseQuery(searchQuery, parser);

            var hits = searcher.Search(query, hitsLimit).ScoreDocs;

            var results = MapLuceneToDataList(hits, searcher);

            analyzer.Dispose();

            return results;

        }

        else

        {

            var parser = new MultiFieldQueryParser(Version.LUCENE_30, new[] { "Id", "Title", "Content" }, 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;

        }

    }

}