Lucene.net和PanGu分词实现全文检索
Lucene.net(4.8.0) 学习问题记录五: JIEba分词和Lucene的结合，以及对分词器的思考
前言：目前自己在做使用Lucene.net和PanGu分词实现全文检索的工作，不过自己是把别人做好的项目进行迁移。因为项目整体要迁移到ASP.NET Core 2.0版本,而Lucene使用的版本是3.6.0 ，PanGu分词也是对应Lucene3.6.0版本的。不过好在Lucene.net 已经有了Core 2.0版本（4.8.0 bate版），而PanGu分词，目前有人正在做，貌似已经做完，只是还没有测试~，Lucene升级的改变我都会加粗表示。
Lucene.net 4.8.0
https://github.com/apache/lucenenet
PanGu分词
https://github.com/LonghronShen/Lucene.Net.Analysis.PanGu/tree/netcore2.0
Lucene.net 4.8.0 和之前的Lucene.net 3.6.0 改动还是相当多的，这里对自己开发过程遇到的问题，做一个记录吧，希望可以帮到和我一样需要升级Lucene.net的人。我也是第一次接触Lucene ,也希望可以帮助初学Lucene的同学。
目录
- Lucene.net(4.8.0) 学习问题记录一:分词器Analyzer的构造和内部成员ReuseStategy
- Lucene.net(4.8.0) 学习问题记录二: 分词器Analyzer中的TokenStream和AttributeSource
- Lucene.net(4.8.0) 学习问题记录三: 索引的创建 IndexWriter 和索引速度的优化
- Lucene.net(4.8.0) 学习问题记录四: IndexWriter 索引的优化以及思考
一，PanGu分词与JIEba分词
1.中文分词工具
Lucene的自带分词工具对中文分词的效果很是不好。因此在做中文的搜索引擎的时候，我们需要用额外的中文分词组件。这里可以总结一下中文分词工具有哪些，在下面这个衔接中，有对很多中文分词工具的性能测试：
https://github.com/ysc/cws_evaluation
可惜我们看不到PanGu分词的性能，在PanGu分词的官网我们可以看到：Core Duo 1.8 GHz 下单线程 分词速度为 390K 字符每秒，2线程分词速度为 690K 字符每秒。 在上面的排行榜中属于中等吧。但由于我做的是基于.net的搜索引擎，所以我只找到了IK分词器，PanGu分词器，JIEba分词器的.net core2.0 版本。
1.1 PanGu分词 .net core 版
这是PanGu分词.net core 2.0版本的迁移项目：
https://github.com/LonghronShen/Lucene.Net.Analysis.PanGu/tree/netcore2.0
这是一个没有迁移完全的项目，在使用过程中遇到了一些问题，前面的目录中记录过。我修改了一些bug,下面的是修改过后的可以直接使用的PanGu分词.net core2.0版本：
https://github.com/SilentCC/Lucene.Net.Analysis.PanGu/tree/netcore2.0
我提交了一个Pull Request ,作者还没有合并。我已经用了一段时间，很稳定。
1.2 JIEba分词 .net core 版
JIEba分词的.net core 版本迁移项目：
https://github.com/linezero/jieba.NET
但是这是.net core1.0的版本，拿过来也不能直接给Lucene使用，所以我升级到了2.0并且做了一个接口，让其支持Lucene，经过测试可以稳定的进行分词和高亮。当然在其中也遇到了一些问题，在下文中会详细阐述。这是改过之后的Lucene版:
https://github.com/SilentCC/JIEba-netcore2.0
1.3 IK分词 .net core 版
在Nuget中可以搜索到（IKNetAnalyzer）
在GitHub中 https://github.com/stanzhai/IKAnalyzer.NET 显示正在开发中。由于一些原因，我并没有使用IK分词。所以也就没有细看了。
2.PanGu分词和JIEba分词的对比
Lucene和PanGu分词搭配，已经是Lucene.net 的经典搭配，但是PanGu分词已经很久没有更新，PanGu分词的字典也是很久以前维护的字典。在网上可以找到很多Lucene和PanGu分词搭配的例子。在PanGu分词和JIEba分词对比中，我选择了JIEba分词。因为我的搜索引擎一直是使用PanGu分词，然后却时常出现有些比较新的冷的词，无法被分词，导致搜索效果很差。究其原因，是PanGu分词的字典不够大，但是人工维护字典很烦。当然PanGu分词有新词录入的功能，我一直打开这个功能的开关：
|
1
2
|
MatchOptions m = new MatchOptions();m.UnknownWordIdentify = true; |
然而并没有改善。后来我使用了JIEba分词测试分词效果，发现JIEba分词使用搜索引擎模式，和PanGu分词打开多元分词功能开关时的分词效果如下：
|
1
2
3
4
5
|
测试样例：小明硕士毕业于中国科学院计算所，后在日本京都大学深造结巴分词（搜索引擎模式）：小明/ 硕士/ 毕业/ 于/ 中国/ 科学/ 学院/ 科学院/ 中国科学院/ 计算/ 计算所/ ，/ 后/ 在/ 日本/ 京都/ 大学/ 日本京都大学/ 深造盘古分词（开启多元分词开关）： 小 明 硕士 毕业 于 中国科学院 计算所 后 在 日本 京都 大学 深造 |
显然PanGu分词并没有细粒度分词，这是导致有些搜索召回率很低的原因。
这里就不对PanGu分词，和JIEba分词的具体分词方法进行比较了。本篇博文的还是主要讲解Lucene和JIEba分词
二，JIEba分词支持Lucene
在上面的JIEba分词.net core版本中，JIEba分词只是将给到的一个字符串进行分词，然后反馈给你分词信息，分词信息也只是一个一个字符串。显然这是无法接入到Lucene中。那么如何把一个分词工具成功的接入到Lucene中呢？
1.建立Analyzer类
所有要接入Lucene中的分词工具，都要有一个继承Lucene.Net.Analyzer的类，在这个类：JIEbaAnalyzer中，必须要覆写TokenStreamComponents函数，因为Lucene正是通过这个函数获取分词器分词之后的TokenStream（一些列分词信息的集合）我们可以在这个函数中给tokenStream中注入我们想要得到的属性，在Lucene.net 4.8.0中分词的概念已经是一些列分词属性的组合
public class JieBaAnalyzer
:Analyzer
{
public TokenizerMode mode;
public JieBaAnalyzer(TokenizerMode Mode)
:base()
{
this.mode = Mode;
}
protected override TokenStreamComponents CreateComponents(string filedName,TextReader reader)
{
var tokenizer = new JieBaTokenizer(reader,mode);
var tokenstream = (TokenStream)new LowerCaseFilter(Lucene.Net.Util.LuceneVersion.LUCENE_48, tokenizer);
tokenstream.AddAttribute<ICharTermAttribute>();
tokenstream.AddAttribute<IOffsetAttribute>();
return new TokenStreamComponents(tokenizer, tokenstream);
}
}
}
这里可以看到，我只使用了ICharTermAttribute 和IOffsetAttribute 也就是分词的内容属性和位置属性。这里的Mode要提一下，这是JIEba分词的特性，JIEba分词提供了三种模式：
- 精确模式，试图将句子最精确地切开，适合文本分析；
- 全模式，把句子中所有的可以成词的词语都扫描出来, 速度非常快，但是不能解决歧义；
- 搜索引擎模式，在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。
这里的Model只有Default和Search两种，一般的，写入索引的时候使用Search模式，查询的时候使用Default模式
上面的JieBaTokenizer类正是我们接下来要定义的类
1.建立Tokenizer类
继承Lucene.Net.Tokenizer 。Tokenizer 是正真将大串文本分成一系列分词的类，在Tokenizer类中，我们必须要覆写 Reset()函数，IncrementToken（）函数，上面的Analyzer类中：
var tokenstream = (TokenStream)new LowerCaseFilter(Lucene.Net.Util.LuceneVersion.LUCENE_48, tokenizer);
tokenizer是生产tokenstream。实际上Reset()函数是将文本进行分词，IncrementToken（）是遍历分词的信息，然后将分词的信息注入的tokenstream,这样就得到我们想要的分词流。在Tokenizer类中我们调用JIEba分词的Segment实例，对文本进行分词。再将获得分词包装，遍历。
public class JieBaTokenizer
: Tokenizer
{
private static object _LockObj = new object();
private static bool _Inited = false;
private System.Collections.Generic.List<JiebaNet.Segmenter.Token> _WordList = new List<JiebaNet.Segmenter.Token>();
private string _InputText;
private bool _OriginalResult = false;
private ICharTermAttribute termAtt;
private IOffsetAttribute offsetAtt;
private IPositionIncrementAttribute posIncrAtt;
private ITypeAttribute typeAtt;
private List<string> stopWords = new List<string>();
private string stopUrl="./stopwords.txt";
private JiebaSegmenter segmenter;
private System.Collections.Generic.IEnumerator<JiebaNet.Segmenter.Token> iter;
private int start =0;
private TokenizerMode mode;
public JieBaTokenizer(TextReader input,TokenizerMode Mode)
:base(AttributeFactory.DEFAULT_ATTRIBUTE_FACTORY,input)
{
segmenter = new JiebaSegmenter();
mode = Mode;
StreamReader rd = File.OpenText(stopUrl);
string s = "";
while((s=rd.ReadLine())!=null)
{
stopWords.Add(s);
}
Init();
}
private void Init()
{
termAtt = AddAttribute<ICharTermAttribute>();
offsetAtt = AddAttribute<IOffsetAttribute>();
posIncrAtt = AddAttribute<IPositionIncrementAttribute>();
typeAtt = AddAttribute<ITypeAttribute>();
}
private string ReadToEnd(TextReader input)
{
return input.ReadToEnd();
}
public sealed override Boolean IncrementToken()
{
ClearAttributes();
Lucene.Net.Analysis.Token word = Next();
if(word!=null)
{
var buffer = word.ToString();
termAtt.SetEmpty().Append(buffer);
offsetAtt.SetOffset(CorrectOffset(word.StartOffset),CorrectOffset(word.EndOffset));
typeAtt.Type = word.Type;
return true;
}
End();
this.Dispose();
return false;
}
public Lucene.Net.Analysis.Token Next()
{
int length = 0;
bool res = iter.MoveNext();
Lucene.Net.Analysis.Token token;
if (res)
{
JiebaNet.Segmenter.Token word = iter.Current;
token = new Lucene.Net.Analysis.Token(word.Word, word.StartIndex,word.EndIndex);
// Console.WriteLine("xxxxxxxxxxxxxxxx分词："+word.Word+"xxxxxxxxxxx起始位置："+word.StartIndex+"xxxxxxxxxx结束位置"+word.EndIndex);
start += length;
return token;
}
else
return null;
}
public override void Reset()
{
base.Reset();
_InputText = ReadToEnd(base.m_input);
RemoveStopWords(segmenter.Tokenize(_InputText,mode));
start = 0;
iter = _WordList.GetEnumerator();
}
public void RemoveStopWords(System.Collections.Generic.IEnumerable<JiebaNet.Segmenter.Token> words)
{
_WordList.Clear();
foreach(var x in words)
{
if(stopWords.IndexOf(x.Word)==-1)
{
_WordList.Add(x);
}
}
}
}
一开始我写的Tokenizer类并不是这样，因为遇到了一些问题，才逐渐改成上面的样子，下面就说下自己遇到的问题。
3.问题和改进
3.1 JIEba CutForSearch
一开始在Reset函数中，我使用的是JIEba分词介绍的CutForSearch函数，CutForSearch的到是List<String> ,所以位置属性OffsetAttribute得我自己来写：
public Lucene.Net.Analysis.Token Next()
{
int length = 0;
bool res = iter.MoveNext();
Lucene.Net.Analysis.Token token;
if (res)
{
JiebaNet.Segmenter.Token word = iter.Current;
token = new Lucene.Net.Analysis.Token(word.Word, word.StartIndex,word.EndIndex);
start += length;
return token;
}
else
return null;
}
自己定义了start,根据每个分词的长度，很容易算出来每个分词的位置。但是我忘了CutForSearch是一个细粒度模式，会有“中国模式”，“中国”，“模式”同时存在，这样的写法就是错的了，如果是Cut就对了。分词的位置信息错误，带来的就是高亮的错误，因为高亮需要知道分词的正确的起始和结束位置。具体的错误就是：
at System.String.Substring(Int32 startIndex, Int32 length) at Lucene.Net.Search.VectorHighlight.BaseFragmentsBuilder.MakeFragment(StringBuilder buffer, Int32[] index, Field[] values, WeightedFragInfo fragInfo, String[] preTags, String[] postTags, IEncoder encoder) in C:BuildAgentwork1b63ca15b99dddbsrcLucene.Net.HighlighterVectorHighlightBaseFragmentsBuilder.cs:line 195 at Lucene.Net.Search.VectorHighlight.BaseFragmentsBuilder.CreateFragments(IndexReader reader, Int32 docId, String fieldName, FieldFragList fieldFragList, Int32 maxNumFragments, String[] preTags, String[] postTags, IEncoder encoder) in C:BuildAgentwork1b63ca15b99dddbsrcLucene.Net.HighlighterVectorHighlightBaseFragmentsBuilder.cs:line 146 at Lucene.Net.Search.VectorHighlight.BaseFragmentsBuilder.CreateFragments(IndexReader reader, Int32 docId, String fieldName, FieldFragList fieldFragList, Int32 maxNumFragments) in C:BuildAgentwork1b63ca15b99dddbsrcLucene.Net.HighlighterVectorHighlightBaseFragmentsBuilder.cs:line 99
当你使用Lucene的时候出现这样的错误，大多数都是你的分词位置属性出错。
后来才发现JIEba分词提供了 Tokenize（）函数，专门提供了分词以及分词的位置信息，我很欣慰的用了Tokenize（）函数，结果还是报错，一样的报错，当我尝试着加上CorrectOffset()函数的时候：
offsetAtt.SetOffset(CorrectOffset(word.StartOffset),CorrectOffset(word.EndOffset));
虽然不报错了，但是高亮的效果总是有偏差，总而言之换了Tokenize函数，使用CorrectOffset函数，都无法使分词的位置信息变准确。于是查看JIEba分词的源码。
Tokenize函数：
public IEnumerable<Token> Tokenize(string text, TokenizerMode mode = TokenizerMode.Default, bool hmm = true)
{
var result = new List<Token>();
var start = 0;
if (mode == TokenizerMode.Default)
{
foreach (var w in Cut(text, hmm: hmm))
{
var width = w.Length;
result.Add(new Token(w, start, start + width));
start += width;
}
}
else
{
foreach (var w in Cut(text, hmm: hmm))
{
var width = w.Length;
if (width > 2)
{
for (var i = 0; i < width - 1; i++)
{
var gram2 = w.Substring(i, 2);
if (WordDict.ContainsWord(gram2))
{
result.Add(new Token(gram2, start + i, start + i + 2));
}
}
}
if (width > 3)
{
for (var i = 0; i < width - 2; i++)
{
var gram3 = w.Substring(i, 3);
if (WordDict.ContainsWord(gram3))
{
result.Add(new Token(gram3, start + i, start + i + 3));
}
}
}
result.Add(new Token(w, start, start + width));
start += width;
}
}
return result;
}
Cut函数：
public IEnumerable<string> Cut(string text, bool cutAll = false, bool hmm = true)
{
var reHan = RegexChineseDefault;
var reSkip = RegexSkipDefault;
Func<string, IEnumerable<string>> cutMethod = null;
if (cutAll)
{
reHan = RegexChineseCutAll;
reSkip = RegexSkipCutAll;
}
if (cutAll)
{
cutMethod = CutAll;
}
else if (hmm)
{
cutMethod = CutDag;
}
else
{
cutMethod = CutDagWithoutHmm;
}
return CutIt(text, cutMethod, reHan, reSkip, cutAll);
}
终于找到了关键的函数：CutIt
internal IEnumerable<string> CutIt(string text, Func<string, IEnumerable<string>> cutMethod,
Regex reHan, Regex reSkip, bool cutAll)
{
var result = new List<string>();
var blocks = reHan.Split(text);
foreach (var blk in blocks)
{
if (string.IsNullOrWhiteSpace(blk))
{
continue;
}
if (reHan.IsMatch(blk))
{
foreach (var word in cutMethod(blk))
{
result.Add(word);
}
}
else
{
var tmp = reSkip.Split(blk);
foreach (var x in tmp)
{
if (reSkip.IsMatch(x))
{
result.Add(x);
}
else if (!cutAll)
{
foreach (var ch in x)
{
result.Add(ch.ToString());
}
}
else
{
result.Add(x);
}
}
}
}
return result;
}
在CutIt函数中JieBa分词都把空格省去，这样在Tokenize函数中使用start=0 start+=word.Length 显示不能得到正确的原始文本中的位置。
if (string.IsNullOrWhiteSpace(blk))
{
continue;
}
JIEba分词也没有考虑到会使用Lucene的高亮，越是只能自己改写了CutIt函数和Tokenize函数：
在CutIt函数中，返回的值不在是一个string，而是一个包含string,startPosition的类，这样在Tokenize中就很准确的得到每个分词的位置属性了。
internal IEnumerable<WordInfo> CutIt2(string text, Func<string, IEnumerable<string>> cutMethod,
Regex reHan, Regex reSkip, bool cutAll)
{
//Console.WriteLine("*********************************我开始分词了*******************");
var result = new List<WordInfo>();
var blocks = reHan.Split(text);
var start = 0;
foreach(var blk in blocks)
{
//Console.WriteLine("?????????????当前的串："+blk);
if(string.IsNullOrWhiteSpace(blk))
{
start += blk.Length;
continue;
}
if(reHan.IsMatch(blk))
{
foreach(var word in cutMethod(blk))
{
//Console.WriteLine("？？？？？blk 分词：" + word + "????????初始位置：" + start);
result.Add(new WordInfo(word,start));
start += word.Length;
}
}
else
{
var tmp = reSkip.Split(blk);
foreach(var x in tmp)
{
if(reSkip.IsMatch(x))
{
//Console.WriteLine("？？？？？ x reSkip 分词：" + x + "????????初始位置：" + start);
result.Add(new WordInfo(x,start));
start += x.Length;
}
else if(!cutAll)
{
foreach(var ch in x)
{
//Console.WriteLine("？？？？？ch 分词：" + ch + "????????初始位置：" + start);
result.Add(new WordInfo(ch.ToString(),start));
start += ch.ToString().Length;
}
}
else{
//Console.WriteLine("？？？？？x 分词：" + x + "????????初始位置：" + start);
result.Add(new WordInfo(x,start));
start += x.Length;
}
}
}
}
return result;
}
public IEnumerable<Token> Tokenize(string text, TokenizerMode mode = TokenizerMode.Default, bool hmm = true)
{
var result = new List<Token>();
if (mode == TokenizerMode.Default)
{
foreach (var w in Cut2(text, hmm: hmm))
{
var width = w.value.Length;
result.Add(new Token(w.value, w.position, w.position + width));
}
}
else
{
var xx = Cut2(text, hmm: hmm);
foreach (var w in Cut2(text, hmm: hmm))
{
var width = w.value.Length;
if (width > 2)
{
for (var i = 0; i < width - 1; i++)
{
var gram2 = w.value.Substring(i, 2);
if (WordDict.ContainsWord(gram2))
{
result.Add(new Token(gram2, w.position + i, w.position + i + 2));
}
}
}
if (width > 3)
{
for (var i = 0; i < width - 2; i++)
{
var gram3 = w.value.Substring(i, 3);
if (WordDict.ContainsWord(gram3))
{
result.Add(new Token(gram3, w.position + i, w.position + i + 3));
}
}
}
result.Add(new Token(w.value, w.position, w.position + width));
}
}
return result;
}
public class WordInfo
{
public WordInfo(string value,int position)
{
this.value = value;
this.position = position;
}
//分词的内容
public string value { get; set; }
//分词的初始位置
public int position { get; set; }
}
这样的话，终于可以正确的进行高亮了，果然搜索效果要比PanGu分词好很多。
4.停用词
是用JIEba的停用词的方法，是把停用词的文件里的内容读取出来，然后在Reset（）函数里把停用词都过滤掉：
StreamReader rd = File.OpenText(stopUrl);
string s = "";
while((s=rd.ReadLine())!=null)
{
stopWords.Add(s);
}
public override void Reset()
{
base.Reset();
_InputText = ReadToEnd(base.m_input);
RemoveStopWords(segmenter.Tokenize(_InputText,mode));
start = 0;
iter = _WordList.GetEnumerator();
}
public void RemoveStopWords(System.Collections.Generic.IEnumerable<JiebaNet.Segmenter.Token> words)
{
_WordList.Clear();
foreach(var x in words)
{
if(stopWords.IndexOf(x.Word)==-1)
{
_WordList.Add(x);
}
}
}
5.索引速度
使用JIEba分词之后，虽然效果很好，但是写索引的速度很慢，考虑到时细粒度分词，相比以前一篇文章多出来很多分词，所以索引速度慢了8倍左右，但是感觉这并不正常，前面的开源代码测试结果中，CutForSearch很快的，应该是自己的代码哪里出了问题。
三，Lucene的高亮
这里再对Lucene的高亮的总结一下，Lucene提供了两种高亮模式，一种是普通高亮，一种是快速高亮。
1.普通高亮
普通高亮的原理，就是将搜索之后得到的文档，使用分词器再进行分词，得到的TokenStream，再进行高亮：
SimpleHTMLFormatter simpleHtmlFormatter = new SimpleHTMLFormatter("<span style='color:red;'>", "</span>");
Lucene.Net.Search.Highlight.Highlighter highlighter = new Lucene.Net.Search.Highlight.Highlighter(simpleHtmlFormatter, new QueryScorer(query));
highlighter.TextFragmenter = new SimpleFragmenter(150);
Analyzer analyzer = new JieBaAnalyzer(TokenizerMode.Search);
TokenStream tokenStream = analyzer.GetTokenStream("Content", new StringReader(doc.Get("Content")));
var frags = highlighter.GetBestFragments(tokenStream, doc.Get(fieldName), 200);
2.快速高亮
之所很快速，是因为高亮是直接根据索引储存的信息进行高亮，前面已经说过我们索引需要储存分词的位置信息，这个就是为高亮服务的，所以速度很快，当然带来的后果是你的索引文件会比较大，因为储存了位置信息。
FastVectorHighlighter fhl = new FastVectorHighlighter(false, false, simpleFragListBuilder, scoreOrderFragmentsBuilder);
FieldQuery fieldQuery = fhl.GetFieldQuery(query,_indexReader);
highLightSetting.MaxFragNum.GetValueOrDefault(MaxFragNumDefaultValue);
var frags = fhl.GetBestFragments(fieldQuery, _indexReader, docid, fieldName, fragSize, maxFragNum);
快速高亮的关键源代码：
protected virtual string MakeFragment(StringBuilder buffer, int[] index, Field[] values, WeightedFragInfo fragInfo,
string[] preTags, string[] postTags, IEncoder encoder)
{
StringBuilder fragment = new StringBuilder();
int s = fragInfo.StartOffset;
int[] modifiedStartOffset = { s };
string src = GetFragmentSourceMSO(buffer, index, values, s, fragInfo.EndOffset, modifiedStartOffset);
int srcIndex = 0;
foreach (SubInfo subInfo in fragInfo.SubInfos)
{
foreach (Toffs to in subInfo.TermsOffsets)
{
fragment
.Append(encoder.EncodeText(src.Substring(srcIndex, (to.StartOffset - modifiedStartOffset[0]) - srcIndex)))
.Append(GetPreTag(preTags, subInfo.Seqnum))
.Append(encoder.EncodeText(src.Substring(to.StartOffset - modifiedStartOffset[0], (to.EndOffset - modifiedStartOffset[0]) - (to.StartOffset - modifiedStartOffset[0]))))
.Append(GetPostTag(postTags, subInfo.Seqnum));
srcIndex = to.EndOffset - modifiedStartOffset[0];
}
}
fragment.Append(encoder.EncodeText(src.Substring(srcIndex)));
return fragment.ToString();
}
fragInfo储存了所有需要高亮的关键字和位置信息，src则是原始文本，而之前报的错误正是这里引起的错误，由于位置信息有误src.Substring就会报错。
四，结语
.net core2.0版的中文分词确实不多，相比较之下，java,c++,的分词工具有很多，或许可以用c++的速度快的特点，做一个单独分词服务，效果是不是会更好。