Lucene.Net:使用eaglet的盘古分词进行分词和搜索（转载）

本文主要简单介绍如何使用eaglet的盘古分词在lucene.net中进行创建索引和简单搜索。盘古分词是eaglet大大的杰作，如果您还没有尝试使用过，希望本文的介绍会对您有所帮助。

1、盘古分词参考资料汇总

http://www.cnblogs.com/eaglet/tag/%e5%88%86%e8%af%8d/

http://pangusegment.codeplex.com/

http://hubbledotnet.51aspx.com/

http://home.cnblogs.com/group/topic/31349-6.html

牛人的贡献不仅仅是无私提供几个工具，几个类库，几个开源项目，还有他们的博学，对知识理解的深度，以及谦虚低调的态度。大牛的人格魅力往往都是很吸引人的。向eaglet致敬。

2、使用盘古分词器（PanGuAnalyzer）准备工作

（1）、PanGu.xml文件

这个文件主要保存盘古分词的常用配置，其中DictionaryPath 指明字典所在目录，可以为相对路径也可以为绝对路径；MatchOptions 对应分词选项；Parameters 对于分词参数。本文示例demo中，我选择的是默认配置。同时在该xml文件的属性上，把它的生成操作设置成“嵌入的资源”。

（2）、如你所知，分词词库的维护也是盘古分词的一大重要工作。本文QueryApp控制台应用程序的bin目录下的Dictionaries是从codeplex上下载下来的（默认放在应用程序bin目录下）。这和（1）中的PanGu.xml的DictionaryPath 配置节点有关。

（3）、应用程序中（本文即QueryApp控制台应用程序）必须同时引用Lucene.Net.dll，PanGu.dll和PanGu.Lucene.Analyzer.dll。

3、创建索引

Lucene.Net的IndexWriter在实例化的时候，需要一个Analyzer实例，使用盘古分词进行索引创建很简单，只要将PanGuAnalyzer实例传入IndexWriter构造函数，按步就班构造索引即可：

view sourceprint?

01	public static void PrepareIndex(bool isPangu)

02

{

03	Analyzer analyzer = null;

04	if (isPangu)

05

{

06	analyzer = new PanGuAnalyzer();//盘古Analyzer

07

}

08

else

09

{

10	analyzer = new StandardAnalyzer(Version.LUCENE_29);

11

}

12	DirectoryInfo dirInfo = Directory.CreateDirectory(Config.INDEX_STORE_PATH);

13	LuceneIO.Directory directory = LuceneIO.FSDirectory.Open(dirInfo);

14	IndexWriter writer = new IndexWriter(directory, analyzer, true, IndexWriter.MaxFieldLength.LIMITED);

15	CreateIndex(writer, "jeffreyzhao", "博客园有一个老赵，人格魅力巨大，洋名就叫jeffreyzhao。据我所知，他还是一个胖子，一个钢琴业余爱好者。");

16	CreateIndex(writer, "lucene测试", "这是一个测试，关于lucene.net的 关注老赵");

17	CreateIndex(writer, "博客园里有牛人", "Hello World. 我认识的一个高手，他拥有广博的知识，有极客的态度，还经常到园子里来看看");

18	CreateIndex(writer, "奥巴马", "美国现任总统是奥巴马？确定不是奥巴牛和奥巴羊 不知道问老赵");

19	CreateIndex(writer, "奥林匹克", "奥林匹克运动会将来到南美美丽热情的国度巴西，也就是亚马逊河流域的一个地方");

20	CreateIndex(writer, "写给自己", "博客园的jeffwong，新的开始，继续努力了");

21	writer.Optimize();

22	writer.Close();

23

}

4、简单搜索

搜索同样也比较容易上手，只要将QueryParser中的Analyzer参数使用PanGuAnalyzer实例就可以了：

view sourceprint?

1	public static void PanguQueryTest(Analyzer analyzer, string field, string keyword)

2

{

3	QueryParser parser = new QueryParser(Version.LUCENE_29, field, analyzer);

4	string panguQueryword = GetKeyWordsSplitBySpace(keyword, new PanGuTokenizer());//对关键字进行分词处理

5	Query query = parser.Parse(panguQueryword);

6	ShowQueryExpression(analyzer, query, keyword);

7	SearchToShow(query);

8	Console.WriteLine();

9

}

其中对关键字进行盘古分词处理的函数GetKeyWordsSplitBySpace直接来源于eaglet提供的示例代码：

view sourceprint?

01	public static string GetKeyWordsSplitBySpace(string keywords, PanGuTokenizer ktTokenizer)

02

{

03	StringBuilder result = new StringBuilder();

04	ICollection<WordInfo> words = ktTokenizer.SegmentToWordInfos(keywords);

05	foreach (WordInfo word in words)

06

{

07	if (word == null)

08

{

09

continue;

10

}

11	result.AppendFormat("{0}^{1}.0 ", word.Word, (int)Math.Pow(3, word.Rank));

12

}

13	return result.ToString().Trim();

14

}

PanGuTokenizer的SegmentToWordInfos这个方法，我正在查看源码实现，希望可以理解的更透彻一点。

最后，本文面向的对象是初学者，如果您有好的使用经验和建议敬请不吝赐教。

demo下载：LuceneNetApp