0x55AA 发表于 2015-1-24 10:55:09

站内搜索的实现

基于Lucene.net3.03 加 ICTCLAS2014实现的站内搜索引擎
Lucene.net是一个搜索引擎的框架,它自身并不能实现搜索,需要我们自己在其中实现索引的建立,索引的查找。所有这些都是根据它自身提供的API来实现。Lucene.net本身是基于java的,但是经过翻译成.ne版本的,可以在ASP.net中使用这个来实现站内搜索。
    要实现基于汉语的搜索引擎,首先的要实现汉语的分词。目前网上大部分都是利用已经有的盘古分词来实现的分词系统,但是盘古分词效果不太好。在这里我把最新的ICTCLAS2014嵌入到Lucene.net中。Lucene.net中所有的分词系统都是基于Analyzer类来继承实现的。所以如果要使用ICTCLAS2014嵌入到Lucene.net中,就必要要继承Analyzer类实现自己的分词类。
1 ICTCLAS的引入
    首先我们要把ICTCLAS的dll引入到C#文件中 ,因为这个dll不是在C#中建立的类库,所以无法直接将其加入到C#的引用中。我们考虑使用下面的方法来实现,为了方便,我们把引入的函数以及结构体放入一个类中。如下所示:using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using System.Runtime.InteropServices;
using Lucene.Net.Analysis;

namespace Lucene.Net.Analysis.DChinese
{
   
    public struct result_t
    {
      
      public int start;
      
      public int length;
      
      public int sPos1;
      
      public int sPos2;
      
      public int sPos3;
      
      public int sPos4;
      
      public int sPos5;
      
      public int sPos6;
      
      public int sPos7;
      
      public int sPos8;
      
      public int sPos9;
      
      public int sPos10;
      // public int sPosLow;
      
      public int POS_id;
      
      public int word_ID;
      
      public int word_type;
      
      public double weight;
    }
    public class SplitWord
    {
      const string path = @"NLPIR.dll";//设定dll的路径

      //对函数进行申明
      
      public static extern bool NLPIR_Init(String sInitDirPath, int encoding = 0, String sLicenceCode = null);

      //特别注意,C语言的函数NLPIR_API const char * NLPIR_ParagraphProcess(const char *sParagraph,int bPOStagged=1);必须对应下面的申明
      
      public static extern IntPtr NLPIR_ParagraphProcess(String sParagraph, int bPOStagged = 1);

      
      public static extern bool NLPIR_Exit();

      
      public static extern int NLPIR_ImportUserDict(String sFilename);

      
      public static extern bool NLPIR_FileProcess(String sSrcFilename, String sDestFilename, int bPOStagged = 1);

      
      public static extern bool NLPIR_FileProcessEx(String sSrcFilename, String sDestFilename);

      
      public static extern int NLPIR_GetParagraphProcessAWordCount(String sParagraph);

      //NLPIR_GetParagraphProcessAWordCount
      
      public static extern void NLPIR_ParagraphProcessAW(int nCount, result_t[] result);

      
      public static extern int NLPIR_AddUserWord(String sWord);

      
      public static extern int NLPIR_SaveTheUsrDic();

      
      public static extern int NLPIR_DelUsrWord(String sWord);

      
      public static extern bool NLPIR_NWI_Start();

      
      public static extern bool NLPIR_NWI_Complete();

      
      public static extern bool NLPIR_NWI_AddFile(String sText);

      
      public static extern bool NLPIR_NWI_AddMem(String sText);

      
      public static extern IntPtr NLPIR_NWI_GetResult(bool bWeightOut = false);

      
      public static extern uint NLPIR_NWI_Result2UserDict();

      
      public static extern IntPtr NLPIR_GetKeyWords(String sText, int nMaxKeyLimit = 50, bool bWeightOut = false);

      
      public static extern IntPtr NLPIR_GetFileKeyWords(String sFilename, int nMaxKeyLimit = 50, bool bWeightOut = false);
    }
}这个类里面包含了所有的ICTCLAS的API函数,包含初始化,添加词语,添加词典,词典保存,分词等各种API。并且都是STATIC函数。
2 分词类DChineseAnalyzer的建立
分词类的建立我们参考StandarAnalyzer分词的实现,再次基础上实现了DChineseAnalyzer类。在分词类中实现必要的构造函数,以及public override TokenStream TokenStream(System.String fieldName, System.IO.TextReader reader)
public override TokenStream ReusableTokenStream(System.String fieldName, System.IO.TextReader reader)这两个函数。他们的作用是在函数中调用用分词器Tokenizer的派生类来实现分词。在现有的版本中一般是在使用分词类的时候,直接调用ReusableTokenStream函数,而不是调用TokenStream函数,这样可以做到一个分词类对象的建立可供多个分词文本的使用。从而减少内存的浪费,提高效率。
以及一些字段,利用这些字段,我们可以加入一些停用词,用户自己的词典。
3 分词器DChineseTokenizer的建立
这个类是分词的核心关键所在。我们要在其中调用ICTCLAS中的分词。在这里面要注意的一个函数是public override bool IncrementToken()它是我们获取下一个分词结果要用到的函数,如果想要遍历分词结果,就要建立一个循环,不断的调用IncrementToken函数。
整个分词系统代码如下所示:using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using System.IO;
using System.Runtime.InteropServices;
using Lucene.Net.Analysis;
using Lucene.Net.Analysis.Standard;
using Lucene.Net.Util;
using Lucene.Net.Documents;
using Lucene.Net.Analysis.Tokenattributes;
using Version = Lucene.Net.Util.Version;

namespace Lucene.Net.Analysis.DChinese
{
    public class DChineseAnalyzer : Analyzer
    {
      private ISet<string> stopSet;
      public static readonly ISet<string> STOP_WORDS_SET;
      private Version matchVersion;
      private bool replaceInvalidAcronym;
      private bool enableStopPositionIncrements;

      public DChineseAnalyzer(Version version, ISet<string> stopWords)
      {
            stopSet = stopWords;
            replaceInvalidAcronym = false;
            enableStopPositionIncrements = StopFilter.GetEnablePositionIncrementsVersionDefault(version);
            replaceInvalidAcronym = matchVersion.OnOrAfter(Version.LUCENE_24);
            this.matchVersion = version;
      }

      public DChineseAnalyzer(Version version)
            : this(version, STOP_WORDS_SET)
      {
      }

      public DChineseAnalyzer(Version version, System.IO.FileInfo stopWords)
            : this(version, WordlistLoader.GetWordSet(stopWords))
      {
      }

      static DChineseAnalyzer()
      {
            STOP_WORDS_SET = StopAnalyzer.ENGLISH_STOP_WORDS_SET;
      }
      public override TokenStream TokenStream(System.String fieldName, System.IO.TextReader reader)
      {
            TokenStream result = new DChineseTokenizer(matchVersion, reader);
            result = new LowerCaseFilter(result);
            result = new StopFilter(enableStopPositionIncrements, result, stopSet);
            result = new PorterStemFilter(result);
            return result;
      }

      private class SavedStreams
      {
            protected internal DChineseTokenizer source;
            protected internal TokenStream result;
      };
      public override TokenStream ReusableTokenStream(System.String fieldName, System.IO.TextReader reader)
      {
            SavedStreams streams = (SavedStreams)PreviousTokenStream;
            if (streams == null)
            {
                streams = new SavedStreams();
                streams.source = new DChineseTokenizer(matchVersion, reader);
                streams.result = new LowerCaseFilter(streams.source);
                streams.result = new StopFilter(enableStopPositionIncrements, streams.result, stopSet);
                streams.result = new PorterStemFilter(streams.result);
                PreviousTokenStream = streams;
            }
            else
            {
                streams.source.Reset(reader);
            }

            streams.source.SetReplaceInvalidAcronym(replaceInvalidAcronym);
            return streams.result;
      }

    }

    public sealed class DChineseTokenizer : Tokenizer
    {

      private bool m_replaceInvalidAcronym;
      private int offset = 0;
      private int bufferIndex = 0;
      private int dataLen = 0;
      private const int MAX_WORD_LEN = 255;
      private const int IO_BUFFER_SIZE = 4096;
      private readonly char[] ioBuffer = new char;

      private ITermAttribute termAtt;
      private IOffsetAttribute offsetAtt;
      private IPositionIncrementAttribute posIncrAtt;



      private void Init(System.IO.TextReader input, Version matchVersion)
      {
            if (matchVersion.OnOrAfter(Version.LUCENE_24))
            {
                m_replaceInvalidAcronym = true;
            }
            else
            {
                m_replaceInvalidAcronym = false;
            }
            //this.input = input;
            this.input = ChangeInput(input);
            termAtt = AddAttribute<ITermAttribute>();
            offsetAtt = AddAttribute<IOffsetAttribute>();
            posIncrAtt = AddAttribute<IPositionIncrementAttribute>();
      }

      public DChineseTokenizer(Version matchVersion, System.IO.TextReader input)
            : base()
      {
            Init(input, matchVersion);
      }

      public DChineseTokenizer(Version matchVersion, System.IO.TextReader input, AttributeSource source)
            : base(source)
      {
            Init(input, matchVersion);
      }

      public DChineseTokenizer(Version matchVersion, System.IO.TextReader input, AttributeFactory factory)
            : base(factory)
      {
            Init(input, matchVersion);
      }

      public override bool IncrementToken()
      {
            ClearAttributes();
            int length = 0;
            int start = bufferIndex;
            char[] buffer = termAtt.TermBuffer();
            while (true)
            {

                if (bufferIndex >= dataLen)
                {
                  offset += dataLen;
                  dataLen = input.Read(ioBuffer, 0, ioBuffer.Length);
                  if (dataLen <= 0)
                  {
                        dataLen = 0;
                        if (length > 0)
                            break;
                        return false;
                  }
                  bufferIndex = 0;
                }

                char c = ioBuffer;

                if (!System.Char.IsWhiteSpace(c))
                {
                  if (length == 0)
                  {
                        start = offset + bufferIndex - 1;
                  }
                  else if (length == buffer.Length)
                  {
                        buffer = termAtt.ResizeTermBuffer(1 + length);
                  }

                  buffer = c;
                  if (length == MAX_WORD_LEN)
                        break;
                }
                else if (length > 0)
                  break;
            }

            termAtt.SetTermLength(length);
            offsetAtt.SetOffset(CorrectOffset(start), CorrectOffset(start + length));
            posIncrAtt.PositionIncrement = 1;
            return true;
      }

      public override void Reset()
      {
            base.Reset(input);
            bufferIndex = 0;
            offset = 0;
            dataLen = 0;
      }

      public override void Reset(TextReader input)
      {
            String inputString = input.ReadToEnd();
            IntPtr intPtr = SplitWord.NLPIR_ParagraphProcess(inputString, 0);
            string strResult = Marshal.PtrToStringAnsi(intPtr);
            this.input = new StringReader(strResult);
            bufferIndex = 0;
            offset = 0;
            dataLen = 0;
      }

      public override void End()
      {
            int finalOffset = CorrectOffset(offset);
            offsetAtt.SetOffset(finalOffset, finalOffset);
      }

      public void SetReplaceInvalidAcronym(bool replaceInvalidAcronym)
      {
            this.m_replaceInvalidAcronym = replaceInvalidAcronym;
      }

      private TextReader ChangeInput(TextReader input)
      {
            //string indexPath = System.Environment.CurrentDirectory;
            //string indexPath = GetType().Assembly.Location;
            //string indexPath = System.IO.Path.GetDirectoryName(Page.Request.PhysicalPath);
            //string dirParent = Directory.GetParent(indexPath).Parent.FullName;
            string dirParent = System.AppDomain.CurrentDomain.BaseDirectory;
            

            bool bInit = SplitWord.NLPIR_Init(dirParent, 0, null);
            if (!bInit)
            {
                return null;
            }
            String inputString = input.ReadToEnd();
            IntPtr intPtr = SplitWord.NLPIR_ParagraphProcess(inputString, 0);
            string strResult = Marshal.PtrToStringAnsi(intPtr);
            return new StringReader(strResult);
      }
    }
}(2) 索引,查找
    分词系统建立完毕,这是基础也是核心,后面我们建立索引要用到分词系统。下面依次讲解索引的建立,索引的查找。
    索引的建立采用的是倒排序,原理就是遍历所有的文本,对其进行分词,然后把分的词汇建立索引表。形式类似如下:
词汇    出现词汇的篇章1,篇章2,篇章3……
    建立索引的时候要注意这样的Document,Field这俩术语。Document代表的是一个文档,它里面包含一个或者多个Filed,Field表示的就是一种域,你可以在一个Document里面添加各种各样的域,名字自己起,但是关于文档的内容一定要加进去,方式如下所示:doc.Add(new Field("contents", str, Field.Store.YES, Field.Index.ANALYZED, Field.TermVector.WITH_POSITIONS_OFFSETS));整个索引的建立如下所示:using System;
using System.Collections.Generic;
using System.Linq;
using System.Web;
using System.IO;
using Lucene.Net.Analysis;
using Lucene.Net.Analysis.Standard;
using Lucene.Net.Index;
using Lucene.Net.Documents;
using Lucene.Net.Search;
using Lucene.Net.Analysis.DChinese;

using Version = Lucene.Net.Util.Version;
using FSDirectory = Lucene.Net.Store.FSDirectory;
using NativeFSLockFactory = Lucene.Net.Store.NativeFSLockFactory;

namespace WebApplication6
{
    public class IndexFiles
    {
      

      public static bool CreateIndexFromFile(DirectoryInfo docDir, DirectoryInfo IndexDir)
      {
            string strUserDicPath = System.AppDomain.CurrentDomain.BaseDirectory;
            string strTestDic = strUserDicPath;
            HashSet<string> lstStopWords = new HashSet<string>();

            strUserDicPath = strUserDicPath + "UserDictionary\\StopWords.txt";
            string[] strs = null;

            StreamWriter sw = new StreamWriter(strTestDic + "UserDictionary\\StopTest.txt");
            using (StreamReader strReader = new StreamReader(strUserDicPath))
            {
                string strLine;
                while ((strLine = strReader.ReadLine()) != null)
                {
                  strLine = strLine.Trim();
                  strs = strLine.Split();
                  foreach (string str in strs)
                  {
                        lstStopWords.Add(str);
                        sw.WriteLine(str);
                        
                  }
                }
                strReader.Close();
                sw.Close();
            }

            bool bExist = File.Exists(docDir.FullName) || Directory.Exists(docDir.FullName);
            if (!bExist)
            {
                return false;
            }

            //using (IndexWriter writer = new IndexWriter(FSDirectory.Open(IndexDir), new DChineseAnalyzer(Version.LUCENE_30), true, IndexWriter.MaxFieldLength.LIMITED) )
            //IndexWriter writer = new IndexWriter(fsDirrctory, new StandardAnalyzer(Version.LUCENE_30), true, IndexWriter.MaxFieldLength.LIMITED);
            
            FSDirectory fsDirrctory = FSDirectory.Open(IndexDir, new NativeFSLockFactory());
            Analyzer analyzer = new DChineseAnalyzer(Version.LUCENE_30,lstStopWords);
            IndexWriter writer = new IndexWriter(fsDirrctory, analyzer, true, IndexWriter.MaxFieldLength.LIMITED);
            try
            {
                IndexDirectory(writer, docDir);
                writer.Optimize();
                writer.Commit();
            }
            finally
            {
                writer.Dispose();
                fsDirrctory.Dispose();
            }
            
            return true;
      }

      internal static void IndexDirectory(IndexWriter writer, DirectoryInfo directory)
      {
            foreach (var subDirectory in directory.GetDirectories())
                IndexDirectory(writer, subDirectory);

            foreach (var file in directory.GetFiles())
                IndexDocs(writer, file);
      }

      internal static void IndexDocs(IndexWriter writer, FileInfo file)
      {
            Console.Out.WriteLine("adding " + file);

            try
            {
                writer.AddDocument(Document(file));
            }
            catch (FileNotFoundException)
            {
                // At least on Windows, some temporary files raise this exception with an
                // "access denied" message checking if the file can be read doesn't help.
            }
            catch (UnauthorizedAccessException)
            {
                // Handle any access-denied errors that occur while reading the file.   
            }
            catch (IOException)
            {
                // Generic handler for any io-related exceptions that occur.
            }
      }

      public static Document Document(FileInfo f)
      {

            // make a new, empty document
            Document doc = new Document();

            // Add the path of the file as a field named "path".Use a field that is
            // indexed (i.e. searchable), but don't tokenize the field into words.
            doc.Add(new Field("path", f.FullName, Field.Store.YES, Field.Index.NOT_ANALYZED));

            // Add the last modified date of the file a field named "modified".Use
            // a field that is indexed (i.e. searchable), but don't tokenize the field
            // into words.
            doc.Add(new Field("modified", DateTools.TimeToString(f.LastWriteTime.Millisecond, DateTools.Resolution.MINUTE), Field.Store.YES, Field.Index.NOT_ANALYZED));

            // Add the contents of the file to a field named "contents".Specify a Reader,
            // so that the text of the file is tokenized and indexed, but not stored.
            // Note that FileReader expects the file to be in the system's default encoding.
            // If that's not the case searching for special characters will fail.

            string str = File.ReadAllText(f.FullName);
            //doc.Add(new Field("contents", new StreamReader(f.FullName, System.Text.Encoding.UTF8)));
            doc.Add(new Field("contents", str, Field.Store.YES, Field.Index.ANALYZED, Field.TermVector.WITH_POSITIONS_OFFSETS));

            // return the document
            return doc;
      }
    }
}查找的实现:
    Lucene.net中有多种多样的查找类,但是如果要实现多条件查询就要使用PhraseQuery
类。通过搜索函数把搜索结果放到容器里面。
    最后结果的呈现时候,我们把搜索结果放到列表里面,如果还要显示关键词加亮,那么就需要做一点额外的工作。在这里我是通过ColorWord这个类实现的。具体的搜索代码如下所示:using System;
using System.Collections.Generic;
using System.Linq;
using System.Web;
using System.IO;
using Lucene.Net.Analysis;
using Lucene.Net.Analysis.DChinese;
using Lucene.Net.Documents;
using Lucene.Net.QueryParsers;
using Lucene.Net.Index;
using Lucene.Net.Search;

using FSDirectory = Lucene.Net.Store.FSDirectory;
using NoLockFactory = Lucene.Net.Store.NoLockFactory;
using Version = Lucene.Net.Util.Version;

namespace WebApplication6
{
    public static class SearchFiles
    {
      public static List<ItemList> SearchIndex(DirectoryInfo dirIndex, List<string> termList)
      {
            FSDirectory   dirFS    = FSDirectory.Open(dirIndex, new NoLockFactory());
            IndexReader   reader   = IndexReader.Open(dirFS,true);
            IndexSearcher   searcher = new IndexSearcher(reader);
            Analyzer      analyzer = new DChineseAnalyzer(Version.LUCENE_30);
            PhraseQuery   query    = new PhraseQuery();

            foreach (string word in termList)
            {
                query.Add( new Term("contents",word) );
            }
            query.Slop = 100;

            TopScoreDocCollector collector = TopScoreDocCollector.Create(1000, true);
            searcher.Search(query,collector);
            ScoreDoc[] hits = collector.TopDocs().ScoreDocs;
            List<ItemList> lstResult = new List<ItemList>();
            for (int i = 0; i < hits.Length; i++)
            {
                Document doc = new Document();
                doc = searcher.Doc(hits.Doc);
                ItemList item = new ItemList();
                //item.ItemContent = doc.Get("contents");
                item.ItemContent = ColorWord.addColor(doc.Get("contents"),termList);
                item.ItemPath = doc.Get("path");
                lstResult.Add(item);
            }
            return lstResult;
      }
    }
}最终结果展示:

0xAA55 发表于 2015-1-24 10:56:03

你能把它改成PHP的吗?我论坛是PHP的,正缺这么一个搜索引擎呢。
页: [1]
查看完整版本: 站内搜索的实现