• 浪子   2014/7/8 13:01:00
  • 利用Lucene.net搭建站内搜索(3)---创建索引
  • 关键字: Lucene.net 搜索框架
  • Lucene.net提供了很全面的数据搜索操作,你可以利用Lucene.net检索磁盘中的文件,网页,数据库中的数据,但是前提是预先对数据创建索引。

    Lucene索引过程分为三个主要的操作阶段:将数据转换成文本、分析文本、并将分析过的文本保存到索引库中。如图所示:

    1.数据转成文本:须将数据转换成Lucene能够处理的格式——纯文本字符流。

    2.分析文本:完成了针对待索引数据的预处理操作,并创建了带有若干个域的Document对象,就可以调用IndexWriter的addDocument(Document)方法,将数据传递给Lucene来进行索引操作。在对数据进行索引处理时,Lucene会首先分析(analyze)数据使之更加适合被索引。

    3.将分析过的文本保存到索引库中:对输入数据分析处理完之后,就可以将结果写入到索引文件中。Lucene将输入数据以一种称为倒排索引(inverted index)的数据结构进行存储。在进行关键字快速查找时,这种数据结构能够有效地利用磁盘空间。

    下面介绍下Lucene.net中处理索引的类:
    IndexWriter
    IndexWriter是索引中负责操作的核心,它负责把索引文件写入存储介质,是控制逻辑存储转换为物理存储的纽带。

    Document
    Document就是一条虚拟记录,可以理解为数据里的一行。正是有了它,才使我们可以很方便并且易于理解地操作索引文件。它一般记录了需要用到的一个文档的属性,当然,这需要和Field联合使用。

    Field
    Field类就是数据库里的一列。一个文档有标题,内容,作者,创建时间这四个属性的话,那么就需要四个Field保存这些属性,然后把四个Field加入到Document中。
    Field的构造函数比较多。其中Store,Index和TermVector是通过内部类指定的。

    (1)--Store 有三个选项:
    Field.Store.COMPRESS表示被压缩存储;
    Field.Store.YES表示储存;
    Field.Store.NO表示不被存储。

    (2)--Index的选项有四个:
    Field.Index.NO表示不建立索引;
    Field.Index.TOKENIZED表示分词后索引;
    Index.NO_NORMS表示值存储内容;
    Field.Index.UN_TOKENIZED表示不分词索引。

    (3)--TermVector这个参数也不常用,它有五个选项。
    Field.TermVector.NO表示不索引Token的位置属性;
    Field.TermVector.WITH_OFFSETS表示额外索引Token的结束点;
    Field.TermVector.WITH_POSITIONS表示额外索引Token的当前位置;
    Field.TermVector.WITH_POSITIONS_OFFSETS表示额外索引Token的当前和结束位置;
    Field.TermVector.YES则表示存储向量。

    通过实例生成数据索引:

    这里我将数据保存在Access数据库中,对Access数据库中的数据进行索引:
    保存数据的表:数据库中保存了1000条数据
     

    为数据创建索引代码:
    using System;
    using System.Data;
    using System.Configuration;
    using System.Web;
    using System.Web.Security;
    using System.Web.UI;
    using System.Web.UI.WebControls;
    using System.Web.UI.WebControls.WebParts;
    using System.Web.UI.HtmlControls;

    using System.Collections.Generic;
    using System.Text;
    using System.IO;
    using System.Text.RegularExpressions;
    using System.Data.SqlClient;
    using Lucene.Net.Analysis;
    using Lucene.Net.Documents;
    using Lucene.Net.Index;
    using Lucene.Net.Analysis.KTDictSeg;
    using LuceneSearch;

    /// <summary>
    /// CreateIndex 的摘要说明
    /// </summary>
    public class CreateIndex
    {
        
    //词库路径
        public string wordPath;
        
    public string indexDirectory;
        
    //定义一个IndexWriter
        protected IndexWriter writer = null;
        
    //需要导出的数目
        public int allNum;
        
    //当前完成的数目
        public int completeNum;
        
    //需要生成的表
        public DataTable dt;

        DAL.OperSql os 
    = new DAL.OperSql();
        
    public CreateIndex()
        {

        }

        
    public void GetIndex(int inum)
        {
            
    //定义分析器
            Analyzer KTDAnalyzer = new KTDictSegAnalyzer(wordPath);

            
    //PerFieldAnalyzerWrapper可以对不同的Field进行不同的分析
            PerFieldAnalyzerWrapper wrapper = new PerFieldAnalyzerWrapper(KTDAnalyzer);

            wrapper.AddAnalyzer(
    "ID", KTDAnalyzer);
            wrapper.AddAnalyzer(
    "News_Url", KTDAnalyzer);
            wrapper.AddAnalyzer(
    "News_Date", KTDAnalyzer);

            
    //判断是否已有索引
            bool isure = !IndexReader.IndexExists(indexDirectory);
            
    //创建索引的数据条数
            allNum = dt.Rows.Count;
            
    //创建IndexWriter
            writer = new IndexWriter(indexDirectory, wrapper, isure); 
            writer.SetUseCompoundFile(
    true); //显式设置索引为复合索引
            writer.SetMaxFieldLength(int.MaxValue); //设置域最大长度为最大值
            writer.SetMergeFactor(allNum + 100); //设置每100个段合并成一个大段
            writer.SetMaxMergeDocs(10000); //设置一个段的最大文档数
            writer.SetMaxBufferedDocs(1000); //设置在把索引写入磁盘前内存里文档的缓存个数
            
    //创建IndexReader
            IndexReader reader = null;
            
    bool needre = inum == 1;

            reader 
    = IndexReader.Open(indexDirectory);
            
    for (int i = 0; i < dt.Rows.Count; i++)
            {
                completeNum 
    = i + 1;
                
    string body = parseHtml(dt.Rows[i]["News_Body"].ToString());
                
    string title = parseHtml(dt.Rows[i]["News_Title"].ToString());

                
    if (title.Length > 2 && body.Length > 2)
                {
                    
    if (needre)
                    {
                        Term term 
    = new Term("ID", dt.Rows[i]["ID"].ToString());
                        reader.DeleteDocuments(term);

                    }
                    Document document 
    = new Document();

                    document.Add(
    new Field("ID", dt.Rows[i]["ID"].ToString() ?? "", Field.Store.YES, Field.Index.UN_TOKENIZED));
                    document.Add(
    new Field("News_Title", title, Field.Store.NO, Field.Index.TOKENIZED));
                    document.Add(
    new Field("News_Body", body, Field.Store.NO, Field.Index.TOKENIZED));
                    document.Add(
    new Field("News_Url", dt.Rows[i]["News_Url"].ToString() ?? "", Field.Store.YES, Field.Index.UN_TOKENIZED));
                    document.Add(
    new Field("News_Date", DateField.DateToString(Convert.ToDateTime(dt.Rows[i]["News_Date"].ToString())) ?? "", Field.Store.YES, Field.Index.UN_TOKENIZED));
                    writer.AddDocument(document);;
                }
            }
            reader.Close();
            writer.Optimize();
            writer.Close();

        }
    }
    传入参数,生成索引文件:

    try
            { 
                ci.wordPath 
    = Server.MapPath("App_Data"+ @"\"//词库路径;
                ci.indexDirectory = Server.MapPath("index"+ @"\"//词库路径;
                ci.dt = dt;
                ci.GetIndex(
    1);           
            }
    其中dt是保存数据的DataTable,wordpath是分词器的词库文件chsstopwords.txt,engstopwords.txt,dict.dct的路径,indexDirectory是生成索引文件的路径。
    生成索引成功后,我们会在index文件夹下看到生成的文件:

    这样,我们就创建好了数据的索引。检索数据的时候,我们就可以利用它快速的对数据进行检索。