Lucene.net源码浅读笔记(1) : Lucene.Net.Analysis

本系列笔记将以DotLucene的命名空间组织行文，阅读的DotLucene版本是1.9.RC1,并且以更好的使用而非研究为目的阅读。也就是说要避难就易拉。

0）, DotLucene主要命名空间概览：

命名空间	功能说明
Lucene.Net.Analysis	语言分析器，主要用于切词，支持中文主要是扩展此类
Lucene.Net.Documents	索引存储时的文档结构管理，类似关系型数据库的表结构
Lucene.Net.Index	索引管理，包括索引建立、删除等
Lucene.Net.QueryParsers	查询分析器，实现查询关键词间的运算，如与、或、非等
Lucene.Net.Search	检索管理，根据查询条件，检索得到结果
Lucene.Net.Store	数据存储管理，主要包括一些底层的I/O操作
Lucene.Net.Util	一些公用类

 

1), Lucene.Net.Analysis命名空间分析。

在Lucene.Net.Analysis下，类的关系，可以看成有三个继承体系:

词法分析器(Analyzer) ：词法过滤和分析的类，实际上是对分词器, 过滤器的综合包装类。

分词器(Tokenizer)：对文本进行分词，可能是单字，词，二元切分等等。

过滤器(TokenFilter)：对由分词器分词后的Token进行过滤，比如无意词(a ,是，的等等)或者其他的指定的需要过滤的词

下面看看每一个继承体系都有那些相关类：

 

词法分析器(Analyzer)的相关类类关系图：
 

本文首发于cnblogs:
http://www.cnblogs.com/kwklover/archive/2006/06/25/435421.html 

分词器(Tokenizer) 的相关类类关系图：

过滤器(TokenFilter) 的相关类类关系图：

上面的三个类关系体系里涉及到的主要类(概念)的简单说明：

类名	功能说明
Analyzer	分析器基类，词法过滤和分析的类,即把文本分解成TokenStream,即Token的序列。Analyzer只是做包装，主要还是Tokenizer在起作用
StopAnalyzer	Analyzer扩展类之一，SimpleAnalyzer功能基础上加上过滤词功能
StandardAnalyzer	Analyzer扩展类之一，也是最常用的分析器，支持中文，日文等，单字切分。
SimpleAnalyzer	Analyzer扩展类之一，将除去字符之外的符号全部过滤掉,并且将所有的字符小写(大写)化
Token	DotLucene最基本的单位，以单字切分则每个单字为一个Token,如果以中文分词来切分则每个词为一个Token
TokenStream	Token的序列
Tokenizer	继承于TokenStream，用于分词。一般扩展的自定义的分词都应该继承这个类
StandardTokenizer	Tokenizer扩展类之一，也是最常用的，支持中文，基于单字切分
TokenFilter	继承于TokenStream的子类,用于过滤。一般拓展的自定义的过滤类都应该继承该类
StandardFilter	TokenFilter拓展类之一，过滤英文字符的复数和dot（.）号.
LowerCaseFilter	对所有英文小写化
StopFilter	过滤掉指定的过滤词

 

在所有上面这个类之中，我们经常用的也是所有Analyzer中最复杂的就是 StandardAnalyzer(本身不复杂，其调用的分词器复杂)，下面对这个类做一个简单的分析:
StandardAnalyzer最核心，最主要的方法：

         public override TokenStream TokenStream(System.String fieldName, System.IO.TextReader reader)

         {

              TokenStream result = new StandardTokenizer(reader);

              result = new StandardFilter(result);

              result = new LowerCaseFilter(result);

              result = new StopFilter(result, stopSet);

              return result;

         }

就是调用StandardTokenizer分词器对文本分词。然后调用三个过滤器(作用表格有写)，其中的StandardTokenizer类及相关的类比较复杂，目前还没有完全理解。所以下面的文字是需要用批判眼光来阅读的。说白了，我是一边猜，一边看源码。以求的最准确的理解。

先做个简单的测试，通过结果来分析：

string sTemp = "我们是中国人,We are chinese";

            Analyzer analyzer = new StandardAnalyzer() ;

            StringReader sr = new StringReader(sTemp);

            TokenStream ts = analyzer.TokenStream(sr);

            Lucene.Net.Analysis.Token token = null;

            while ((token = ts.Next()) != null)

            {

                this.txtResult.Text += token.ToString();

            }

txtResult是Winform的TextBox，输出结果如下：

(我,0,1,type=<CJ>)(们,1,2,type=<CJ>)(是,2,3,type=<CJ>)(中,3,4,type=<CJ>)(国,4,5,type=<CJ>)(人,5,6,type=<CJ>)(we,7,9,type=<ALPHANUM>)(chinese,14,21,type=<ALPHANUM>)

 

拿(我,0,1,type=<CJ>)来分析，因为是单字切分，所以分解成了一个一个的字。其中0,1表示”我”这个字在文本中StartOffset，EndOffset，最后的type表示文字的类型是英文,数字,还是是中文等等。在rc1.9中支持的type可以在Lucene.Net.Analysis.Standard下的StandardTokenizerConstants类看到。而CJ代表的是中文和日文的集合。不仅仅代表中文哦。

分析到这里，我有一个疑问。DotLucene是怎么区别不同的文字的呢？那就是根据unicode编码的范围区别不同的文字。不过这句话，是我猜出来，但我始终没能在DotLucene源码中找到能支持我这句话的原代码。所以猜测始终还是猜测。鉴于本次阅读DotLucene的目的是为了更好的使用，而非研究，所以对Lucene.Net.Analysis命名空间的分析只能就此打住。

 

后记：

据我所知，现在已经有很多种第三方的Analyzer。SourceForce上的有一个ChineseAnalyzer,基于二元分词算法实现中文分词。还有基于词库实现中文分词的Analyzer,一般认为。使用针对中文优化过的Analyzer可以提高搜索准确度，但是对于大多数的搜索应用，StandardAnalyzer 绝对够用，好用。为什么呢？打个比方，拿”国际经济”四个字来说，如果是StandardAnalyzer的话，无论搜索 国际，经济，还是国际经济都能搜索到。但是如果用中文分词，那就难说。那就看你的中文分词怎么分 “国际经济’拉(二元分词算法的Analyzer不需要考虑这个问题)。我在给CS做的搜索系统，也是用StandardAnalyzer，绝对不用其他的Analyzer。以上纯属个人拙见。