[Lucene]DotLucene:37行代码实现全文搜索

DotLucene是一个强有力的开源全文搜索引擎,它是从Apache的Lucene(java)项目移植到.Net(C#)上的。

DotLucene的效率非常高,并且还具有对搜索结果评级、高光、搜索非结构数据以及本地化等特点。它还和Lucene的索引兼容,因此你可以在不同的平台间迁移而不会丢失任何索引数据。

本文介绍了如何通过简洁的代码来使用DotLucene完成全文搜索功能。

本文翻译自CodeProject上 Dan Letecky 的 DotLucene: Full-Text Search for Your Intranet or Website using 37 Lines of Code 一文,文章版权为原作者所有。

译者:Samuel Chen

Image

DotLucene: 优秀的全文搜索引擎

有可能用37行代码写一个全文搜索么? 恩,我正准备使点小技巧用DotLucene来完成这个麻烦的工作. DotLucene 是一个Jakarta Lucene搜索引擎的移植项目,该项目由 George Aroush et al 维护。下面是它的一些特性:

  • 它能被用在 ASP.NET、WinForms 或者 console 应用;
  • 非常高效的性能; 
  • 搜索结果评级; 
  • 搜索结果中查询关键字高光 ;
  • 搜索结构化和非结构化数据;
  • Metadata 搜索 (时间查询、搜索指定域/字段…)
  • 索引大小大约是索引文本的30%;
  • 并且能存储所有编入索引的文档 Can store also full indexed documents
  • 纯.Net托管代码,单个执行文件 (244 kB)
  • 非常友好的许可 (Apache Software License 2.0)
  • 本地化 (支持 巴西语、捷克语、中文、荷兰语、英语、法语、日语、韩语和俄语)
  • 可扩展 (源代码已包含)
注意

    不要过于在意代码行数。我将用不超过37行代码给你演示他的核心功能,但是要做成一个真正实用的应用,你还需要花更多的时间… 

演示项目

这里,我们将做一个简单的项目演示怎么去做到如下几点:

  • 索引在指定目录(包括子目录)中找到的Html文件
  • 用一个ASP.NET应用程序来搜索索引
  • 搜索结果中高亮显示查询的单词

DotLucene还具有更多的潜力。在实际的应用中你大概想这么去做:

  • 当目录中怎就新文档时添加到索引,而不用重新编译整个索引
  • 包含各种文件类型。DotLuncene能够索引任何能转换成纯文本的文件类型
为什么不使用微软索引服务(Microsoft Indexing Server)?

如果你喜欢用索引服务,没问题。然而,使用DotLucene会有更多好处:

  • DotLucene 是一个100%托管代码的单执行文件,不需要任何依赖
  • 它能被使用到一个共享主机。如果事先准备好索引,你可以不需要磁盘的写权限
  • 使用它,你可以从任何源((数据库、网站…)索引任何类型数据(电子邮件、XML、HTML文件…)。那是因为你需要提供纯文本给索引器(Indexer),载入和解析取决于你
  • 允许你选择要包含在索引中的指定属性("字段"),从而你可以使用这些字段来搜索(例如,作者、日期、关键字等)
  • 它是一个开源软件
  • 它易于扩展
第1行:建立索引

下面的代码从存盘存储建立一个新的索引,directory是存储索引的目录路径参数。

IndexWriter writer = new IndexWriter(directory, new StandardAnalyzer(), true);

这个例子中我们总是重新创建索引(In this example we always create the index from scratch),但这不是必须的,你也可以打开一个已有的索引并添加文档进去。你还可以通过删除然后添加它们的新版本来更新现存的文档(译注:这里应该 是指对象的创建)

第2 – 12行:添加文档

我们为每一个HTML文档添加两个字段到索引:

  • "text" 字段,容纳HTML文件的文本内容(去除了标记),文本数据本身并不会存储在索引中
  • "path" 字段,容纳文件路径,它将会被(索引并)完整的存入索引中
public void AddHtmlDocument(string path)
{
Document doc = new Document();
string rawText;
using (StreamReader sr = new StreamReader(path, System.Text.Encoding.Default))
{
rawText = parseHtml(sr.ReadToEnd());
}
doc.Add(Field.UnStored("text", rawText));
doc.Add(Field.Keyword("path", path));
writer.AddDocument(doc);
}
第13 – 14行:优化并保存索引

添加完文档后,你需要关闭索引器。使用优化将会提高搜索性能。

writer.Optimize();
writer.Close();

第15行:打开索引搜索

在做任何搜索之前,你需要打开索引。directory参数是存储索引的目录路径。

IndexSearcher searcher = new IndexSearcher(directory);
第16 – 27行:搜索

现在,我们解析查询了("text"是默认搜索字段)

Query query = QueryParser.Parse(q, "text", new StandardAnalyzer());
Hits hits = searcher.Search(query);

变量hits是搜索结果文档的集合,我们将通过它来将结果存储到DataTable

DataTable dt = new DataTable();
dt.Columns.Add("path", typeof(string));
dt.Columns.Add("sample", typeof(string));
for (int i = 0; i < hits.Length(); i++)
{
// get the document from index
Document doc = hits.Doc(i);
// get the document filename
// we can't get the text from the index because we didn't store it there
DataRow row = dt.NewRow();
row["path"] = doc.Get("path");
dt.Rows.Add(row);
}
第28 – 37行:高亮Lines 28 – 37: Query Highlighting

我们先创建一个高亮器对象highlighter,并将使用加黑(bold)字体来高亮显示(<B>查询词</B>)。

QueryHighlightExtractor highlighter = new
QueryHighlightExtractor(query, new StandardAnalyzer(), "<B>", "</B>");

通过对结果遍历,我们将载入原文中最相似的部分。

for (int i = 0; i < hits.Length(); i++)
{
// ...
string plainText;
using (StreamReader sr = new StreamReader(doc.Get("filename"),
System.Text.Encoding.Default))
{
plainText = parseHtml(sr.ReadToEnd());
}
row["sample"] = highlighter.GetBestFragments(plainText, 80, 2, "...");
// ...
}
资源
赞(0) 打赏
分享到: 更多 (0)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

微信扫一扫打赏