前言：目前自己在做使用Lucene.net和PanGu分词实现全文检索的工作，不过自己是把别人做好的项目进行迁移。因为项目整体要迁移到ASP.NET Core 2.0版本,而Lucene使用的版本是3.6.0 ，PanGu分词也是对应Lucene3.6.0版本的。不过好在Lucene.net 已经有了Core 2.0版本（4.8.0 bate版），而PanGu分词，目前有人正在做，貌似已经做完，只是还没有测试~，Lucene升级的改变我都会加粗表示。

Lucene.net 4.8.0   

PanGu分词(可以直接使用的)

 JIEba分词(可以直接使用的)

 

 

Lucene.net 4.8.0 和之前的Lucene.net 3.6.0 改动还是相当多的，这里对自己开发过程遇到的问题，做一个记录吧，希望可以帮到和我一样需要升级Lucene.net的人。我也是第一次接触Lucene ,也希望可以帮助初学Lucene的同学。

 

目录

 

一，PanGu分词与JIEba分词

1.中文分词工具

Lucene的自带分词工具对中文分词的效果很是不好。因此在做中文的搜索引擎的时候，我们需要用额外的中文分词组件。这里可以总结一下中文分词工具有哪些，在下面这个衔接中，有对很多中文分词工具的性能测试：

可惜我们看不到PanGu分词的性能，在PanGu分词的官网我们可以看到：Core Duo 1.8 GHz 下单线程 分词速度为 390K 字符每秒，2线程分词速度为 690K 字符每秒。 在上面的排行榜中属于中等吧。但由于我做的是基于.net的搜索引擎，所以我只找到了IK分词器，PanGu分词器，JIEba分词器的.net core2.0 版本。

1.1 PanGu分词 .net core 版

这是PanGu分词.net core 2.0版本的迁移项目：

这是一个没有迁移完全的项目，在使用过程中遇到了一些问题，前面的目录中记录过。我修改了一些bug,下面的是修改过后的可以直接使用的PanGu分词.net core2.0版本：

我提交了一个Pull Request ,作者还没有合并。我已经用了一段时间，很稳定。

1.2 JIEba分词 .net core 版

JIEba分词的.net core 版本迁移项目：

但是这是.net core1.0的版本，拿过来也不能直接给Lucene使用，所以我升级到了2.0并且做了一个接口，让其支持Lucene，经过测试可以稳定的进行分词和高亮。当然在其中也遇到了一些问题，在下文中会详细阐述。这是改过之后的Lucene版:

1.3 IK分词 .net core 版

在Nuget中可以搜索到（IKNetAnalyzer）

在GitHub中     显示正在开发中。由于一些原因，我并没有使用IK分词。所以也就没有细看了。

 

2.PanGu分词和JIEba分词的对比

Lucene和PanGu分词搭配，已经是Lucene.net 的经典搭配，但是PanGu分词已经很久没有更新，PanGu分词的字典也是很久以前维护的字典。在网上可以找到很多Lucene和PanGu分词搭配的例子。在PanGu分词和JIEba分词对比中，我选择了JIEba分词。因为我的搜索引擎一直是使用PanGu分词，然后却时常出现有些比较新的冷的词，无法被分词，导致搜索效果很差。究其原因，是PanGu分词的字典不够大，但是人工维护字典很烦。当然PanGu分词有新词录入的功能，我一直打开这个功能的开关：

MatchOptions m = new MatchOptions(); m.UnknownWordIdentify = true;

 然而并没有改善。后来我使用了JIEba分词测试分词效果，发现JIEba分词使用搜索引擎模式，和PanGu分词打开多元分词功能开关时的分词效果如下：

测试样例：小明硕士毕业于中国科学院计算所，后在日本京都大学深造结巴分词（搜索引擎模式）：小明/ 硕士/ 毕业/ 于/ 中国/ 科学/ 学院/ 科学院/ 中国科学院/ 计算/ 计算所/ ，/ 后/ 在/ 日本/ 京都/ 大学/ 日本京都大学/ 深造盘古分词（开启多元分词开关）： 小  明  硕士  毕业  于  中国科学院  计算所  后  在  日本  京都  大学  深造

 显然PanGu分词并没有细粒度分词，这是导致有些搜索召回率很低的原因。

这里就不对PanGu分词，和JIEba分词的具体分词方法进行比较了。本篇博文的还是主要讲解Lucene和JIEba分词

二，JIEba分词支持Lucene

在上面的JIEba分词.net core版本中，JIEba分词只是将给到的一个字符串进行分词，然后反馈给你分词信息，分词信息也只是一个一个字符串。显然这是无法接入到Lucene中。那么如何把一个分词工具成功的接入到Lucene中呢？

1.建立Analyzer类

所有要接入Lucene中的分词工具，都要有一个继承Lucene.Net.Analyzer的类，在这个类：JIEbaAnalyzer中，必须要覆写TokenStreamComponents函数，因为Lucene正是通过这个函数获取分词器分词之后的TokenStream（一些列分词信息的集合）我们可以在这个函数中给tokenStream中注入我们想要得到的属性，在Lucene.net 4.8.0中分词的概念已经是一些列分词属性的组合

 

public class JieBaAnalyzer        :Analyzer    {        public TokenizerMode mode;        public JieBaAnalyzer(TokenizerMode Mode)            :base()        {            this.mode = Mode;        }        protected override TokenStreamComponents CreateComponents(string filedName,TextReader reader)        {            var tokenizer = new JieBaTokenizer(reader,mode);            var tokenstream = (TokenStream)new LowerCaseFilter(Lucene.Net.Util.LuceneVersion.LUCENE_48, tokenizer);            tokenstream.AddAttribute
     
      ();            tokenstream.AddAttribute
      
       ();            return new TokenStreamComponents(tokenizer, tokenstream);        }    }}
      
     

 

这里可以看到，我只使用了ICharTermAttribute 和IOffsetAttribute 也就是分词的内容属性和位置属性。这里的Mode要提一下，这是JIEba分词的特性，JIEba分词提供了三种模式：

• 精确模式，试图将句子最精确地切开，适合文本分析；
• 全模式，把句子中所有的可以成词的词语都扫描出来, 速度非常快，但是不能解决歧义；
• 搜索引擎模式，在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。

 

这里的Model只有Default和Search两种，一般的，写入索引的时候使用Search模式，查询的时候使用Default模式

上面的JieBaTokenizer类正是我们接下来要定义的类

1.建立Tokenizer类 

继承Lucene.Net.Tokenizer 。Tokenizer 是正真将大串文本分成一系列分词的类，在Tokenizer类中，我们必须要覆写 Reset()函数，IncrementToken（）函数，上面的Analyzer类中：

var tokenstream = (TokenStream)new LowerCaseFilter(Lucene.Net.Util.LuceneVersion.LUCENE_48, tokenizer);

tokenizer是生产tokenstream。实际上Reset()函数是将文本进行分词，IncrementToken（）是遍历分词的信息，然后将分词的信息注入的tokenstream,这样就得到我们想要的分词流。在Tokenizer类中我们调用JIEba分词的Segment实例，对文本进行分词。再将获得分词包装，遍历。

 

public class JieBaTokenizer        : Tokenizer    {        private static object _LockObj = new object();        private static bool _Inited = false;        private System.Collections.Generic.List
     
       _WordList = new List
      
       ();        private string _InputText;        private bool _OriginalResult = false;        private ICharTermAttribute termAtt;        private IOffsetAttribute offsetAtt;        private IPositionIncrementAttribute posIncrAtt;        private ITypeAttribute typeAtt;        private List
       
         stopWords = new List
        
         ();        private string stopUrl="./stopwords.txt";        private JiebaSegmenter segmenter;        private System.Collections.Generic.IEnumerator
         
           iter;        private int start =0;        private TokenizerMode mode;        public JieBaTokenizer(TextReader input,TokenizerMode Mode)            :base(AttributeFactory.DEFAULT_ATTRIBUTE_FACTORY,input)        {            segmenter = new JiebaSegmenter();            mode = Mode;            StreamReader rd = File.OpenText(stopUrl);            string s = "";            while((s=rd.ReadLine())!=null)            {                stopWords.Add(s);            }                       Init();                    }        private void Init()        {            termAtt = AddAttribute
          
           (); offsetAtt = AddAttribute
           
            (); posIncrAtt = AddAttribute
            
             (); typeAtt = AddAttribute
             
              (); } private string ReadToEnd(TextReader input) { return input.ReadToEnd(); } public sealed override Boolean IncrementToken() { ClearAttributes(); Lucene.Net.Analysis.Token word = Next(); if(word!=null) { var buffer = word.ToString(); termAtt.SetEmpty().Append(buffer); offsetAtt.SetOffset(CorrectOffset(word.StartOffset),CorrectOffset(word.EndOffset)); typeAtt.Type = word.Type; return true; } End(); this.Dispose(); return false; } public Lucene.Net.Analysis.Token Next() { int length = 0; bool res = iter.MoveNext(); Lucene.Net.Analysis.Token token; if (res) { JiebaNet.Segmenter.Token word = iter.Current; token = new Lucene.Net.Analysis.Token(word.Word, word.StartIndex,word.EndIndex); // Console.WriteLine("xxxxxxxxxxxxxxxx分词："+word.Word+"xxxxxxxxxxx起始位置："+word.StartIndex+"xxxxxxxxxx结束位置"+word.EndIndex); start += length; return token; } else return null; } public override void Reset() { base.Reset(); _InputText = ReadToEnd(base.m_input); RemoveStopWords(segmenter.Tokenize(_InputText,mode)); start = 0; iter = _WordList.GetEnumerator(); } public void RemoveStopWords(System.Collections.Generic.IEnumerable
              
                words) { _WordList.Clear(); foreach(var x in words) { if(stopWords.IndexOf(x.Word)==-1) { _WordList.Add(x); } } } }
              
             
            
           
          
         
        
       
      
     

一开始我写的Tokenizer类并不是这样，因为遇到了一些问题，才逐渐改成上面的样子，下面就说下自己遇到的问题。

3.问题和改进

3.1 JIEba CutForSearch 

一开始在Reset函数中，我使用的是JIEba分词介绍的CutForSearch函数，CutForSearch的到是List<String> ,所以位置属性OffsetAttribute得我自己来写：

public Lucene.Net.Analysis.Token Next()        {                       int length = 0;            bool res = iter.MoveNext();            Lucene.Net.Analysis.Token token;            if (res)            {                JiebaNet.Segmenter.Token word = iter.Current;                token = new Lucene.Net.Analysis.Token(word.Word, word.StartIndex,word.EndIndex);                start += length;                return token;            }            else                return null;                        }

自己定义了start,根据每个分词的长度，很容易算出来每个分词的位置。但是我忘了CutForSearch是一个细粒度模式，会有“中国模式”，“中国”，“模式”同时存在，这样的写法就是错的了，如果是Cut就对了。分词的位置信息错误，带来的就是高亮的错误，因为高亮需要知道分词的正确的起始和结束位置。具体的错误就是：

at System.String.Substring(Int32 startIndex, Int32 length)   at Lucene.Net.Search.VectorHighlight.BaseFragmentsBuilder.MakeFragment(StringBuilder buffer, Int32[] index, Field[] values, WeightedFragInfo fragInfo, String[] preTags, String[] postTags, IEncoder encoder) in C:\BuildAgent\work\b1b63ca15b99dddb\src\Lucene.Net.Highlighter\VectorHighlight\BaseFragmentsBuilder.cs:line 195   at Lucene.Net.Search.VectorHighlight.BaseFragmentsBuilder.CreateFragments(IndexReader reader, Int32 docId, String fieldName, FieldFragList fieldFragList, Int32 maxNumFragments, String[] preTags, String[] postTags, IEncoder encoder) in C:\BuildAgent\work\b1b63ca15b99dddb\src\Lucene.Net.Highlighter\VectorHighlight\BaseFragmentsBuilder.cs:line 146   at Lucene.Net.Search.VectorHighlight.BaseFragmentsBuilder.CreateFragments(IndexReader reader, Int32 docId, String fieldName, FieldFragList fieldFragList, Int32 maxNumFragments) in C:\BuildAgent\work\b1b63ca15b99dddb\src\Lucene.Net.Highlighter\VectorHighlight\BaseFragmentsBuilder.cs:line 99

当你使用Lucene的时候出现这样的错误，大多数都是你的分词位置属性出错。

后来才发现JIEba分词提供了 Tokenize（）函数，专门提供了分词以及分词的位置信息，我很欣慰的用了Tokenize（）函数，结果还是报错，一样的报错，当我尝试着加上CorrectOffset()函数的时候：

 

offsetAtt.SetOffset(CorrectOffset(word.StartOffset),CorrectOffset(word.EndOffset));

 

虽然不报错了，但是高亮的效果总是有偏差，总而言之换了Tokenize函数，使用CorrectOffset函数，都无法使分词的位置信息变准确。于是查看JIEba分词的源码。

Tokenize函数：

public IEnumerable
     
       Tokenize(string text, TokenizerMode mode = TokenizerMode.Default, bool hmm = true)        {            var result = new List
      
       ();            var start = 0;            if (mode == TokenizerMode.Default)            {                foreach (var w in Cut(text, hmm: hmm))                {                    var width = w.Length;                    result.Add(new Token(w, start, start + width));                    start += width;                }            }            else            {                foreach (var w in Cut(text, hmm: hmm))                {                    var width = w.Length;                    if (width > 2)                    {                        for (var i = 0; i < width - 1; i++)                        {                            var gram2 = w.Substring(i, 2);                            if (WordDict.ContainsWord(gram2))                            {                                result.Add(new Token(gram2, start + i, start + i + 2));                            }                        }                    }                    if (width > 3)                    {                        for (var i = 0; i < width - 2; i++)                        {                            var gram3 = w.Substring(i, 3);                            if (WordDict.ContainsWord(gram3))                            {                                result.Add(new Token(gram3, start + i, start + i + 3));                            }                        }                    }                    result.Add(new Token(w, start, start + width));                    start += width;                }            }            return result;        }
      
     

Cut函数：

public IEnumerable
     
       Cut(string text, bool cutAll = false, bool hmm = true)        {            var reHan = RegexChineseDefault;            var reSkip = RegexSkipDefault;            Func
      
       > cutMethod = null;            if (cutAll)            {                reHan = RegexChineseCutAll;                reSkip = RegexSkipCutAll;            }            if (cutAll)            {                cutMethod = CutAll;            }            else if (hmm)            {                cutMethod = CutDag;            }            else            {                cutMethod = CutDagWithoutHmm;            }            return CutIt(text, cutMethod, reHan, reSkip, cutAll);        }
      
     

终于找到了关键的函数：CutIt

internal IEnumerable
     
       CutIt(string text, Func
      
       > cutMethod,                                           Regex reHan, Regex reSkip, bool cutAll)        {            var result = new List
       
        ();            var blocks = reHan.Split(text);            foreach (var blk in blocks)            {                if (string.IsNullOrWhiteSpace(blk))                {                    continue;                }                if (reHan.IsMatch(blk))                {                    foreach (var word in cutMethod(blk))                    {                        result.Add(word);                    }                }                else                {                    var tmp = reSkip.Split(blk);                    foreach (var x in tmp)                    {                        if (reSkip.IsMatch(x))                        {                            result.Add(x);                        }                        else if (!cutAll)                        {                            foreach (var ch in x)                            {                                result.Add(ch.ToString());                            }                        }                        else                        {                            result.Add(x);                        }                    }                }            }            return result;        }
       
      
     

在CutIt函数中JieBa分词都把空格省去，这样在Tokenize函数中使用start=0 start+=word.Length 显示不能得到正确的原始文本中的位置。

if (string.IsNullOrWhiteSpace(blk))                {                    continue;                }

JIEba分词也没有考虑到会使用Lucene的高亮，越是只能自己改写了CutIt函数和Tokenize函数：

在CutIt函数中，返回的值不在是一个string，而是一个包含string,startPosition的类，这样在Tokenize中就很准确的得到每个分词的位置属性了。

internal IEnumerable
     
       CutIt2(string text, Func
      
       > cutMethod,                                           Regex reHan, Regex reSkip, bool cutAll)        {            //Console.WriteLine("*********************************我开始分词了*******************");            var result = new List
       
        ();            var blocks = reHan.Split(text);            var start = 0;            foreach(var blk in blocks)            {                //Console.WriteLine("?????????????当前的串："+blk);                if(string.IsNullOrWhiteSpace(blk))                {                    start += blk.Length;                    continue;                }                if(reHan.IsMatch(blk))                {                                        foreach(var word in cutMethod(blk))                    {                        //Console.WriteLine("？？？？？blk 分词：" + word + "????????初始位置：" + start);                        result.Add(new WordInfo(word,start));                        start += word.Length;                    }                }                else                {                    var tmp = reSkip.Split(blk);                    foreach(var x in tmp)                    {                        if(reSkip.IsMatch(x))                        {                            //Console.WriteLine("？？？？？ x  reSkip 分词：" + x + "????????初始位置：" + start);                            result.Add(new WordInfo(x,start));                            start += x.Length;                        }                        else if(!cutAll)                        {                            foreach(var ch in x)                            {                                //Console.WriteLine("？？？？？ch  分词：" + ch + "????????初始位置：" + start);                                result.Add(new WordInfo(ch.ToString(),start));                                start += ch.ToString().Length;                            }                        }                        else{                            //Console.WriteLine("？？？？？x  分词：" + x + "????????初始位置：" + start);                            result.Add(new WordInfo(x,start));                            start += x.Length;                                                    }                    }                }            }            return result;        } public IEnumerable
        
          Tokenize(string text, TokenizerMode mode = TokenizerMode.Default, bool hmm = true)        {            var result = new List
         
          ();            if (mode == TokenizerMode.Default)            {                foreach (var w in Cut2(text, hmm: hmm))                {                    var width = w.value.Length;                    result.Add(new Token(w.value, w.position, w.position + width));                }            }            else            {                var xx = Cut2(text, hmm: hmm);                foreach (var w in Cut2(text, hmm: hmm))                {                    var width = w.value.Length;                    if (width > 2)                    {                        for (var i = 0; i < width - 1; i++)                        {                            var gram2 = w.value.Substring(i, 2);                            if (WordDict.ContainsWord(gram2))                            {                                result.Add(new Token(gram2, w.position + i, w.position + i + 2));                            }                        }                    }                    if (width > 3)                    {                        for (var i = 0; i < width - 2; i++)                        {                            var gram3 = w.value.Substring(i, 3);                            if (WordDict.ContainsWord(gram3))                            {                                result.Add(new Token(gram3, w.position + i, w.position + i + 3));                            }                        }                    }                    result.Add(new Token(w.value, w.position, w.position + width));                 }            }            return result;        } public class WordInfo    {        public WordInfo(string value,int position)        {            this.value = value;            this.position = position;        }        //分词的内容        public string value { get; set; }        //分词的初始位置        public int position { get; set; }    }
         
        
       
      
     

这样的话，终于可以正确的进行高亮了，果然搜索效果要比PanGu分词好很多。

4.停用词

是用JIEba的停用词的方法，是把停用词的文件里的内容读取出来，然后在Reset（）函数里把停用词都过滤掉：

StreamReader rd = File.OpenText(stopUrl);            string s = "";            while((s=rd.ReadLine())!=null)            {                stopWords.Add(s);            } public override void Reset()        {            base.Reset();            _InputText = ReadToEnd(base.m_input);            RemoveStopWords(segmenter.Tokenize(_InputText,mode));            start = 0;            iter = _WordList.GetEnumerator();        }        public void RemoveStopWords(System.Collections.Generic.IEnumerable
     
       words)        {            _WordList.Clear();                        foreach(var x in words)            {                if(stopWords.IndexOf(x.Word)==-1)                {                    _WordList.Add(x);                }            }        }
     

5.索引速度

使用JIEba分词之后，虽然效果很好，但是写索引的速度很慢，考虑到时细粒度分词，相比以前一篇文章多出来很多分词，所以索引速度慢了8倍左右，但是感觉这并不正常，前面的开源代码测试结果中，CutForSearch很快的，应该是自己的代码哪里出了问题。

 

三，Lucene的高亮

这里再对Lucene的高亮的总结一下，Lucene提供了两种高亮模式，一种是普通高亮，一种是快速高亮。

1.普通高亮

普通高亮的原理，就是将搜索之后得到的文档，使用分词器再进行分词，得到的TokenStream，再进行高亮：

SimpleHTMLFormatter simpleHtmlFormatter = new SimpleHTMLFormatter("", "");            Lucene.Net.Search.Highlight.Highlighter highlighter = new Lucene.Net.Search.Highlight.Highlighter(simpleHtmlFormatter, new QueryScorer(query));            highlighter.TextFragmenter = new SimpleFragmenter(150);Analyzer analyzer = new JieBaAnalyzer(TokenizerMode.Search);            TokenStream tokenStream = analyzer.GetTokenStream("Content", new StringReader(doc.Get("Content")));var frags = highlighter.GetBestFragments(tokenStream, doc.Get(fieldName), 200);

2.快速高亮

之所很快速，是因为高亮是直接根据索引储存的信息进行高亮，前面已经说过我们索引需要储存分词的位置信息，这个就是为高亮服务的，所以速度很快，当然带来的后果是你的索引文件会比较大，因为储存了位置信息。

FastVectorHighlighter fhl = new FastVectorHighlighter(false, false, simpleFragListBuilder, scoreOrderFragmentsBuilder);            FieldQuery fieldQuery = fhl.GetFieldQuery(query,_indexReader);          highLightSetting.MaxFragNum.GetValueOrDefault(MaxFragNumDefaultValue);            var frags = fhl.GetBestFragments(fieldQuery, _indexReader, docid, fieldName, fragSize, maxFragNum);

快速高亮的关键源代码：

protected virtual string MakeFragment(StringBuilder buffer, int[] index, Field[] values, WeightedFragInfo fragInfo,            string[] preTags, string[] postTags, IEncoder encoder)        {            StringBuilder fragment = new StringBuilder();            int s = fragInfo.StartOffset;            int[] modifiedStartOffset = { s };            string src = GetFragmentSourceMSO(buffer, index, values, s, fragInfo.EndOffset, modifiedStartOffset);            int srcIndex = 0;            foreach (SubInfo subInfo in fragInfo.SubInfos)            {                foreach (Toffs to in subInfo.TermsOffsets)                {                                        fragment                        .Append(encoder.EncodeText(src.Substring(srcIndex, (to.StartOffset - modifiedStartOffset[0]) - srcIndex)))                        .Append(GetPreTag(preTags, subInfo.Seqnum))                        .Append(encoder.EncodeText(src.Substring(to.StartOffset - modifiedStartOffset[0], (to.EndOffset - modifiedStartOffset[0]) - (to.StartOffset - modifiedStartOffset[0]))))                        .Append(GetPostTag(postTags, subInfo.Seqnum));                    srcIndex = to.EndOffset - modifiedStartOffset[0];                }            }            fragment.Append(encoder.EncodeText(src.Substring(srcIndex)));            return fragment.ToString();        }

fragInfo储存了所有需要高亮的关键字和位置信息，src则是原始文本，而之前报的错误正是这里引起的错误，由于位置信息有误src.Substring就会报错。

 

四，结语

.net core2.0版的中文分词确实不多，相比较之下，java,c++,的分词工具有很多，或许可以用c++的速度快的特点，做一个单独分词服务，效果是不是会更好。