仿造百度实现基于Lucene.net全文检索

http://www.cnblogs.com/OceanEyes/archive/2012/07/31/2616178.html

来自：http://developer.51cto.com/art/201207/350987.htm

Lucene.Net

Lucene.net是Lucene的.net移植版本，是一个开源的全文检索引擎开发包，即它不是一个完整的全文检索引擎，而是一个全文检索引擎的架构，是一个Library.你也可以把它理解为一个将索引,搜索功能封装的很好的一套简单易用的API(提供了完整的查询引擎和索引引擎)。利用这套API你可以做很多有关搜索的事情,而且很方便.。开发人员可以基于Lucene.net实现全文检索的功能。

注意：Lucene.Net只能对文本信息进行检索。如果不是文本信息，要转换为文本信息，比如要检索Excel文件，就要用NPOI把Excel读取成字符串，然后把字符串扔给Lucene.Net。Lucene.Net会把扔给它的文本切词保存，加快检索速度。

更多概念性的知识可以参考这篇博文:http://blog.youkuaiyun.com/xiucool/archive/2008/11/28/3397182.aspx

这个小Demo样例展示：

ok,接下来就细细详解下士怎样一步一步实现这个效果的。

Lucene.Net 核心——分词算法（Analyzer）

学习Lucune.Net，分词是核心。当然最理想状态下是能自己扩展分词，但这要很高的算法要求。Lucene.Net中不同的分词算法就是不同的类。所有分词算法类都从Analyzer类继承，不同的分词算法有不同的优缺点。

内置的StandardAnalyzer是将英文按照空格、标点符号等进行分词，将中文按照单个字进行分词，一个汉字算一个词

 
 
Analyzer analyzer = new StandardAnalyzer();  
TokenStream tokenStream = analyzer.TokenStream("",new StringReader("Hello Lucene.Net,我1爱1你China"));  
Lucene.Net.Analysis.Token token = null;  
while ((token = tokenStream.Next()) != null)  
{  
    Console.WriteLine(token.TermText());  
} 

分词后结果：

二元分词算法，每两个汉字算一个单词，“我爱你China”会分词为“我爱 爱你 china”，点击查看二元分词算法CJKAnalyzer。

 
 
Analyzer analyzer = new CJKAnalyzer();  
TokenStream tokenStream = analyzer.TokenStream("", new StringReader("我爱你中国China中华人名共和国"));  
Lucene.Net.Analysis.Token token = null;  
while ((token = tokenStream.Next()) != null)  
{  
    Response.Write(token.TermText()+"<br/>");  
} 

这时，你肯定在想，上面没有一个好用的，二元分词算法乱枪打鸟，很想自己扩展Analyzer，但并不是算法上的专业人士。怎么办？

天降圣器，盘古分词，点击下载。