馬軍　楊維明　周民

摘要：該文針對(duì)網(wǎng)上書(shū)城對(duì)信息實(shí)時(shí)性與準(zhǔn)確性高的要求，提出了使用lucene與盤(pán)古分詞器相結(jié)合的站內(nèi)搜索系統(tǒng)解決方案。通過(guò)分析lucene內(nèi)置分詞器與盤(pán)古分詞器的性能差異，選擇了針對(duì)中文開(kāi)發(fā)的盤(pán)古分詞器，提高了搜索的準(zhǔn)確性；通過(guò)采用“生產(chǎn)者與消費(fèi)者”多線程模式與“單例”設(shè)計(jì)模式相結(jié)合的方法，實(shí)現(xiàn)了數(shù)據(jù)的實(shí)時(shí)更新。實(shí)驗(yàn)結(jié)果證明了設(shè)計(jì)方案的有效性。

關(guān)鍵詞：lucene；盤(pán)古分詞；網(wǎng)上書(shū)城；站內(nèi)搜索

中圖分類(lèi)號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2015）20-0184-04

站內(nèi)搜索是指對(duì)網(wǎng)站內(nèi)部信息的精確檢索和資源挖掘， 它為用戶(hù)提供準(zhǔn)確、快速的站內(nèi)信息檢索服務(wù)，站內(nèi)搜索效果直接決定著網(wǎng)站商品的銷(xiāo)量?，F(xiàn)有的網(wǎng)上書(shū)城網(wǎng)站大多采用鏈接google和baidu網(wǎng)站的方法實(shí)現(xiàn)搜索，不利于數(shù)據(jù)的實(shí)時(shí)更新，此外，還存在著書(shū)籍信息準(zhǔn)確性不高的缺點(diǎn)。

Lucene是目前最流行開(kāi)源檢索工具包之一， 已經(jīng)在許多搜索項(xiàng)目中得到了應(yīng)用。盤(pán)古分詞也是一個(gè)比較成熟的中文分詞組件，而且采用多元分詞技術(shù)，可以很好的實(shí)現(xiàn)對(duì)中文的分詞。因而本文針對(duì)中小網(wǎng)上書(shū)城提出了一個(gè)基于lucene.net與盤(pán)古分詞的站內(nèi)搜索技術(shù)方案，提高網(wǎng)站的競(jìng)爭(zhēng)力。

1 站內(nèi)搜索方案設(shè)計(jì)

網(wǎng)上書(shū)城站內(nèi)搜索系統(tǒng)框圖如圖1所示。

本文提出的站內(nèi)搜索方案將系統(tǒng)分為書(shū)籍編輯模塊、索引模塊、檢索模塊和展示模塊4個(gè)部分。書(shū)籍編輯模塊主要負(fù)責(zé)收集書(shū)籍的信息并且轉(zhuǎn)換為純文本信息，即lucene可識(shí)別的信息。索引模塊主要針對(duì)數(shù)據(jù)庫(kù)創(chuàng)建和維護(hù)索引庫(kù)，即每當(dāng)增加或修改書(shū)籍的信息到數(shù)據(jù)庫(kù)時(shí)，就更新索引庫(kù)。 檢索模塊主要針對(duì)用戶(hù)輸入的關(guān)鍵字進(jìn)行分析，然后查詢(xún)索引庫(kù)找到相關(guān)聯(lián)書(shū)籍，并且按相關(guān)性程度排序。展示模塊主要負(fù)責(zé)接受用戶(hù)輸入的關(guān)鍵字，并展示搜索的結(jié)果中書(shū)籍的信息以及如何展示。根據(jù)搜索結(jié)果，可以定制個(gè)性化的展示。

圖1 網(wǎng)上書(shū)城站內(nèi)搜索系統(tǒng)框圖

2 盤(pán)古分詞器性能分析

盤(pán)古分詞是一個(gè)中英文分詞組件。它的作者通過(guò)分析比較中文分詞的一元分詞、二元分詞，多元分詞和精確分詞的性能，得出多元分詞適用性更強(qiáng)。但采用多元分詞產(chǎn)生了一些問(wèn)題，第一，多元分詞和搜索引擎結(jié)合得到較多的匹配結(jié)果，同時(shí)也增加了索引文件的大?。坏诙?，由于將一些單詞進(jìn)行了拆分，搜索結(jié)果的排序會(huì)受到影響。為了克服這兩個(gè)缺點(diǎn)，盤(pán)古分詞提出了多元分詞的冗余度（Redundancy）和多元分詞結(jié)果的權(quán)重級(jí)別（Rank）的概念。盤(pán)古分詞支持3級(jí)冗余。比如“湖北大學(xué)”，冗余度為0、1、2時(shí)，分詞結(jié)果分別是“湖北大學(xué)”、“湖北，湖北大學(xué)，大學(xué)”、“湖北，湖北大學(xué)，大，大學(xué)，學(xué)”。盤(pán)古分詞將多元分詞出來(lái)的單詞根據(jù)其詞長(zhǎng)，詞的間隔以及未登錄詞的取舍等條件給定了不同的權(quán)重。在搜索時(shí)對(duì)分解出來(lái)的關(guān)鍵字，我們指定權(quán)重來(lái)影響搜索結(jié)果，以實(shí)現(xiàn)結(jié)果有效排序。比如搜“湖北大學(xué)”時(shí)，可以將“湖北大學(xué)”設(shè)置較高的權(quán)重，而“大學(xué)”和“湖北”設(shè)置較低權(quán)重，則包含“湖北大學(xué)”的記錄就優(yōu)先于包含“湖北”或“大學(xué)”的記錄，這樣就解決了排序問(wèn)題。

為了說(shuō)明盤(pán)古分詞優(yōu)于lucene內(nèi)置分詞器，做了如下表格的對(duì)比。從表中可以看出，StopAnalyzer針對(duì)非字母字符拆分文本，然后小寫(xiě)英文字母，再過(guò)濾掉停用詞；KeywordAnalyzer將整個(gè)文本當(dāng)作一個(gè)詞處理；SimpleAnalyzer和StopAnalyzer類(lèi)似；WhitespaceAnalyzer根據(jù)空格拆分詞匯單元；StandardAnalyzer按每個(gè)漢字拆分詞，PanGuAnalyzer按有意義的中文詞語(yǔ)分詞，顯然效果最佳。因而本文選擇盤(pán)古分詞器，提高搜索的準(zhǔn)確性。

分詞比較的結(jié)果如下表1所示。

表1 盤(pán)古分詞器與lucene內(nèi)置分詞器性能比較

[分詞器

結(jié)果

分詞內(nèi)容＼&Lucen.NET分析與應(yīng)用 機(jī)械工業(yè)出版社 吳眾欣

＼&StopAnalyzer＼&lucene|net分析與應(yīng)用|機(jī)械工業(yè)出版社|吳眾欣＼&KeywordAnalyzer＼&lucene分析與應(yīng)用 機(jī)械工業(yè)出版社 吳眾欣＼&SimpleAnalyzer＼&lucene|net分析與應(yīng)用|機(jī)械工業(yè)出版社|吳眾欣＼&WhitespaceAnalyzer＼&lucene.NET分析與應(yīng)用|機(jī)械工業(yè)出版社|吳眾欣＼&StandardAnalyzer＼&|lucene|分|析|與|應(yīng)|用|機(jī)|械|工|業(yè)|出|版|社|吳|眾|欣＼&PanGuAnalyzer＼&|lucene|分析|與|應(yīng)用|機(jī)械|工業(yè)出版社|吳眾欣＼&]

3 站內(nèi)搜索的實(shí)現(xiàn)

3.1 書(shū)籍編輯模塊

為了可以批量添加書(shū)籍信息，使用XML存儲(chǔ)書(shū)籍信息。網(wǎng)站管理員使用后臺(tái)管理界面添加或修改書(shū)籍信息。本文從XML讀文件信息的使用.NET內(nèi)置操作XML文件的庫(kù)函數(shù)。管理員輸入的書(shū)籍信息是純文本格式，無(wú)需解析。

本文從XML文件獲得純文本信息的核心代碼如下：

//創(chuàng)建一個(gè)XML對(duì)象

XMLDocument doc=new XMLDocument（）；

//加載指定的XML文檔

doc.Load（@"E：＼books.xml"）；

//創(chuàng)建讀取器

XMLNodeReader reader=new XMLNodeReader（）；

//讀取節(jié)點(diǎn)的信息

While（reader.Read（））

{

Switch（reader.NodeType）

{

Case XmlNodeType.Element

If（reader.Name="title"）

bookTitle=reader.Value；

...

}

}

3.2 索引模塊

索引庫(kù)相當(dāng)于關(guān)系數(shù)據(jù)庫(kù)，非常關(guān)鍵和重要，直接決定搜索的響應(yīng)速度與準(zhǔn)確性。針對(duì)網(wǎng)上書(shū)城，書(shū)籍關(guān)鍵信息包括書(shū)名、出版社、作者、出版時(shí)間、書(shū)籍簡(jiǎn)介等，因此在建立索引庫(kù)的時(shí)候一定要包含這些關(guān)鍵信息，方便用戶(hù)快速查詢(xún)，其它信息可根據(jù)需求添加。

為了實(shí)現(xiàn)網(wǎng)上書(shū)城實(shí)現(xiàn)實(shí)時(shí)的數(shù)據(jù)更新，本文采用“單例設(shè)計(jì)模式”和“生產(chǎn)者與消費(fèi)者”多線程模型相結(jié)合的方式。主線程創(chuàng)建單例管理器，整個(gè)程序中是唯一的，保證了數(shù)據(jù)更新數(shù)據(jù)的一致性。同時(shí)主線程扮演生產(chǎn)者的角色，當(dāng)添加或修改書(shū)籍的信息時(shí)，主線程（生產(chǎn)者）就會(huì)調(diào)用管理器，向任務(wù)列表新增任務(wù)，不用關(guān)心任務(wù)是否執(zhí)行了。整個(gè)網(wǎng)站一旦運(yùn)行，主線程（生產(chǎn)者）調(diào)用管理器創(chuàng)建消費(fèi)者線程并啟動(dòng)該線程。消費(fèi)者線程就會(huì)循環(huán)的檢測(cè)任務(wù)列表，如果有任務(wù)，就執(zhí)行索引任務(wù)，向索引庫(kù)中添加或修改書(shū)籍信息，否則，可根據(jù)需要設(shè)置該線程休眠的時(shí)間，防止占用cpu，造成浪費(fèi)。索引系統(tǒng)原理框圖如圖2所示。

圖2 索引系統(tǒng)原理框圖

具體索引功能使用lucene提供的核心類(lèi)IndexWriter、Direcrtory、Analyzer、Document、Field實(shí)現(xiàn)索引。IndexWriter這個(gè)類(lèi)負(fù)責(zé)創(chuàng)建新索引或打開(kāi)已有索引，以向索引中添加、刪除或更新被索引文檔的信息。Direcrtory類(lèi)描述了lucene索引存放位置。它是一個(gè)抽象類(lèi)，它的子類(lèi)負(fù)責(zé)具體指定索引的存儲(chǔ)路徑。Analyzer這個(gè)類(lèi)負(fù)責(zé)分詞，它是一個(gè)抽象類(lèi)，需要具體類(lèi)實(shí)現(xiàn)它。Document類(lèi)似于關(guān)系數(shù)據(jù)庫(kù)的記錄，是一些字段（field）的集合。Field類(lèi)似于關(guān)系數(shù)據(jù)庫(kù)的字段。索引建立過(guò)程：創(chuàng)建IndexWriter類(lèi)，指明索引庫(kù)位置以及使用的分詞器；創(chuàng)建一個(gè)文件記錄類(lèi)Document；把要記錄的字段加入Document；把Document寫(xiě)入到索引庫(kù)并且關(guān)閉索引。

核心代碼如下：

//單例索引管理器

public class IndexAdministration

{

//創(chuàng)建單例

public static readonly IndexAdministration Instance=new

IndexAdministration（）；

//私有化構(gòu)造器

Private IndexAdministration（）{}

//創(chuàng)建索引任務(wù)列表

private List tasks = new List（）；

//啟動(dòng)消費(fèi)者線程

public void StartComsumeThread（）

{Thread threadIndexWork = new Thread（IndexWork）；

threadIndexWork.Start（）；}

//執(zhí)行索引任務(wù)

private void IndexWork（）{...}

//添加索引任務(wù)，生產(chǎn)者調(diào)用

public void AddTask（IndexTask task）{ ...tasks.Add（task）；...}

//刪除索引任務(wù)，生產(chǎn)者調(diào)用

public void RemoveTask（IndexTask task）{...tasks.Remove（task）...}

}

執(zhí)行索引任務(wù)的核心代碼：

private void IndexWork（）

{

while（ture）

{...

//若無(wú)任務(wù)，睡眠

if （tasks.Count <= 0）{ Thread.Sleep（3 * 1000）；continue；}

//創(chuàng)建或打開(kāi)索引目錄

FSDirector IndexDirectory=FSDirectory.Open（

new DirectoryInfo（indexFilePath），new NativeFSLockFactory（））；

//創(chuàng)建索引寫(xiě)入器對(duì)象，參數(shù)1：索引庫(kù)位置，參數(shù)2：分詞器（盤(pán)古分詞），參數(shù)3：更新或添加

IndexWriter writer=new IndexWriter（IndexDirectory， new PanGuAnalyzer（），isUpdate）；

//創(chuàng)建Document對(duì)象

Document doc=new Document（）；

//添加字段到Docment對(duì)象中，根據(jù)需要添加必要的字段

doc.Add（new Field（"title"，bookTitle，F(xiàn)ield.Store.YES，

Field.Index.ANALYZED））；

...

//將doc添加到索引庫(kù)

writerAddDocument（doc）；

//關(guān)閉寫(xiě)入器

writer.Close（）；

//關(guān)閉索引庫(kù)

IndexDirectory.Close（）；

}

}

3.3 檢索模塊

lucene檢索功能使用lucene提供檢索的核心類(lèi)IndexSearcher、Term、Query、TopScoreDocCollector實(shí)現(xiàn)。IndexSearcher類(lèi)用于搜索使用IndexWriter類(lèi)建立的索引庫(kù)，它是連接索引的核心，以只讀的方式打開(kāi)索引庫(kù)。Term對(duì)象是檢索功能的最基本單元，包含域名和域文本值。Query是抽象父類(lèi)，它有很多具體子類(lèi)，最基本的子類(lèi)TermQuery，用來(lái)匹配指定域中包含特定項(xiàng)的文檔。TopScoreDocCollector是一個(gè)簡(jiǎn)單指針容器，指向匹配查詢(xún)條件的前N個(gè)搜索結(jié)果，N可以根據(jù)需要選擇，方便分頁(yè)展示。

檢索過(guò)程：打開(kāi)索引庫(kù)FSDirectory；創(chuàng)建一個(gè)搜索器IndexSearcher指向索引庫(kù)；創(chuàng)建一個(gè)查詢(xún)類(lèi)Query的子類(lèi)并對(duì)輸入的內(nèi)容進(jìn)行分詞；組裝查詢(xún)類(lèi)，lucene提供多種查詢(xún)類(lèi)，根據(jù)需要選擇；通過(guò)調(diào)用搜索器的Search方法執(zhí)行查詢(xún)，將結(jié)果放到TopScoreDocCollector指針容器；根據(jù)需要獲得查詢(xún)結(jié)果的文檔內(nèi)容。

核心代碼

//打開(kāi)已創(chuàng)建的索引庫(kù)，

FSDirectory IndexDirectory=FSDirectory.Open（

new DirectoryInfo（indexFilePath），new NoLockFactory（））；

//創(chuàng)建搜索器

IndexSearcher indexSearcher = new IndexSearcher（IndexDirectory）；

//創(chuàng)建Query的一個(gè)實(shí)現(xiàn)類(lèi)，根據(jù)需要?jiǎng)?chuàng)建

PhraseQuery query = new PhraseQuery（）；

//對(duì)輸入內(nèi)容進(jìn)行分詞

List cutWords=CutWord（inputWords）；

//組裝查詢(xún)條件，根據(jù)需要設(shè)置

foreach（string word in cutWords）{ query.Add（new Term（"bookTitle"， word））；}

...

//創(chuàng)建存儲(chǔ)查詢(xún)結(jié)果的指針容器

TopScoreDocCollector collector = TopScoreDocCollector.create（100， true）；

//查詢(xún)，第一個(gè)參數(shù)：查詢(xún)條件，第二個(gè)：過(guò)濾條件，第三個(gè)：指針容器

indexSearcher .Search（query， null， collector）；

//從指針容器中獲得結(jié)果，第一個(gè)參數(shù)：結(jié)果的起始位置，第二個(gè)：獲取數(shù)量

ScoreDoc[] documents = collector.TopDocs（startIndex，Count）.scoreDocs；

//從搜索結(jié)果中獲取Document

for （int i = 0； i < documents .Length； i++）{

//得到文檔編號(hào)，lucene內(nèi)部分配的，為了降低內(nèi)存，結(jié)果只有編號(hào)

int documentId = documents [i].doc；

/根據(jù)id找到Document

Document doc = searcher.Doc（docId）；

//獲取Document的具體內(nèi)容，根據(jù)需求獲取所需內(nèi)容，便可以展示給用戶(hù)了

string bookTitle= doc.Get（"title"）；

....

}

分詞函數(shù)：

List cutWords（string words， Analyzer analyzer）

//存放分詞結(jié)果的集合

{List results = new List（）；

//調(diào)用分詞器分詞

TokenStream ts = analyzer.ReusableTokenStream（""， new StringReader（words））；

Token token；

while （（token = ts.Next（）） ！= null）

//添加到分詞結(jié)果

{results.Add（token.TermText（））；}

//關(guān)閉分詞器

ts.Close（）；

return results；}

3.4 展示模塊

展示模塊主要用來(lái)展示查詢(xún)到匹配的結(jié)果。lucene并沒(méi)用提供展示內(nèi)容的接口函數(shù)，需要我們自己設(shè)計(jì)如何展示內(nèi)容，由于本文是針對(duì)網(wǎng)上書(shū)城開(kāi)發(fā)的站內(nèi)搜索，所以選擇一網(wǎng)頁(yè)的形式展現(xiàn)。

本文使用.NET平臺(tái)設(shè)計(jì)展示網(wǎng)頁(yè)。實(shí)現(xiàn)思路：首先在展示頁(yè)面拖放一個(gè)Reapter控件，其次把搜所到數(shù)據(jù)轉(zhuǎn)換成一個(gè)集合listResult，然后將listResult綁定到Reapter數(shù)據(jù)源便可顯示了。

為了更好的客戶(hù)體驗(yàn)，像百度、Google、360搜索一樣，將結(jié)果中的關(guān)鍵字用特殊的顏色標(biāo)出，醒目的提示用戶(hù)。本文使用盤(pán)古分詞的高亮插件 PanGu.HighLight.dll實(shí)現(xiàn)。

4 實(shí)驗(yàn)結(jié)果與分析

基于上述設(shè)計(jì)與實(shí)現(xiàn)方法創(chuàng)建了一個(gè)虛擬的系統(tǒng)，進(jìn)行實(shí)驗(yàn)驗(yàn)證。

使用vs2010平臺(tái)搭建，lucene.net版本3.0.3，盤(pán)古分詞版本2.3.1。

首先向索引庫(kù)中添加1000本書(shū)的信息，其中兩本書(shū)如表2所示。

表2 待搜索的書(shū)籍信息

[書(shū)名＼&作者＼&簡(jiǎn)介＼&設(shè)計(jì)模式＼&GOF4＼&可復(fù)用面向?qū)ο筌浖幕A(chǔ)＼&面向?qū)ο蟮某绦蛟O(shè)計(jì)＼&Grady Booch＼&面向?qū)ο蠓治雠c設(shè)計(jì)，纖細(xì)介紹了，面向?qū)ο笤瓌t＼&]

輸入“面向?qū)ο蟆?，根?jù)簡(jiǎn)介搜索，兩本書(shū)都可搜出，且排在前兩位，說(shuō)明準(zhǔn)確性高，及相關(guān)性設(shè)計(jì)合理。如圖3所示為搜索結(jié)果截圖。

圖3 輸入“面向?qū)ο蟆钡乃阉鹘Y(jié)果

其次輸入“l(fā)ucene”進(jìn)行搜索，沒(méi)有任何結(jié)果。說(shuō)明索引庫(kù)中沒(méi)有這本書(shū)的信息。添加如表3的信息。

表3 添加的書(shū)籍信息

[書(shū)名＼&作者＼&簡(jiǎn)介＼&lucene實(shí)戰(zhàn)＼&Erik Hatacher＼&lucene實(shí)戰(zhàn)這本書(shū)，從基礎(chǔ)講起，并運(yùn)用大量例子說(shuō)明使用方法，很實(shí)用。＼&]

添加書(shū)籍信息后，立刻輸入“l(fā)ucene”，根據(jù)書(shū)名進(jìn)行搜索，搜到了這本書(shū)，如圖4所示為搜索結(jié)果截圖。說(shuō)明了實(shí)時(shí)性高。

圖4 輸入“l(fā)ucene”進(jìn)行搜索的結(jié)果

5 結(jié)束語(yǔ)

本文針對(duì)網(wǎng)上書(shū)城對(duì)數(shù)據(jù)更新實(shí)時(shí)性高與書(shū)籍信息準(zhǔn)確性高的要求，提出了使用lucene與盤(pán)古分詞器相結(jié)合的站內(nèi)搜索系統(tǒng)解決方案。分析了盤(pán)古分詞器的性能優(yōu)勢(shì)，選擇盤(pán)古分詞器，提高了搜索的準(zhǔn)確性；采用“生產(chǎn)者與消費(fèi)者”多線程模式與“單例”設(shè)計(jì)模式相結(jié)合的方法，實(shí)現(xiàn)了數(shù)據(jù)的實(shí)時(shí)更新。并通過(guò)實(shí)驗(yàn)驗(yàn)證了該方案的有效性。該方案主要針對(duì)中小型網(wǎng)上書(shū)城而設(shè)計(jì)的，對(duì)大型網(wǎng)上書(shū)城大數(shù)據(jù)不適應(yīng)，這也是下一步繼續(xù)研究探索的方向。

參考文獻(xiàn)：

[1] 邱哲， 符滔滔， 王學(xué)松. 開(kāi)發(fā)自己的搜索引擎Lucene+Heritrix[M]. 北京： 人民郵電出版社， 2010.

[2] 吳眾欣， 沈家立. Lucene分析與應(yīng)用[M]. 北京： 機(jī)械工業(yè)出版社， 2008.

[3] 李天平. 項(xiàng)目中的.NET[M]. 北京： 電子工業(yè)出版社， 2012.

[4] Martin Fowler. 重構(gòu)改善既有代碼的設(shè)計(jì)[M]. 北京： 人民郵電出版社.

[5] 周海松， 劉建明， 李龍. 基于Lucene的垂直搜索引擎研究與實(shí)現(xiàn)[J]. 桂林電子科技大學(xué)學(xué)報(bào)， 2014， 34（3）： 226-229.

[6] 李永春， 丁華福. Lucene 的全文檢索的研究與應(yīng)用[J]. 計(jì)算機(jī)技術(shù)與發(fā)展， 2010， 20（2）： 12-15.

[7] 朱學(xué)昊， 王儒敬， 余鋒林， 唐昱. 基于 Lucene的站內(nèi)搜索設(shè)計(jì)與實(shí)現(xiàn)[J]. 計(jì)算機(jī)應(yīng)用與軟件， 2008， 25（10）： 6-9.

[8] 李建林. 基于Lucene的Web搜索引擎的研究[D]. 蘭州： 蘭州理工大學(xué)， 2010.

[9] 陰曉昱. 基于Lucene 多核并行索引方法的設(shè)計(jì)與實(shí)現(xiàn)[D]. 上海： 上海交通大學(xué)， 2010.

[10] 胡鵬飛. Lucene與中文分詞技術(shù)的研究及應(yīng)用[D]. 北京： 北京交通大學(xué)， 2010.