Posted on 2004-08-03 10:25
yysun 阅读(4348)
评论(13) 编辑 收藏 所属分类:
Design
91 年底用 Lucene (Java) 做了 大富翁全文检索。为了中文处理，制作了 ChineseTokenizer，ChineseFilter 和 ChineseAnalyzer 三个类。
当网上有人把 Lucene 移植成 C# 版本的时候 (NLucene)，也试着转换那三个类。发现了一些 Java 与 C# 的区别：
- In Java, Tokenizer uses Reader which returns -1 if nothing can be read. But in C#, Tokenizer uses TextReader which returns 0 in this case.
if (dataLen == -1) return Flush(); // Java
should be changed to
if (dataLen == 0) return Flush(); // C#
- In C#, the result of string.CompareTo relies on the Locale settings. It's better to use string.CompareOrdinal instead.
String.Compare(...) // Java
string.CompareOrdinal(...) // C#
移植后 .NET 下的 Lucene 工作良好，最妙的地方是数据格式兼容。即用 Java Lucene 生成的索引，能被 C# 读出来，反之亦然。
最近有机会把 大富翁全文检索 搬到 ASP.NET 下，所以有拾起 Lucene。发现 NLucene 已经停止了，取而代之的是 Lucene.NET。
Lucene.NET 发布了个 NLS (语言处理包)，收录了我的 ChineseAnalyzer。结果他们在移植过程中忽略了 Reader 返回 -1，0 的差别，会造成死循环。我已经在 Lucene.NET 的Bug 和论坛中指出。希望不要被人骂。
感觉 Lucene.NET 仍然是 Java Lucene 1.2 的核心，因为据说 1.3 的 JavaCC 语法分析器包括了更多的 unicode 处理，能进行中文分词，不需要额外的辅助类。但是 Lucene.NET 仍然需要我的 ChineseAnalyzer 包才能处理中文。
因此重新审查 ChineseAnalyzer，发现一个错误。
In file ChineseTokenizer.cs, around line 160.
case UnicodeCategory.OtherLetter:
if (length>0)
{
bufferIndex--;
return Flush();
}
should be :
case UnicodeCategory.OtherLetter:
if (length>0)
{
bufferIndex--;
offset --; // Add this
return Flush();
}
这个错误不影响建索引和检索，但是回影响到加亮显示 (highligh)。这个问题也已经发到 Lucene.NET 的论坛。
ChineseAnalyzer 包到底干了些什么？这是一个中文分词工具，是单字模式，把每个中文字作为一个词 (Token)。那么检索词“中国”、“中共”、“人和”、“民国”是否会把“中华人民共和国”检索出来呢？答案是：不会。原因是 Lucene 的 Query Parser 会把“中国”解析成两个必须相连的 Token。非常精妙 (PhraseSlop=0 by default)。因此完全没有必要象另外一个 CJKAnalyzer，那样把每两个字作为一个词，既增加一倍的索引存储空间，又复杂化分词算法。这里是一个别人做的分析。实际用下来，我的单字模式分词算法很快，索引存储小，多快好省。
目前排序问题仍然没有好的解决办法，不过看到不久就要出台的 Lucene 1.4 会支持排序，那就先等等吧。
2004年6月18日 22:34