用户名: 密 码:
您现在的位置:首页 >> SEO开发技巧 >> 内容

Hack in Lucene.Net之为什么无法在搜索时统计分类下相关结果数或者实现Group By

时间:2009/8/30 19:05:03 点击:7456

  核心提示:这几天一直在思考如果Hack in Lucene.Net就能实现在搜索时统计分类下相关结果数或者实现Group By效果,答案是,如果依靠IndexSearcer类注入,那么是不可能实现这个效果的。从大的方面——索引结构——上面说更加容易让人理解,就先从这里说起。Lucene的索引结构是分块的,这个...

这几天一直在思考如果Hack in Lucene.Net就能实现在搜索时统计分类下相关结果数或者实现Group By效果,答案是,如果依靠IndexSearcer类注入,那么是不可能实现这个效果的。从大的方面——索引结构——上面说更加容易让人理解,就先从这里说起。

Lucene的索引结构是分块的,这个在很多地方有这样的资料。为了更加方便理解,这里建立一个简单的索引文件。

static void Main(string[] args) {
    IndexWriter writer 
= new IndexWriter("d:\\index"new StandardAnalyzer(), true);

    writer.AddDocument(
new IndexDocumentExtension.DocmentField[] { 
        
new IndexDocumentExtension.DocmentField("ID","1"),
        
new IndexDocumentExtension.DocmentField("Title","test record first",Field.Store.NO,Field.Index.TOKENIZED,0.0f),
        
new IndexDocumentExtension.DocmentField("Category","1")
    });
    writer.AddDocument(
new IndexDocumentExtension.DocmentField[] { 
        
new IndexDocumentExtension.DocmentField("ID","2"),
        
new IndexDocumentExtension.DocmentField("Title","test record second"),
        
new IndexDocumentExtension.DocmentField("Category","1")
    });
    writer.AddDocument(
new IndexDocumentExtension.DocmentField[] { 
        
new IndexDocumentExtension.DocmentField("ID","3"),
        
new IndexDocumentExtension.DocmentField("Title","test record third"),
        
new IndexDocumentExtension.DocmentField("Category","2")
    });

    writer.Close();
}
public static class IndexDocumentExtension {
    
public static void AddDocument(this IndexWriter writer, DocmentField[] fields) {
        Document doc 
= new Document();
        
foreach (DocmentField field in fields) {
            doc.Add(
new Field(field.Key, field.Value, field.Store, field.Index));
            
if (field.Boost != 1.0f)
                doc.GetField(field.Key).SetBoost(field.Boost);
        }
        writer.AddDocument(doc);
    }

    
public class DocmentField {
        
public DocmentField(string key, string value)
            : 
this(key, value, Field.Store.YES, Field.Index.TOKENIZED, 1.0f) {
        }

        
public DocmentField(string key, string value, Field.Store store, Field.Index index, float boost) {
            
this.Key = key;
            
this.Value = value;
            
this.Store = store;
            
this.Index = index;
            
this.Boost = boost;
        }

        
public string Key { getset; }
        
public string Value { getset; }
        
public Field.Store Store { getset; }
        
public Field.Index Index { getset; }
        
public float Boost { getset; }
    }
}
由以上代码在d盘的index目录创建了一份索引,包含了3个文档,每个文档有3个字段,除了第一份文档不存储数据外,其它两份都存储,并且进行了分词的操作。用记事本打开cfs文件可以看到图1.1的效果的乱码文件,上面作了简单的说明。PS:不会用PS,专门装了下FW,汗~~~
 


图1.1
图1.1只标了Title字段索引后的效果。但从这里就可以看出,在搜索过程中,用Analyzer对搜索文本进行分词得到Term后,与这里的项索引进行对比的时候是拿不到文档的。但是,要实现按分类统计结果数或者实现Group By的效果,需要知道文档其它字段的信息。因此,入侵内部循环完成相应的目的似乎不太可能了。使用下面的代码可以从逻辑结构上更加清晰地看到结果。调用的时候,使用printSegment("_u"); 注意,我的cfs文件的文件名是_u.cfs,你的可能会不一样。省略后缀,采用前面的部分。
public static void printSegment(String segment) {
    Lucene.Net.Store.Directory directory 
= FSDirectory.GetDirectory("d:\\index"false);
    SegmentReader segmentReader 
= SegmentReader.Get(new SegmentInfo(segment, 3, directory,true,true)); //new SegmentInfo(segment, 1, directory)
    
//display document.
    for (int i = 0; i < segmentReader.NumDocs(); i++)
        Console.WriteLine(segmentReader.Document(i).ToString());
    TermEnum termEnum 
= segmentReader.Terms();//此处实际为SegmentTermEnum
    
//display term and term positions,termDocs
    while (termEnum.Next()) {
        Console.WriteLine(termEnum.Term().ToString());
        Console.WriteLine(
" document.requency=" + termEnum.DocFreq());
        TermPositions termPositions 
= segmentReader.TermPositions(termEnum.Term());
        
int i = 0;
        
while (termPositions.Next()) {
            Console.WriteLine((i
+++ "->" + TermPositionsToString(termPositions));
        }
        TermDocs termDocs 
= segmentReader.TermDocs(termEnum.Term());//实际为segmentDocs
        while (termDocs.Next()) {
            Console.WriteLine((i
+++ "->" + TermDocsToString(termDocs));
        }
    }
    
//display field info
    FieldInfos fieldInfos = segmentReader.FieldInfos();
    FieldInfo pathFieldInfo 
= fieldInfos.FieldInfo("ID");
    FieldInfo modifiedFieldInfo 
= fieldInfos.FieldInfo("Category");
    FieldInfo contentsFieldInfo 
= fieldInfos.FieldInfo("Title");
    Console.WriteLine(pathFieldInfo);
    Console.WriteLine(modifiedFieldInfo);
    Console.WriteLine(contentsFieldInfo);
    
//display TermFreqVector
    for (int i = 0; i < segmentReader.NumDocs(); i++) {
        
//对contents的token之后的term存于了TermFreqVector
        TermFreqVector termFreqVector = segmentReader.GetTermFreqVector(i, "Title");
        Console.WriteLine(termFreqVector);
    }
}

public static string TermPositionsToString(TermPositions termPositions) {
    
string pos = string.Empty;
    
for (int i = 0; i < termPositions.Freq(); i++) {
        pos 
+= termPositions.NextPosition() + ",";
    }
    pos 
= pos.Remove(pos.Length - 11);
    
return string.Format("<doc,TermFrequency,Pos>:< doc={0}, TermFrequency={1} Pos={2}>", termPositions.Doc(), termPositions.Freq(), pos);
}

public static string TermDocsToString(TermDocs doc) {
    
return string.Format("<docNumber,freq>=<{0},{1}>", doc.Doc(), doc.Freq());
}
这里截取了一个输出图。

图1.2
另外从代码上看,也不太可能实现。完成索引的对比最终会在Term类的CompareTo方法完成。不详细介绍,给出调用关系的堆栈信息,可以看出大概。
Lucene.Net.Index.Term.CompareTo(Lucene.Net.Index.Term) 行 122
Lucene.Net.Index.TermInfosReader.GetIndexOffset(Lucene.Net.Index.Term) 行 202
Lucene.Net.Index.TermInfosReader.Get(Lucene.Net.Index.Term) 行 236
Lucene.Net.Index.SegmentReader.DocFreq(Lucene.Net.Index.Term) 行 792
Lucene.Net.Search.IndexSearcher.DocFreq(Lucene.Net.Index.Term) 行 126
Lucene.Net.Search.Similarity.Idf(Lucene.Net.Index.Term, Lucene.Net.Search.Searcher) 行 484
Lucene.Net.Search.TermQuery.TermWeight.TermWeight(Lucene.Net.Search.TermQuery, Lucene.Net.Search.Searcher) 行 62
Lucene.Net.Search.TermQuery.CreateWeight(Lucene.Net.Search.Searcher) 行 173
Lucene.Net.Search.Query.Weight(Lucene.Net.Search.Searcher) 行 102
Lucene.Net.Search.Hits.Hits(Lucene.Net.Search.Searcher, Lucene.Net.Search.Query, Lucene.Net.Search.Filter) 行 63
Lucene.Net.Search.Searcher.Search(Lucene.Net.Search.Query, Lucene.Net.Search.Filter) 行 57
Lucene.Net.Search.Searcher.Search(Lucene.Net.Search.Query) 行 48
TestLucene.Program.Main(string[]) 行 40
[外部代码] 
在写这篇文章的时候,有了另外一个思路,但是比较复杂,还没考虑好,要是可以成功就可以比较好地解决这个问题了。目前能实现这两种效果的办法还是要在TopDocCollector类的Collect处注入代码。

文章来源:http://www.xinxilong.com

作者:不详 来源:网络
相关文章
  • 没有相关文章
相关评论
发表我的评论
  • 大名:
  • 内容:
  • 论坛群发大师(www.xinxilong.com) © 2008 版权所有 All Rights Resverved.
  • Email:4984672[at]qq.com 沪ICP备12025887号-1
  • Powered by 论坛群发大师