利用Lucene.net搭建站内搜索(3)创建索引

Lucene.net提供了很全面的数据搜索操作，你可以利用Lucene.net检索磁盘中的文件，网页，数据库中的数据，但是前提是预先对数据创建索引。
Lucene索引过程分为三个主要的操作阶段：将数据转换成文本、分析文本、并将分析过的文本保存到索引库中。如图所示：

1.数据转成文本：须将数据转换成Lucene能够处理的格式——纯文本字符流。

2.分析文本：完成了针对待索引数据的预处理操作，并创建了带有若干个域的Document对象，就可以调用IndexWriter的addDocument(Document)方法，将数据传递给Lucene来进行索引操作。在对数据进行索引处理时，Lucene会首先分析（analyze）数据使之更加适合被索引。

3.将分析过的文本保存到索引库中：对输入数据分析处理完之后，就可以将结果写入到索引文件中。Lucene将输入数据以一种称为倒排索引（inverted index）的数据结构进行存储。在进行关键字快速查找时，这种数据结构能够有效地利用磁盘空间。

下面介绍下Lucene.net中处理索引的类：
IndexWriter
IndexWriter是索引中负责操作的核心，它负责把索引文件写入存储介质，是控制逻辑存储转换为物理存储的纽带。

Document
Document就是一条虚拟记录，可以理解为数据里的一行。正是有了它，才使我们可以很方便并且易于理解地操作索引文件。它一般记录了需要用到的一个文档的属性，当然，这需要和Field联合使用。

Field
Field类就是数据库里的一列。一个文档有标题，内容，作者，创建时间这四个属性的话，那么就需要四个Field保存这些属性，然后把四个Field加入到Document中。
Field的构造函数比较多。其中Store，Index和TermVector是通过内部类指定的。

(1)--Store 有三个选项：
Field.Store.COMPRESS表示被压缩存储；
Field.Store.YES表示储存；
Field.Store.NO表示不被存储。

(2)--Index的选项有四个：
Field.Index.NO表示不建立索引；
Field.Index.TOKENIZED表示分词后索引；
Index.NO_NORMS表示值存储内容；
Field.Index.UN_TOKENIZED表示不分词索引。

(3)--TermVector这个参数也不常用，它有五个选项。
Field.TermVector.NO表示不索引Token的位置属性；
Field.TermVector.WITH_OFFSETS表示额外索引Token的结束点；
Field.TermVector.WITH_POSITIONS表示额外索引Token的当前位置；
Field.TermVector.WITH_POSITIONS_OFFSETS表示额外索引Token的当前和结束位置；
Field.TermVector.YES则表示存储向量。

通过实例生成数据索引：

这里我将数据保存在Access数据库中，对Access数据库中的数据进行索引：
保存数据的表：数据库中保存了1000条数据
 

为数据创建索引代码：

using System;
using System.Data;
using System.Configuration;
using System.Web;
using System.Web.Security;
using System.Web.UI;
using System.Web.UI.WebControls;
using System.Web.UI.WebControls.WebParts;
using System.Web.UI.HtmlControls;

using System.Collections.Generic;
using System.Text;
using System.IO;
using System.Text.RegularExpressions;
using System.Data.SqlClient;
using Lucene.Net.Analysis;
using Lucene.Net.Documents;
using Lucene.Net.Index;
using Lucene.Net.Analysis.KTDictSeg;
using LuceneSearch;

/// <summary>
/// CreateIndex 的摘要说明
/// </summary>
public class CreateIndex
{
    //词库路径
    public string wordPath;
    public string indexDirectory;
    //定义一个IndexWriter
    protected IndexWriter writer = null;
    //需要导出的数目
    public int allNum;
    //当前完成的数目
    public int completeNum;
    //需要生成的表
    public DataTable dt;

    DAL.OperSql os = new DAL.OperSql();
    public CreateIndex()
    {

    }

    public void GetIndex(int inum)
    {
        //定义分析器
        Analyzer KTDAnalyzer = new KTDictSegAnalyzer(wordPath);

        //PerFieldAnalyzerWrapper可以对不同的Field进行不同的分析
        PerFieldAnalyzerWrapper wrapper = new PerFieldAnalyzerWrapper(KTDAnalyzer);

        wrapper.AddAnalyzer("ID", KTDAnalyzer);
        wrapper.AddAnalyzer("News_Url", KTDAnalyzer);
        wrapper.AddAnalyzer("News_Date", KTDAnalyzer);

        //判断是否已有索引
        bool isure = !IndexReader.IndexExists(indexDirectory);
        //创建索引的数据条数
        allNum = dt.Rows.Count;
        //创建IndexWriter
        writer = new IndexWriter(indexDirectory, wrapper, isure); 
        writer.SetUseCompoundFile(true); //显式设置索引为复合索引
        writer.SetMaxFieldLength(int.MaxValue); //设置域最大长度为最大值
        writer.SetMergeFactor(allNum + 100); //设置每100个段合并成一个大段
        writer.SetMaxMergeDocs(10000); //设置一个段的最大文档数
        writer.SetMaxBufferedDocs(1000); //设置在把索引写入磁盘前内存里文档的缓存个数
        //创建IndexReader
        IndexReader reader = null;
        bool needre = inum == 1;

        reader = IndexReader.Open(indexDirectory);
        for (int i = 0; i < dt.Rows.Count; i++)
        {
            completeNum = i + 1;
            string body = parseHtml(dt.Rows[i]["News_Body"].ToString());
            string title = parseHtml(dt.Rows[i]["News_Title"].ToString());

            if (title.Length > 2 && body.Length > 2)
            {
                if (needre)
                {
                    Term term = new Term("ID", dt.Rows[i]["ID"].ToString());
                    reader.DeleteDocuments(term);

                }
                Document document = new Document();

                document.Add(new Field("ID", dt.Rows[i]["ID"].ToString() ?? "", Field.Store.YES, Field.Index.UN_TOKENIZED));
                document.Add(new Field("News_Title", title, Field.Store.NO, Field.Index.TOKENIZED));
                document.Add(new Field("News_Body", body, Field.Store.NO, Field.Index.TOKENIZED));
                document.Add(new Field("News_Url", dt.Rows[i]["News_Url"].ToString() ?? "", Field.Store.YES, Field.Index.UN_TOKENIZED));
                document.Add(new Field("News_Date", DateField.DateToString(Convert.ToDateTime(dt.Rows[i]["News_Date"].ToString())) ?? "", Field.Store.YES, Field.Index.UN_TOKENIZED));
                writer.AddDocument(document);;
            }
        }
        reader.Close();
        writer.Optimize();
        writer.Close();

    }
}

传入参数，生成索引文件：

try
        { 
            ci.wordPath = Server.MapPath("App_Data") + @"\"; //词库路径;
            ci.indexDirectory = Server.MapPath("index") + @"\"; //词库路径;
            ci.dt = dt;
            ci.GetIndex(1);           
        }

其中dt是保存数据的DataTable，wordpath是分词器的词库文件chsstopwords.txt，engstopwords.txt，dict.dct的路径，indexDirectory是生成索引文件的路径。
生成索引成功后，我们会在index文件夹下看到生成的文件：

这样，我们就创建好了数据的索引。检索数据的时候，我们就可以利用它快速的对数据进行检索。