Community Server 2.0的中文檢索功能
 |  | 6 |  |  |
CommunityServer 2.0的功能真是酷到不行，結合了許多AJAX的前端技巧，除了原本應用FreeTextBox的RichText編輯功能外，甚至在UI直接Doble-Click就可以開始修改頁面上的文字，讚嘆之餘，也開始覺得這一行愈來愈不好混了，未來客戶的UI規格要求恐怕會以這種水準為基礎向上加，理由很簡單，不要錢的Open Source Project都做得到，你好意思做得比他還差嗎?
最近因為工作需要，正在規劃一個企業入口網站，由於SPS/WSS內建的討論區功能實在陽春到令人想吐，而討論區的功能偏偏又是企業內部數一數二的熱門應用，因此我打算把華麗的CS2.0整合進來。評估了一下，有三大難關:
1.我只需要Forums的功能，Blogs與Photos的功能暫不開放免得自找麻煩，看來CommunityServer並沒有設計開關讓我直接停用，幸好NavigationBar上可以藉由修改SiteUrls.config移去不需要的Link，加上不開放給任何人建立Blog或Photos，應該就OK了。如果還不放心，還可以將Blogs、Photos目錄給刪了，就真的萬無一失了。
2006-04-16 後來發現根本不用這麼麻煩，CS2.0有內建Blog、Form、Photo...等各項功能停用與否的設定UI，所以點一點就可以了。真是個好軟體!
2.由於CS預設是使用Forms認證，為了跟SPS結合，非用Windows認證不可。Telligent Systems雖然有賣
Windows Authentication Add-On，但它要價USD 399! 而且在我的需求中，還需要做到使用者第一次登入CS時，由HR的資料庫取得姓名、Email等資料，立刻自動註冊成合法會員，就算買了Add-On，這一段恐怕還有客製上的Issue。因此索性自已動手修改了User.cs、CommonDataProvider.cs、SqlCommonDataProvider.cs，加入查詢HR資料表的功能，再改了Logon.aspx加入以Request.ServerVariables["LOGON_USER"]帳號自動登入，最後，若發現該帳號非會員則自動註冊的機制，這部分的功能就算齊了。
3.另外，查了Google發現許多人抱怨CS的Search檢索功能不能查中文。試了一下，果然，輸入中文字查詢時，會查到全部的文章，因此結論是預設的CS2.0，是無法查中文的。
Trace Code之後發現，CS用英文字串HashCode的做法實作檢索功能，有效率是有效率，但是此法完全未考慮到當關鍵字是中文的情況。再查了Google，竟意外連至朋友Rex的Blog，其中展示
了如何以T-SQL LIKE來實作可以支援中文的查詢功能。
拜讀過Rex的大作讓我信心大增，不過Rex修的是CS1.1，CS2.0的程式配置與做法都有調整，看來得DIY了。
我修改了SearchTerms.cs的GetSearchTerms，在遇到中文時，不要啟用TokenizeKeywords程序，否則所有中文都會被濾掉，接著還改寫出GetAndOrKeywordsNonEN，以便能處理中文關鍵字串中的AND、OR符號。
另外，SerachBarrelProvider.cs是另一個改寫重點。我將SearchText改寫成SearchTextLike(這個概念來自於Rex的啟發，感謝啦!)，其中的差異在於原本查詢cs_SearchBarrel比對WordHash的做法改為直接Query cs_Posts資料表，並用LIKE '%關鍵字%'的手法比對Subject與Body兩個欄位，我讓
GetSearchResults會視關鍵字中有無中文(有無中文的檢測是透過System.Text.Encoding.GetEncoding("big5").GetBytesCount()計算BIG5編碼長度與原始字長度比較，當二者不同時，表示其中有全形字)，來決定要用SearchText或是SearchTextLike。如此，可以在更動最少的情況下，讓CS支援中文查詢。
當然，用LIKE查詢有兩個問題，第一是原本查詢結果有權重的觀念，LIKE完全無法提供；第二點是未來若資料量變大，預估沒效率的LIKE '%...%'將會造成效能問題。
長久之計，應該還是要回歸SQL 2000/2005的FullText Search，一方面效能較佳，二來FreeTextTable的功能提供了RANK，可以仿效權重(雖然由實測的結果，始終不覺得RANK能反應所謂的"符合度")。只是這需要DB Schema端的配合，細節也要構思一下，就當成下一階段的目標吧!
想要參考SearchTerms.cs與SerachBarrelProvider.cs原始碼修改的朋友，可以到這裡下載。
Comments
# by 小熊子
只有一句話…<BR/><BR/>太。強。了。<BR/><BR/>佩服佩服
# by dmwc
我有修改過那些Code，但還是沒辦法正確搜尋<BR/><BR/>可否將您的DLL檔借我測試
# by Darkthread
To dmwc,<BR/>呃... 由於後來又陸續針對我的需求，改了數個地方(我加上了AD整合式認證)，可能直接引用DLL會有些困難。<BR/>有試過我附上可下載的兩個cs嗎? 我建議用SQL Profiler監看一下改版後送出的T-SQL指令，看看是否修改有生效。或是將問題細節再說明一下，我看看可否幫上忙。<BR/>Jeffrey
# by dmwc
我不曉得是不是環境的差異，我在MSDE + CWin2003 和 SQL2005(E) + EWin2003 情況下，都是跑出不正確的結果，不然就是您只有開Blog，但我是全部服務都開<BR/><BR/>在經過我半天的測試，後來有找到一個致命的Bug，修正那個Bug後，就正常了<BR/><BR/>如: <A HREF="http://www.ruri.com.tw/cs" REL="nofollow"/><BR/><BR/>Bug 說一下，搜尋 Like '%中文%' 指令是錯的，正確的語法是 Like N'%中文%'<BR/><BR/>另外 cs_SearchBarrel 我也研究完了，明後天再把心得寫一寫，cs_SearchBarrel對於中文還是有用，不需要程式大改
# by Darkthread
您是對的，CS中的標題與內文都是用nvarchar，因此在T-SQL使用N'...'才夠嚴謹。剛剛實地驗證了一下，在我的環境中(英文Win2003+英文SQL2000)，不管有沒有加N都可以查出結果，但如果有用到非Big5的字，那麼這個寫法肯定要出錯的。<BR/>SearchBarrel算Hash的作法也可以適用於中文嗎? 真是大消息! 期待您的大作發表!
# by dmwc
我把我改的心得寫在 <A HREF="http://www.ruri.com.tw/cs/blogs/archive/2006/06/24/279.aspx" REL="nofollow">http://www.ruri.com.tw/cs/blogs/archive/2006/06/24/279.aspx</A><BR/><BR/>歡迎提供意見