lucene创建索引初步和搜索初步

jopen 4年前

1 lucene简介
1.1 什么是lucene
    Lucene是一个全文搜索框架,而不是应用产品。因此它并不像www.baidu.com 或者google Desktop那么拿来就能用,它只是提供了一种工具让你能实现这些产品。
2 lucene的工作方式
    lucene提供的服务实际包含两部分:一入一出。所谓入是写入,即将你提供的源(本质是字符串)写入索引或者将其从索引中删除;所谓出是读出,即向用户提供全文搜索服务,让用户可以通过关键词定位源。
2.1写入流程
    源字符串首先经过analyzer处理,包括:分词,分成一个个单词;去除stopword(可选)。
将源中需要的信息加入Document的各个Field中,并把需要索引的Field索引起来,把需要存储的Field存储起来。
    将索引写入存储器,存储器可以是内存或磁盘。
2.2读出流程
    用户提供搜索关键词,经过analyzer处理。
对处理后的关键词搜索索引找出对应的Document。
用户根据需要从找到的Document中提取需要的Field。
3 一些需要知道的概念
3.1 analyzer
    Analyzer是分析器,它的作用是把一个字符串按某种规则划分成一个个词语,并去除其中的无效词语,这里说的无效词语是指英文中的“of”、 “the”,中文中的“的”、“地”等词语,这些词语在文章中大量出现,但是本身不包含什么关键信息,去掉有利于缩小索引文件、提高效率、提高命中率。
分词的规则千变万化,但目的只有一个:按语义划分。这点在英文中比较容易实现,因为英文本身就是以单词为单位的,已经用空格分开;而中文则必须以某种方法将连成一片的句子划分成一个个词语。具体划分方法下面再详细介绍,这里只需了解分析器的概念即可。
3.2 document
用户提供的源是一条条记录,它们可以是文本文件、字符串或者数据库表的一条记录等等。一条记录经过索引之后,就是以一个Document的形式存储在索引文件中的。用户进行搜索,也是以Document列表的形式返回。
3.3 field
    一个Document可以包含多个信息域,例如一篇文章可以包含“标题”、“正文”、“最后修改时间”等信息域,这些信息域就是通过Field在Document中存储的。
</span>

    Field有两个属性可选:存储和索引。通过存储属性你可以控制是否对这个Field进行存储;通过索引属性你可以控制是否对该Field进行索引。这看起来似乎有些废话,事实上对这两个属性的正确组合很重要,下面举例说明:还是以刚才的文章为例子,我们需要对标题和正文进行全文搜索,所以我们要把索引属性设置为真,同时我们希望能直接从搜索结果中提取文章标题,所以我们把标题域的存储属性设置为真,但是由于正文域太大了,我们为了缩小索引文件大小,将正文域的存储属性设置为假,当需要时再直接读取文件;我们只是希望能从搜索解果中提取最后修改时间,不需要对它进行搜索,所以我们把最后修改时间域的存储属性设置为真,索引属性设置为假。上面的三个域涵盖了两个属性的三种组合,还有一种全为假的没有用到,事实上Field不允许你那么设置,因为既不存储又不索引的域是没有意义的。


4 Lucene 其实很简单的,它最主要就是做两件事:建立索引和进行搜索 
来看一些在lucene中使用的术语,这里并不打算作详细的介绍,只是点一下而已----因为这一个世界有一种好东西,叫搜索。
IndexWriter:lucene中最重要的的类之一,它主要是用来将文档加入索引,同时控制索引过程中的一些参数使用。
Analyzer:分析器,主要用于分析搜索引擎遇到的各种文本。常用的有StandardAnalyzer分析器,StopAnalyzer分析器,WhitespaceAnalyzer分析器等。
Directory:索引存放的位置;lucene提供了两种索引存放的位置,一种是磁盘,一种是内存。一般情况将索引放在磁盘上;相应地lucene提供了FSDirectory和RAMDirectory两个类。
Document:文档;Document相当于一个要进行索引的单元,任何可以想要被索引的文件都必须转化为Document对象才能进行索引。
Field:字段。
IndexSearcher:是lucene中最基本的检索工具,所有的检索都会用到IndexSearcher工具;
Query:查询,lucene中支持模糊查询,语义查询,短语查询,组合查询等等,如有TermQuery,BooleanQuery,RangeQuery,WildcardQuery等一些类。
QueryParser: 是一个解析用户输入的工具,可以通过扫描用户输入的字符串,生成Query对象。


5 StandardAnalyzer是lucene中内置的"标准分析器",可以做如下功能: 
1、对原有句子按照空格进行了分词 
2、所有的大写字母都可以能转换为小写的字母 
3、可以去掉一些没有用处的单词,例如"is","the","are"等单词,也删除了所有的标点 


好了,我们通过一个小例子来验证一下:

    package com.dhb.test;                import java.io.File;        import java.io.FileReader;        import java.io.IOException;                import org.apache.lucene.analysis.standard.StandardAnalyzer;        import org.apache.lucene.document.Document;        import org.apache.lucene.document.Field;        import org.apache.lucene.index.CorruptIndexException;        import org.apache.lucene.index.IndexReader;        import org.apache.lucene.index.IndexWriter;        import org.apache.lucene.index.IndexWriterConfig;        import org.apache.lucene.queryParser.ParseException;        import org.apache.lucene.queryParser.QueryParser;        import org.apache.lucene.search.IndexSearcher;        import org.apache.lucene.search.Query;        import org.apache.lucene.search.ScoreDoc;        import org.apache.lucene.search.TopDocs;        import org.apache.lucene.store.Directory;        import org.apache.lucene.store.FSDirectory;        import org.apache.lucene.store.LockObtainFailedException;        import org.apache.lucene.store.RAMDirectory;        import org.apache.lucene.util.Version;        import org.junit.Test;                public class HelloLucene {            /**            * 建立索引            */            @Test            public void index() {                IndexWriter writer = null;                try {                    //1、创建Directory                    //Directory directory = new RAMDirectory();             //建立在内存中的                    Directory directory = FSDirectory.open(new File("D:/luceneData/index01"));   //创建在硬盘上                    //2、创建IndexWriter                    IndexWriterConfig iwc = new IndexWriterConfig(Version.LUCENE_35,                             new StandardAnalyzer(Version.LUCENE_35));                    writer = new IndexWriter(directory, iwc);                    //3、创建Document对象                    Document doc = null;                    //4、为Document添加Field                    File f = new File("D:/luceneData/example");                    for (File file : f.listFiles()) {                        doc = new Document();                        doc.add(new Field("content", new FileReader(file)));                        doc.add(new Field("filename", file.getName(), Field.Store.YES, Field.Index.NOT_ANALYZED));                        doc.add(new Field("path",file.getAbsolutePath(),Field.Store.YES,Field.Index.NOT_ANALYZED));                        //5、通过indexWriter添加文档到索引中                        writer.addDocument(doc);                    }                } catch (CorruptIndexException e) {                    e.printStackTrace();                } catch (LockObtainFailedException e) {                    e.printStackTrace();                } catch (IOException e) {                    e.printStackTrace();                } finally {                    if(writer!=null)                        try {                            writer.close();                        } catch (CorruptIndexException e) {                            e.printStackTrace();                        } catch (IOException e) {                            e.printStackTrace();                        }                }                            }            /**            * 搜索            */            @Test            public void searcher() {                try {                    //1、创建Directory                    Directory directory = FSDirectory.open(new File("D:/luceneData/index01"));   //创建在硬盘上                    //2、创建IndexReader                    IndexReader reader = IndexReader.open(directory);                    //3、根据IndexReader创建IndexSearcher                    IndexSearcher searcher = new IndexSearcher(reader);                    //4、创建搜索的Query                    //创建parser来确定要搜索文件的内容,第二个参数表示搜索的域                    QueryParser parser = new QueryParser(Version.LUCENE_35, "content",                             new StandardAnalyzer(Version.LUCENE_35));                    //创建query,表示搜索域为content中包含java的文档                    Query query = parser.parse("java");                    //5、根据searcher搜索并且返回TopDocs                    TopDocs tds = searcher.search(query, 10);                    //6、根据TopDocs获取ScoreDoc对象                    ScoreDoc[] sds = tds.scoreDocs;                    for(ScoreDoc sd : sds) {                        //7、根据searcher和ScoreDoc对象获得具体的Document对象                        Document d = searcher.doc(sd.doc);                        //8、根据Document对象获取需要的值                        System.out.println(d.get("filename")+"["+d.get("path")+"]");                    }                    //9、关闭reader                    reader.close();                } catch (IOException e) {                    e.printStackTrace();                } catch (ParseException e) {                    e.printStackTrace();                }                               }        }