lucence 全文搜索

admin 管理员组

文章数量: 886993

lucence 全文搜索

什么是全文搜索？

数据的分类

• 结构化数据：指具有固定格式或有限长度的数据，如数据库，元数据等。
• 非结构化数据：指不定长或无固定格式的数据，如邮件，word文档等磁盘上的文件
  查询方法：
  顺序扫描：从头看到尾，如果此文档包含此字符串，则此文档为我们要找的文，接着看下一个文件，直到扫描完所有的文件。如利用windows的搜索也可以搜索文件内容，只是相当的慢。
  全文检索：将非结构化数据中的一部分信息提取出来，重新组织，使其变得有一定结构，然后对此有一定结构的数据进行搜索，从而达到搜索相对较快的目的。这部分从非结构化数据中提取出的然后重新组织的信息，我们称之索引。
  例如：字典。字典的拼音表和部首检字表就相当于字典的索引，对每一个字的解释是非结构化的，如果字典没有音节表和部首检字表，在茫茫辞海中找一个字只能顺序扫描。然而字的某些信息可以提取出来进行结构化处理，比如读音，就比较结构化，分声母和韵母，分别只有几种可以一一列举，于是将读音拿出来按一定的顺序排列，每一项读音都指向此字的详细解释的页数。我们搜索时按结构化的拼音搜到读音，然后按其指向的页数，便可找到我们的非结构化数据——也即对字的解释。
  这种先建立索引，再对索引进行搜索的过程就叫全文检索(Full-text Search)。
  虽然创建索引的过程也是非常耗时的，但是索引一旦创建就可以多次使用，全文检索主要处理的是查询，所以耗时间创建索引是值得的。
  应用场景：对于数据量大、数据结构不固定的数据可采用全文检索方式搜索，比如百度、Google等搜索引擎、论坛站内搜索、电商网站站内搜索等。

Lucene实现全文检索

1、绿色表示索引过程，对要搜索的原始内容进行索引构建一个索引库，索引过程包括：
确定原始内容即要搜索的内容—》采集文档----》创建文档----》分析文档—》索引文档

2、红色表示搜索过程，从索引库中搜索内容，搜索过程包括：
用户通过搜索界面—》创建查询—》执行搜索，从索引库搜索—》渲染搜索结果

配置开发环境

lucence下载

Lucene是开发全文检索功能的工具包，从官方网站下载Lucene4.10.3，并解压。
官方网站：/
jar包


其它：
commons-io-2.4.jar
junit-4.9.jar

入门小程序

实现一个文件的搜索功能，通过关键字搜索文件，凡是文件名或文件内容包括关键字的文件都需要找出来。还可以根据中文词语进行查询，并且需要支持多个条件查询。

创建索引

（0）创建一个java工程，导入上面的四个jar包
（1）指定索引库存放的路径
（2）创建indexwriter对象
a.指定索引库的存放位置
b.指定一个分析器，对文档内容进行分析
（3）创建docunment对象
（4）创建field对象，将filed添加到document对象中
（5）使用indexwriter对象将document对象写入索引库，此过程进行索引创建。并将索引和document对象写入索引库。
（6）关闭IndexWriter对象。

//创建索引@Testpublic void createIndex() throws Exception {//指定索引库存放的路径//D:\temp\0108\indexDirectory directory = FSDirectory.open(new File("D:\\temp\\0108\\index"));//索引库还可以存放到内存中//Directory directory = new RAMDirectory();//创建一个标准分析器Analyzer analyzer = new StandardAnalyzer();//创建indexwriterCofig对象//第一个参数： Lucene的版本信息，可以选择对应的lucene版本也可以使用LATEST//第二根参数：分析器对象IndexWriterConfig config = new IndexWriterConfig(Version.LATEST, analyzer);//创建indexwriter对象IndexWriter indexWriter = new IndexWriter(directory, config);//原始文档的路径D:\传智播客\01.课程\04.lucene\01.参考资料\searchsourceFile dir = new File("D:\\传智播客\\01.课程\\04.lucene\\01.参考资料\\searchsource");for (File f : dir.listFiles()) {//文件名String fileName = f.getName();//文件内容String fileContent = FileUtils.readFileToString(f);//文件路径String filePath = f.getPath();//文件的大小long fileSize  = FileUtils.sizeOf(f);//创建文件名域//第一个参数：域的名称//第二个参数：域的内容//第三个参数：是否存储Field fileNameField = new TextField("filename", fileName, Store.YES);//文件内容域Field fileContentField = new TextField("content", fileContent, Store.YES);//文件路径域（不分析、不索引、只存储）Field filePathField = new TextField("path", filePath);//文件大小域Field fileSizeField = new TextField("size", fileSize + "", Store.YES);//创建document对象Document document = new Document();document.add(fileNameField);document.add(fileContentField);document.add(filePathField);document.add(fileSizeField);//创建索引，并写入索引库indexWriter.addDocument(document);}//关闭indexwriterindexWriter.close();}

查询索引

第一步：创建一个Directory对象，也就是索引库存放的位置。
第二步：创建一个indexReader对象，需要指定Directory对象。
第三步：创建一个indexsearcher对象，需要指定IndexReader对象
第四步：创建一个TermQuery对象，指定查询的域和查询的关键词。
第五步：执行查询。
第六步：返回查询结果。遍历查询结果并输出。
第七步：关闭IndexReader对象

//查询索引库@Testpublic void searchIndex() throws Exception {//指定索引库存放的路径//D:\temp\0108\indexDirectory directory = FSDirectory.open(new File("D:\\temp\\0108\\index"));//创建indexReader对象IndexReader indexReader = DirectoryReader.open(directory);//创建indexsearcher对象IndexSearcher indexSearcher = new IndexSearcher(indexReader);//创建查询Query query = new TermQuery(new Term("filename", "apache"));//执行查询//第一个参数是查询对象，第二个参数是查询结果返回的最大值TopDocs topDocs = indexSearcher.search(query, 10);//查询结果的总条数System.out.println("查询结果的总条数："+ topDocs.totalHits);//遍历查询结果//topDocs.scoreDocs存储了document对象的idfor (ScoreDoc scoreDoc : topDocs.scoreDocs) {//scoreDoc.doc属性就是document对象的id//根据document的id找到document对象Document document = indexSearcher.doc(scoreDoc.doc);System.out.println(document.get("filename"));//System.out.println(document.get("content"));System.out.println(document.get("path"));System.out.println(document.get("size"));}//关闭indexreader对象indexReader.close();}

分词器

//查看标准分析器的分词效果public void testTokenStream() throws Exception {//创建一个标准分析器对象Analyzer analyzer = new StandardAnalyzer();//获得tokenStream对象//第一个参数：域名，可以随便给一个//第二个参数：要分析的文本内容TokenStream tokenStream = analyzer.tokenStream("test", "The Spring Framework provides a comprehensive programming and configuration model.");//添加一个引用，可以获得每个关键词CharTermAttribute charTermAttribute = tokenStream.addAttribute(CharTermAttribute.class);//将指针调整到列表的头部tokenStream.reset();//遍历关键词列表，通过incrementToken方法判断列表是否结束while(tokenStream.incrementToken()) {//取关键词System.out.println(charTermAttribute);}tokenStream.close();}

Analyzer 每个分词器tokenStream方法
// Analyzer analyzer = new StandardAnalyzer(); //英文按照空格分词，中文一个字一个字
// Analyzer analyzer = new CJKAnalyzer(); //中文两个字两个字
// 需要导入lucene-analyzers-smartcn-4.10.3.jar
// Analyzer analyzer = new SmartChineseAnalyzer(); //中文还可以，但是英文容易出现缺字母

// 第三方分词器IK-Analyzer
// 需要导入jar IKAnalyzer2012FF_u1.jar
Analyzer analyzer = new IKAnalyzer();

本文标签： lucence 全文搜索