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。
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。
3.4 term
term是搜索的最小单位,它表示文档的一个词语,term由两部分组成:它表示的词语和这个词语所出现的field。
3.5 tocken
tocken是term的一次出现,它包含trem文本和相应的起止偏移,以及一个类型字符串。一句话中可以出现多次相同的词语,它们都用同一个term表示,但是用不同的tocken,每个tocken标记该词语出现的地方。
3.6 segment
添加索引时并不是每个document都马上添加到同一个索引文件,它们首先被写入到不同的小文件,然后再合并成一个大索引文件,这里每个小文件都是一个segment。
4 如何建索引
4.1 最简单的能完成索引的代码片断
/** * 添加列表到索引库中 * @yijianfeng * @param list * @throws IOException */ public void writeIndex(List<LucenceVo> list) throws IOException { IndexWriter writer = openIndexWriter(); try { for (LucenceVo lucenceVo : list) { Document document = builderDocument(lucenceVo); writer.addDocument(document); } } finally { writer.close(); } } /** * 添加单个到索引库中 * @yijianfeng * @param LucenceVo * @throws IOException */ public void writeIndex(LucenceVo vo) throws IOException { IndexWriter writer = openIndexWriter(); try { Document document = builderDocument(vo); writer.addDocument(document); } finally { writer.close(); } } @SuppressWarnings("static-access") private Document builderDocument(LucenceVo lucenceVo) throws FileNotFoundException { Document document = new Document(); Field id = new StringField(lucenceVo.ID, String.valueOf(lucenceVo.getId()), Field.Store.YES); Field TITLE = new StringField(lucenceVo.TITLE, lucenceVo.getTitle(), Field.Store.YES); Field CONTENT = new TextField(lucenceVo.CONTENT, lucenceVo.getContent(),Field.Store.YES); Field URL = new StringField(lucenceVo.URL, lucenceVo.getUrl(),Field.Store.YES); document.add(id); document.add(TITLE); document.add(CONTENT); document.add(URL); return document; } private IndexWriter openIndexWriter() throws IOException { File index_file = new File("d:\\lun"); Analyzer analyzer = new SmartChineseAnalyzer(Version.LUCENE_46); IndexWriterConfig indexWriterConfig = new IndexWriterConfig(Version.LUCENE_46, analyzer); //索引 设置为追加或者覆盖 indexWriterConfig.setOpenMode(OpenMode.CREATE_OR_APPEND); return new IndexWriter(FSDirectory.open(index_file), indexWriterConfig); } public void testwirte(){ List list = new ArrayList(); for (int i = 0; i < 10000; i++) { LucenceVo vo = new LucenceVo(); vo.setId("myid"+i); vo.setTitle("中国今天新闻"+i); vo.setContent("中国酸辣粉为适当放宽为肌肤我始终是中国斯科拉的风景我"); vo.setType("新闻"); vo.setUrl("http://www.baidu.com/?id="+i); list.add(vo); } try { writeIndex(list); } catch (IOException e) { e.printStackTrace(); } }
下面我们分析一下这段代码。
首先我们创建了一个writer,并指定存放索引的目录为“d:\lun”,使用的分析器为SmartChineseAnalyzer(中文专用分词),然后我们新建一个document。我们向document添加一个field,名字是“title”,内容是“lucene introduction”,对它进行存储并索引。再添加一个名字是“content”的field,内容是“lucene works well”,也是存储并索引。
然后我们将这个文档添加到索引中,如果有多个文档,可以重复上面的操作,创建document并添加
随后将writer关闭,这点很重要。
对,创建索引就这么简单!
当然你可能修改上面的代码获得更具个性化的服务。
5.搜索 5.1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。