Lucene的基本概念

Lucene是什么？

    Lucene是一款高性能、可扩展的信息检索工具库。信息检索是指文档搜索、文档内信息搜索或者文档相关的元数据搜索等操作。

 

信息检索流程如下：

      1、 将即将检索的资源集合放到本地，并使用某种特定的结构存储，称为索引，这个索引的集合称为索引库。由于索引库的结构按照专门为快速查询设计的，所以查询的速度非常的快；

 

      2、 搜索操作时都是在本地的索引库中进行查找；

 

所以对于全文检索功能的开发，要做两方面：索引库管理（维护索引库中的数据）、在索引库中进行搜索。而Lucene就是操作索引库的工具；

 

索引库是什么样子？

      索引库是一个目录，里面是一些二级制文件，就如同数据库，所有的数据也是以文件的形式存放在文件系统中的。我们不能直接操作这些二级制文件，而是使用Lucene提供的API完成相应的操作，就像数据库使用SQL语句一样。

 

对索引库的操作可以分为两种：管理与查询。

   1、 管理索引库使用的IndexWriter；

   2、从索引库中查询使用IndexSearcher。

Lucene的数据结构为 Document与Field。

Document代表是一条数据，Field代表数据中的一个属性。一个Document中有多个Field，Field的值为String型，因为Lucene只处理文本；

我们只需要把我们的程序中的对象转换为Doucemnt，就可以交给Lucene管理了，搜索的结果中的数据列表也是Document的集合；

 

 

OK，我们来做一个实例，还原一下整个流程

 

1、创建一个用户类，用于实例化用户数据

 

 

Java代码  

1. public class User {  
2.   
3.     private Long id;  
4.     private String name;  
5.     private int age;  
6.     private String sex;  
7.     private Date birthday;  
8.     public User(Long id, String name, int age, String sex, Date birthday) {  
9.         super();  
10.         this.id = id;  
11.         this.name = name;  
12.         this.age = age;  
13.         this.sex = sex;  
14.         this.birthday = birthday;  
15.     }  
16.    //get/set方法，这里省略  
17. }  

 

 

2、生成即将检索的资源数据

 

 

Java代码  

1. public class DataUtil {  
2.     /** 
3.      * 检索资源数据的准备； 
4.      *   这里的数据可以来源数据库、文件系统等 
5.      * @return 
6.      */  
7.     public static List<User> getUsers(){  
8.         List<User> list =new ArrayList<User>();  
9.         User user =new User(1L,"张三1",20,"man",new Date());  
10.         list.add(user);  
11.         user =new User(2L,"张三2",20,"man",new Date());  
12.         list.add(user);  
13.         user =new User(3L,"张三3",20,"woman",new Date());  
14.         list.add(user);  
15.         user =new User(4L,"张三4",20,"man",new Date());  
16.         list.add(user);  
17.         user =new User(5L,"张三5",20,"man",new Date());  
18.         list.add(user);  
19.         user =new User(6L,"张三6",20,"woman",new Date());  
20.         list.add(user);  
21.         return list;  
22.     }  
23. }  

 

3、Lucene创建索引库及查询

 

 

Java代码  

1. public class IndexWriterDemo {  
2.     /** 
3.      * 将即将检索的资源写入索引库 
4.      * @param writer 
5.      * @throws Exception 
6.      */  
7.     public void buildDocs(IndexWriter writer)throws Exception {  
8.         writer.deleteAll();//清空索引库里已存在的文档（document）  
9.         List<User> list = DataUtil.getUsers();//得到数据资源  
10.         System.out.println("buildDocs()->总人数为 :"+list.size());  
11.         for(User user :list){  
12.             Document doc = new Document();//创建索引库的文档  
13.             doc.add(new Field("id",String.valueOf(user.getId()),Store.YES,Index.NO));  
14.             doc.add(new Field("name",user.getName(),Store.YES,Index.ANALYZED));  
15.             doc.add(new Field("age",String.valueOf(user.getAge()),Store.YES,Index.ANALYZED));  
16.             doc.add(new Field("sex",user.getSex(),Store.YES,Index.ANALYZED));  
17.             doc.add(new Field("birthday",String.valueOf(user.getBirthday()),Store.YES,Index.ANALYZED));  
18.             writer.addDocument(doc);//将文档写入索引库  
19.         }  
20.         int count =writer.numDocs();  
21.         writer.forceMerge(100);//合并索引库文件  
22.         writer.close();  
23.         System.out.println("buildDocs()->存入索引库的数量："+count);  
24.     }  
25.   
26.     /** 
27.      * 从索引库中搜索你要查询的数据 
28.      * @param searcher 
29.      * @throws IOException 
30.      */  
31.     public void searcherDocs(IndexSearcher searcher) throws IOException{  
32.         Term term =new Term("sex", "man");//查询条件，意思是我要查找性别为“man”的人  
33.         TermQuery query =new TermQuery(term);  
34.         TopDocs docs =searcher.search(query, 100);//查找  
35.         System.out.println("searcherDoc()->男生人数："+docs.totalHits);  
36.         for(ScoreDoc doc:docs.scoreDocs){//获取查找的文档的属性数据  
37.             int docID=doc.doc;  
38.             Document document =searcher.doc(docID);  
39.             String str="ID:"+document.get("id")+",姓名："+document.get("name")+"，性别："+document.get("sex");  
40.             System.out.println("人员信息:"+str);  
41.         }  
42.     }  
43.   }  

 

 

4、测试

 

 

Java代码  

1. public class TestIndexWriterRAMDirectory {  
2.     private IndexWriter writer=null;  
3.     private Directory directory=null;  
4.     private IndexReader reader = null;  
5.     private IndexSearcher searcher=null;  
6.     private IndexWriterDemo demo =new IndexWriterDemo();  
7.       
8.     @Before  
9.     public void setUp() throws Exception {  
10.         directory = new RAMDirectory();  
11.         IndexWriterConfig config = new IndexWriterConfig(Version.LUCENE_36,new SimpleAnalyzer(Version.LUCENE_36));  
12.         writer = new IndexWriter(directory,config);  
13.     }  
14.   
15.     @Test  
16.     public void testAddDoc()throws Exception {  
17.         /**生成索引库*/  
18.         demo.buildDocs(writer);  
19.           
20.         /**查询数据*/  
21.         reader = IndexReader.open(directory);  
22.         searcher =new IndexSearcher(reader);  
23.         demo.searcherDocs(searcher);  
24.     }  
25. }  

 

测试结果

 

 

Java代码  

1. buildDocs()->总人数为 :6  
2. buildDocs()->存入索引库的数量：6  
3. searcherDoc()->男生人数：4  
4. 人员信息:ID:1,姓名：张三1，性别：man  
5. 人员信息:ID:2,姓名：张三2，性别：man  
6. 人员信息:ID:4,姓名：张三4，性别：man  
7. 人员信息:ID:5,姓名：张三5，性别：man  

 

 

 

OK，代码完毕

 

实例的Lucene版本为：lucene-3.6.1

 

在这再次说下Lucene检索的整个流程（请参考demo的代码）

 

1、建立索引的执行过程 

     在建立索引时，先要把文档存到索引库中，还要更新词汇表。

操作步骤如下：

（1）、把数据对象转换成相应的Document，其中的属性转为Field；

（2）、调用工具IndexWriter的addDocument(doc)，把Document添加到索引库中；

（3）、Lucene做的操作：

       把文档存到索引库中，并自动指定一个内部编号，用来唯一标识这个条数据；内部编号类似与这条数据的地址，在索引库内部的数据进行调整后，这个编号就可能会改变，同时词汇表中的引用的编号也会做相应的改变，以保 证正确。

      更新词汇表。把文本中的词找出来放到词汇表中，简历与文档的对应关系。要把那些词放到词汇表中呢？这就用到一个叫Analyzer（分词器）的工具。他的作用是把一段文本中的词按照规则取出所包含的所有词。对应的是Analyzer类，这是一个抽象类，切分词的具体规则是由其子类实现。

 

在把对象的属性转化为 Field时，相关代码为：

   doc.add(new Field(“title”,article.getTitle(), Store.YES, Index.Analyzed))

其中第三个参数的意思为

Store.NO 不存储属性的值；

Store.YES 存储属性的值

 

第四个参数

Index.NO 不建立索引

Index.ANALYZED 分词后建立索引

Index.NOT_ANALYZED 不分词，把整个内容作为一个词建立索引

 

Store是影响搜索出的结构是否有指定属性的原始内容。

Index是影响是否可以从这个属性中查询，或者是查询时可以查其中的某些词，还是要把整个内容作为一个词进行查询。

 

2、从索引库中搜索的执行过程（QueryParse、TopDocs、ScoreDoc）

在进行搜索时，先在词汇表中查找，得到符合条件的文档编号列表。再根据文档编号真正的取数据（Document）

 操作步骤如下：

（1）、把要查询字符串转为Query对象。这就像在Hiberante总是用HQL查询时，也要先调用Session.createQuery(hql)转成Hibernate的Query对象一样。把查询字符串转换成Query是使用QueryParser，或者使用MultiFieldQueryParser。查询字符串也要先经过Analyzer（分词器）。要求检索时使用Analyzer要与监理索引使用的Analzyer要一致，否则可能搜索不出正确的结果。

 （2）、调用IndexSearcher.search()，进行查询，得到结果。此方法返回未TopDocs，是包含结果的多个信息的一个对象。其中有totalHits代表记录数，ScoreDoc的数组。ScoreDoc是代表一个结果的相关度得分与文档编号等信息的对象。

（3）、取出要用到的数据列表。调用IndexSearcher.doc(scoreDoc.doc)以取出指定编号对应的Document数据，在分页时要用到：一次只取一页的数据。