lunce搜索引擎框架教程.docx

lunce搜索引擎框架教程.docx

《lunce搜索引擎框架教程.docx》由会员分享，可在线阅读，更多相关《lunce搜索引擎框架教程.docx（13页珍藏版）》请在冰豆网上搜索。

lunce搜索引擎框架教程

全文搜索lucene使用与优化

2008-01-2320:

58

1lucene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。

因此它并不像或者googleDesktop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。

1.2lucene能做什么

要回答这个问题，先要了解lucene的本质。

实际上lucene的功能很单一，说到底，就是你给它若干个字符串，然后它为你提供一个全文搜索服务，告诉你你要搜索的关键词出现在哪里。

知道了这个本质，你就可以发挥想象做任何符合这个条件的事情了。

你可以把站内新闻都索引了，做个资料库；你可以把一个数据库表的若干个字段索引起来，那就不用再担心因为“%like%”而锁表了；你也可以写个自己的搜索引擎……

1.3你该不该选择lucene

下面给出一些测试数据，如果你觉得可以接受，那么可以选择。

测试一：

250万记录，300M左右文本，生成索引380M左右，800线程下平均处理时间300ms。

测试二：

37000记录，索引数据库中的两个varchar字段，索引文件2.6M，800线程下平均处理时间1.5ms。

2lucene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（非索引字）（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

lucene用到一些概念，了解它们的含义，有利于下面的讲解。

3.1analyzer

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。

3.2document

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。

3.3field

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。

3.4term

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。

3.5tocken

tocken是term的一次出现，它包含term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。

3.6segment

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。

4lucene的结构

lucene包括core和sandbox两部分，其中core是lucene稳定的核心部分，sandbox包含了一些附加功能，例如highlighter、各种分析器。

Lucenecore有七个包：

analysis，document，index，queryParser，search，store，util。

4.1analysis

Analysis包含一些内建的分析器，例如按空白字符分词的WhitespaceAnalyzer，添加了stopwrod过滤的StopAnalyzer，最常用的StandardAnalyzer。

4.2document

Document包含文档的数据结构，例如Document类定义了存储文档的数据结构，Field类定义了Document的一个域。

4.3index

Index包含了索引的读写类，例如对索引文件的segment进行写、合并、优化的IndexWriter类和对索引进行读取和删除操作的IndexReader类，这里要注意的是不要被IndexReader这个名字误导，以为它是索引文件的读取类，实际上删除索引也是由它完成，IndexWriter只关心如何将索引写入一个个segment，并将它们合并优化；IndexReader则关注索引文件中各个文档的组织形式。

4.4queryParser

QueryParser包含了解析查询语句的类，lucene的查询语句和sql语句有点类似，有各种保留字，按照一定的语法可以组成各种查询。

Lucene有很多种Query类，它们都继承自Query，执行各种特殊的查询，QueryParser的作用就是解析查询语句，按顺序调用各种Query类查找出结果。

4.5search

Search包含了从索引中搜索结果的各种类，例如刚才说的各种Query类，包括TermQuery、BooleanQuery等就在这个包里。

4.6store

Store包含了索引的存储类，例如Directory定义了索引文件的存储结构，FSDirectory为存储在文件中的索引，RAMDirectory为存储在内存中的索引，MmapDirectory为使用内存映射的索引。

4.7util

Util包含一些公共工具类，例如时间和字符串之间的转换工具。

5如何建索引

5.1最简单的能完成索引的代码片断

IndexWriterwriter=newIndexWriter（“/data/index/”,newStandardAnalyzer（）,true）;

Documentdoc=newDocument（）;

doc.add（newField（"title","luceneintroduction",Field.Store.YES,Field.Index.TOKENIZED））;

doc.add（newField（"content","luceneworkswell",Field.Store.YES,Field.Index.TOKENIZED））;

writer.addDocument（doc）;

writer.optimize（）;

writer.close（）;

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“/data/index”，使用的分析器为StandardAnalyzer，第三个参数说明如果已经有索引文件在索引目录下，我们将覆盖它们。

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“luceneintroduction”，对它进行存储并索引。

再添加一个名字是“content”的field，内容是“luceneworkswell”，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。

添加完所有document，我们对索引进行优化，优化主要是将多个segment合并到一个，有利于提高索引速度。

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。

5.2将索引直接写在内存

你需要首先创建一个RAMDirectory，并将其传给writer，代码如下：

Directorydir=newRAMDirectory（）;

IndexWriterwriter=newIndexWriter（dir,newStandardAnalyzer（）,true）;

Documentdoc=newDocument（）;

doc.add（newField（"title","luceneintroduction",Field.Store.YES,Field.Index.TOKENIZED））;

doc.add（newField（"content","luceneworkswell",Field.Store.YES,Field.Index.TOKENIZED））;

writer.addDocument（doc）;

writer.optimize（）;

writer.close（）;

5.3索引文本文件

如果你想把纯文本文件索引起来，而不想自己将它们读入字符串创建field，你可以用下面的代码创建field：

Fieldfield=newField（"content",newFileReader（file））;

这里的file就是该文本文件。

该构造函数实际上是读去文件内容，并对其进行索引，但不存储。

6如何维护索引

索引的维护操作都是由IndexReader类提供。

6.1如何删除索引

lucene提供了两种从索引中删除document的方法，一种是

voiddeleteDocument（intdocNum）

这种方法是根据document在索引中的编号来删除，每个document加进索引后都会有个唯一编号，所以根据编号删除是一种精确删除，但是这个编号是索引的内部结构，一般我们不会知道某个文件的编号到底是几，所以用处不大。

另一种是

voiddeleteDocuments（Termterm）

这种方法实际上是首先根据参数term执行一个搜索操作，然后把搜索到的结果批量删除了。

我们可以通过这个方法提供一个严格的查询条件，达到删除指定document的目的。

下面给出一个例子：

Directorydir=FSDirectory.getDirectory（PATH,false）;

IndexReaderreader=IndexReader.open（dir）;

Termterm=newTerm（field,key）;

reader.deleteDocuments（term）;

reader.close（）;

6.2如何更新索引

lucene并没有提供专门的索引更新方法，我们需要先将相应的document删除，然后再将新的document加入索引。

例如：

Directorydir=FSDirectory.getDirectory（PATH,false）;

IndexReaderreader=IndexReader.open（dir）;

Termterm=newTerm（“title”,“luceneintroduction”）;

reader.deleteDocuments（term）;

reader.close（）;

IndexWriterwriter=newIndexWriter（dir,newStandardAnalyzer（）,true）;

Documentdoc=newDocument（）;

doc.add（newField（"title","luceneintroduction",Field.Store.YES,Field.Index.TOKENIZED））;

doc.add（newField（"content","luceneisfunny",Field.Store.YES,Field.Index.TOKENIZED））;

writer.addDocument（doc）;

writer.optimize（）;

writer.close（）;

7如何搜索

lucene的搜索相当强大，它提供了很多辅助查询类，每个类都继承自Query类，各自完成一种特殊的查询，你可以像搭积木一样将它们任意组合使用，完成一些复杂操作；另外lucene还提供了Sort类对结果进行排序，提供了Filter类对查询条件进行限制。

你或许会不自觉地拿它跟SQL语句进行比较：

“lucene能执行and、or、orderby、where、like‘%xx%’操作吗？

”回答是：

“当然没问题！

”

7.1各种各样的Query

下面我们看看lucene到底允许我们进行哪些查询操作：

7.1.1TermQuery

首先介绍最基本的查询，如果你想执行一个这样的查询：

“在content域中包含‘lucene’的document”，那么你可以用TermQuery：

Termt=newTerm（"content","lucene";

Queryquery=newTermQuery（t）;

7.1.2BooleanQuery

如果你想这么查询：

“在content域中包含java或perl的document”，那么你可以建立两个TermQuery并把它们用BooleanQuery连接起来：

TermQuerytermQuery1=newTermQuery（newTerm（"content","java"）;

TermQuerytermQuery2=newTermQuery（newTerm（"content","perl"）;

BooleanQuerybooleanQuery=newBooleanQuery（）;

booleanQuery.add（termQuery1,BooleanClause.Occur.SHOULD）;

booleanQuery.add（termQuery2,BooleanClause.Occur.SHOULD）;

7.1.3WildcardQuery

如果你想对某单词进行通配符查询，你可以用WildcardQuery，通配符包括’?

’匹配一个任意字符和’*’匹配零个或多个任意字符，例如你搜索’use*’，你可能找到’useful’或者’useless’：

Queryquery=newWildcardQuery（newTerm（"content","use*"）;

7.1.4PhraseQuery

你可能对中日关系比较感兴趣，想查找‘中’和‘日’挨得比较近（5个字的距离内）的文章，超过这个距离的不予考虑，你可以：

PhraseQueryquery=newPhraseQuery（）;

query.setSlop（5）;

query.add（newTerm（"content",“中”））;

query.add（newTerm（“content”,“日”））;

那么它可能搜到“中日合作……”、“中方和日方……”，但是搜不到“中国某高层领导说日本欠扁”。

7.1.5PrefixQuery

如果你想搜以‘中’开头的词语，你可以用PrefixQuery：

PrefixQueryquery=newPrefixQuery（newTerm（"content","中"）;

7.1.6FuzzyQuery

FuzzyQuery用来搜索相似的term，使用Levenshtein算法。

假设你想搜索跟‘wuzza’相似的词语，你可以：

Queryquery=newFuzzyQuery（newTerm（"content","wuzza"）;

你可能得到‘fuzzy’和‘wuzzy’。

7.1.7RangeQuery

另一个常用的Query是RangeQuery，你也许想搜索时间域从20060101到20060130之间的document，你可以用RangeQuery：

RangeQueryquery=newRangeQuery（newTerm（“time”,“20060101”）,newTerm（“time”,“20060130”）,true）;

最后的true表示用闭合区间。

7.2QueryParser

看了这么多Query，你可能会问：

“不会让我自己组合各种Query吧，太麻烦了！

”当然不会，lucene提供了一种类似于SQL语句的查询语句，我们姑且叫它lucene语句，通过它，你可以把各种查询一句话搞定，lucene会自动把它们查分成小块交给相应Query执行。

下面我们对应每种Query演示一下：

TermQuery可以用“field:

key”方式，例如“content:

lucene”。

BooleanQuery中‘与’用‘+’，‘或’用‘’，例如“content:

javacontenterl”。

WildcardQuery仍然用‘?

’和‘*’，例如“content:

use*”。

PhraseQuery用‘~’，例如“content:

"中日"~5”。

PrefixQuery用‘*’，例如“中*”。

FuzzyQuery用‘~’，例如“content:

wuzza~”。

RangeQuery用‘[]’或‘{}’，前者表示闭区间，后者表示开区间，例如“time:

[20060101TO20060130]”，注意TO区分大小写。

你可以任意组合querystring，完成复杂操作，例如“标题或正文包括lucene，并且时间在20060101到20060130之间的文章”可以表示为：

“+（title:

lucenecontent:

lucene）+time:

[20060101TO20060130]”。

代码如下：

Directorydir=FSDirectory.getDirectory（PATH,false）;

IndexSearcheris=newIndexSearcher（dir）;

QueryParserparser=newQueryParser（"content",newStandardAnalyzer（））;

Queryquery=parser.parse（"+（title:

lucenecontent:

lucene）+time:

[20060101TO20060130]";

Hitshits=is.search（query）;

for（inti=0;i

{

Documentdoc=hits.doc（i）;

System.out.println（doc.get（"title"）;

}

is.close（）;

首先我们创建一个在指定文件目录上的IndexSearcher。

然后创建一个使用StandardAnalyzer作为分析器的QueryParser，它默认搜索的域是content。

接着我们用QueryParser来parse查询字串，生成一个Query。

然后利用这个Query去查找结果，结果以Hits的形式返回。

这个Hits对象包含一个列表，我们挨个把它的内容显示出来。

7.3Filter

filter的作用就是限制只查询索引的某个子集，它的作用有点像SQL语句里的where，但又有区别，它不是正规查询的一部分，只是对数据源进行预处理，然后交给查询语句。

注意它执行的是预处理，而不是对查询结果进行过滤，所以使用filter的代价是很大的，它可能会使一次查询耗时提高一百倍。

最常用的filter是RangeFilter和QueryFilter。

RangeFilter是设定只搜索指定范围内的索引；QueryFilter是在上次查询的结果中搜索。

Filter的使用非常简单，你只需创建一个filter实例，然后把它传给searcher。

继续上面的例子，查询“时间在20060101到20060130之间的文章”除了将限制写在querystring中，你还可以写在RangeFilter中：

Directorydir=FSDirectory.getDirectory（PATH,false）;

IndexSearcheris=newIndexSearcher（dir）;

QueryParserparser=newQueryParser（"content",newStandardAnalyzer（））;

Queryquery=parser.parse（"title:

lucenecontent:

lucene";

RangeFilterfilter=newRangeFilter（"time","20060101","20060230",true,true）;

Hitshits=is.search（query,filter）;

for（inti=0;i

{

Documentdoc=hits.doc（i）;

System.out.println（doc.get（"title"）;

}

is.close（）;

7.4Sort

有时你想要一个排好序的结果集，就像SQL语句的“orderby”，lucene能做到：

通过Sort。

Sortsort=newSort（“time”）;//相当于SQL的“orderbytime”

Sortsort=newSort（“time”,true）;//相当于SQL的“orderbytimedesc”

下面是一个完整的例子：

Directorydir=FSDirectory.getDirectory（PATH,false）;

IndexSe