使用 Apache Lucene 搜索文本.docx
《使用 Apache Lucene 搜索文本.docx》由会员分享，可在线阅读，更多相关《使用 Apache Lucene 搜索文本.docx（16页珍藏版）》请在冰豆网上搜索。
使用ApacheLucene搜索文本
使用ApacheLucene搜索文本
轻松为应用程序构建搜索和索引功能
AmolSonawane,资深软件工程师,EMC
AmolSonawane是一名高级软件工程师，拥有班加罗尔国际信息技术学院的研究生学位。
他为许多领域设计和开发软件，比如供应链管理、企业应用程序集成和商业智能。
他可以使用J2EE技术和框架（Struts和Spring）开发应用程序。
他与妻子Anuja居住在印度普内。
除了编程，他还喜欢摄影、下棋和字谜。
简介：
本文将探讨ApacheLucene——性能卓越、功能全面的文本搜索引擎库。
我们将学习Lucene架构及其核心API。
学习如何使用Lucene进行跨平台全文本搜索、建立索引、显示结果，以及如何扩展搜索。
标记本文！
发布日期：
2009年9月14日
级别：
初级
其他语言版本：
英文
建议:
0 （添加评论）
平均分（共0个评分）
简介
Lucene是一个开源、高度可扩展的搜索引擎库，可以从ApacheSoftwareFoundation获取。
您可以将Lucene用于商业和开源应用程序。
Lucene强大的API主要关注文本索引和搜索。
它可以用于为各种应用程序构建搜索功能，比如电子邮件客户端、邮件列表、Web搜索、数据库搜索等等。
Wikipedia、TheServerSide、jGuru和LinkedIn等网站都使用了Lucene。
Lucene还为EclipseIDE、Nutch（著名的开源Web搜索引擎）以及IBM®、AOL和Hewlett-Packard等公司提供搜索功能。
Lucene已经兼容许多其他编程语言，包括Perl、Python、C++和.NET。
到2009年7月30日止，用于Java™编程语言的最新版Lucene为V2.4.1。
Lucene功能众多：
∙拥有强大、准确、有效的搜索算法。
∙计算每个文档匹配给定查询的分数，并根据分数返回最相关的文档。
∙支持许多强大的查询类型，比如PhraseQuery、WildcardQuery、RangeQuery、FuzzyQuery、BooleanQuery等。
∙支持解析人们输入的丰富查询表达式。
∙允许用户使用定制排序、过滤和查询表达式解析扩展搜索行为。
∙使用基于文件的锁定机制保护并发索引修改。
∙允许同时搜索和编制索引。
回页首
使用Lucene构建应用程序
如图1所示，使用Lucene构建功能全面的搜索应用程序主要涉及编制数据索引、搜索数据和显示搜索结果几个方面。
图1.使用Lucene构建应用程序的步骤
本文从使用LuceneV2.4.1和Java技术开发的样例应用程序中挑选了一些代码片段。
示例应用程序为存储在属性文件中一组电子邮件文档编制索引，并展示了如何使用Lucene的查询API搜索索引。
该示例还让您熟悉基本的索引操作。
回页首
为数据编制索引
Lucene允许您为任何文本格式的数据编制索引。
Lucene可以用于几乎任何数据源以及从中提取的文本信息。
您可以使用Lucene编制索引并搜索HTML文档、Microsoft®Word文档、PDF文件中存储的数据。
编制数据索引的第一步是让数据变成一个简单的文本格式。
您可以使用定制解析器和数据转换器实现这一点。
编制索引的过程
编制索引是将文本数据转换为有利于快速搜索的格式。
这类似于书本后面的索引：
为您指出主题在书中出现的位置。
Lucene将输入数据存储在名为逆序索引的数据结构中,该数据结构以索引文件集的形式存储在文件系统或内存中。
大部分Web搜索引擎都使用逆序索引。
它允许用户执行快速关键字查询，查找匹配给定查询的文档。
在将文本数据添加到索引前，由分析程序（使用分析过程）进行处理。
分析
分析是将文本数据转换为搜索基本单位（称为项（term））的过程。
在分析过程中，文本数据将经历多项操作：
提取单词、移除通用单词、忽略标点符号、将单词变为词根形式、将单词变成小写等等。
分析过程发生在编制索引和查询解析之前。
分析将文本数据转换为标记，这些标记将作为项添加到Lucene索引中。
Lucene有多种内置分析程序，比如SimpleAnalyzer、StandardAnalyzer、StopAnalyzer、SnowballAnalyzer等。
它们在标记文本和应用过滤器的方式上有所区别。
因为分析在编制索引之前移除单词，它减少了索引的大小，但是不利用精确的查询过程。
您可以使用Lucene提供的基本构建块创建定制分析程序，以自己的方式控制分析过程。
表1展示了一些内置分析程序及其处理数据的方式。
表1.Lucene的内置分析程序
分析程序
对文本数据的操作
WhitespaceAnalyzer
分解空白处的标记
SimpleAnalyzer
分解非字母字符的文本，并将文本转为小写形式
StopAnalyzer
移除虚字（stopword）——对检索无用的字，并将文本转为小写形式
StandardAnalyzer
根据一种复杂语法（识别电子邮件地址、缩写、中文、日文、韩文字符、字母数字等等）标记文本
将文本转为小写形式
移除虚字
核心索引编制类
Directory
表示索引文件存储位置的抽象类。
有两个常用的子类：
∙FSDirectory—在实际文件系统中存储索引的Directory实现。
该类对于大型索引非常有用。
∙RAMDirectory—在内存中存储所有索引的实现。
该类适用于较小的索引，可以完整加载到内存中，在应用程序终止之后销毁。
由于索引保存在内存中，所以速度相对较快。
Analyzer
正如上文所述，分析程序负责处理文本数据并将其转换为标记存储在索引中。
在编制索引前，IndexWriter接收用于标记数据的分析程序。
要为文本编制索引，您应该使用适用于该文本语言的分析程序。
默认分析程序适用于英语。
在Lucene沙盒中还有其他分析程序，包括用于中文、日文和韩文的分析程序。
IndexDeletionPolicy
该接口用来实现从索引目录中定制删除过时提交的策略。
默认删除策略是KeepOnlyLastCommitDeletionPolicy，该策略仅保留最近的提交，并在完成一些提交之后立即移除所有之前的提交。
IndexWriter
创建或维护索引的类。
它的构造函数接收布尔值，确定是否创建新索引，或者打开现有索引。
它提供在索引中添加、删除和更新文档的方法。
对索引所做的更改最初缓存在内存中，并周期性转储到索引目录。
IndexWriter公开了几个控制如何在内存中缓存索引并写入磁盘的字段。
对索引的更改对于IndexReader不可见，除非调用IndexWriter的提交或关闭方法。
IndexWriter创建一个目录锁定文件，以通过同步索引更新保护索引不受破坏。
IndexWriter允许用户指定可选索引删除策略。
列表1.使用LuceneIndexWriter
//CreateinstanceofDirectorywhereindexfileswillbestored
DirectoryfsDirectory=FSDirectory.getDirectory（indexDirectory）;
/*Createinstanceofanalyzer,whichwillbeusedtotokenize
theinputdata*/
AnalyzerstandardAnalyzer=newStandardAnalyzer（）;
//Createanewindex
booleancreate=true;
//Createtheinstanceofdeletionpolicy
IndexDeletionPolicydeletionPolicy=newKeepOnlyLastCommitDeletionPolicy（）;
indexWriter=newIndexWriter（fsDirectory,standardAnalyzer,create,
deletionPolicy,IndexWriter.MaxFieldLength.UNLIMITED）;
将数据添加到索引
将文本数据添加到索引涉及到两个类。
Field表示搜索中查询或检索的数据片。
Field类封装一个字段名称及其值。
Lucene提供了一些选项来指定字段是否需要编制索引或分析，以及值是否需要存储。
这些选项可以在创建字段实例时传递。
下表展示了Field元数据选项的详细信息。
表2.Field元数据选项的详细信息
选项
描述
Field.Store.Yes
用于存储字段值。
适用于显示搜索结果的字段—例如，文件路径和URL。
Field.Store.No
没有存储字段值—例如，电子邮件消息正文。
Field.Index.No
适用于未搜索的字段—仅用于存储字段，比如文件路径。
Field.Index.ANALYZED
用于字段索引和分析—例如，电子邮件消息正文和标题。
Field.Index.NOT_ANALYZED
用于编制索引但不分析的字段。
它在整体中保留字段的原值—例如，日期和个人名称。
Document是一个字段集合。
Lucene也支持推进文档和字段，这在给某些索引数据赋予重要性时非常有用。
给文本文件编制索引包括将文本数据封装在字段中、创建文档、填充字段，使用IndexWriter向索引添加文档。
列表2展示向索引添加数据的示例。
列表2.向索引添加数据
/*Step1.Preparethedataforindexing.Extractthedata.*/
Stringsender=properties.getProperty（"sender"）;
Stringdate=properties.getProperty（"date"）;
Stringsubject=properties.getProperty（"subject"）;
Stringmessage=properties.getProperty（"message"）;
Stringemaildoc=file.getAbsolutePath（）;
/*Step2.WrapthedataintheFieldsandaddthemtoaDocument*/
FieldsenderField=
newField（"sender",sender,Field.Store.YES,Field.Index.NOT_ANALYZED）;
Fieldemaildatefield=
newField（"date",date,Field.Store.NO,Field.Index.NOT_ANALYZED）;
FieldsubjectField=
newField（"subject",subject,Field.Store.YES,Field.Index.ANALYZED）;
Fieldmessagefield=
newField（"message",message,Field.Store.NO,Field.Index.ANALYZED）;
FieldemailDocField=
newField（"emailDoc",emaildoc,Field.Store.YES,
Field.Index.NO）;
Documentdoc=newDocument（）;
//AddthesefieldstoaLuceneDocument
doc.add（senderField）;
doc.add（emaildatefield）;
doc.add（subjectField）;
doc.add（messagefield）;
doc.add（emailDocField）;
//Step3:
AddthisdocumenttoLuceneIndex.
indexWriter.addDocument（doc）;
回页首
搜索索引数据
搜索是在索引中查找单词并查找包含这些单词的文档的过程。
使用Lucene的搜索API构建的搜索功能非常简单明了。
本小节讨论Lucene搜索API的主要类。
Searcher
Searcher是一个抽象基类，包含各种超负荷搜索方法。
IndexSearcher是一个常用的子类，允许在给定的目录中存储搜索索引。
Search方法返回一个根据计算分数排序的文档集合。
Lucene为每个匹配给定查询的文档计算分数。
IndexSearcher是线程安全的；一个实例可以供多个线程并发使用。
Term
Term是搜索的基本单位。
它由两部分组成：
单词文本和出现该文本的字段的名称。
Term对象也涉及索引编制，但是可以在Lucene内部创建。
Query和子类
Query是一个用于查询的抽象基类。
搜索指定单词或词组涉及到在项中包装它们，将项添加到查询对象，将查询对象传递到IndexSearcher的搜索方法。
Lucene包含各种类型的具体查询实现，比如TermQuery、BooleanQuery、PhraseQuery、PrefixQuery、RangeQuery、MultiTermQuery、FilteredQuery、SpanQuery等。
以下部分讨论Lucene查询API的主查询类。
TermQuery
搜索索引最基本的查询类型。
可以使用单个项构建TermQuery。
项值应该区分大小写，但也并非全是如此。
注意，传递的搜索项应该与文档分析得到的项一致，因为分析程序在构建索引之前对原文本执行许多操作。
例如，考虑电子邮件标题“JobopeningsforJavaProfessionalsatBangalore”。
假设您使用StandardAnalyzer编制索引。
现在如果我们使用TermQuery搜索“Java”，它不会返回任何内容，因为本文本应该已经规范化，并通过StandardAnalyzer转成小写。
如果搜索小写单词“java”，它将返回所有标题字段中包含该单词的邮件。
列表3.使用TermQuery搜索
//Searchmailshavingtheword"java"inthesubjectfield
SearcherindexSearcher=newIndexSearcher（indexDirectory）;
Termterm=newTerm（"subject","java"）;
QuerytermQuery=newTermQuery（term）;
TopDocstopDocs=indexSearcher.search（termQuery,10）;
RangeQuery
您可以使用RangeQuery在某个范围内搜索。
索引中的所有项都以字典顺序排列。
Lucene的RangeQuery允许用户在某个范围内搜索项。
该范围可以使用起始项和最终项（包含两端或不包含两端均可）指定。
列表4.在某个范围内搜索
/*RangeQueryexample:
Searchmailsfrom01/06/2009to6/06/2009
bothinclusive*/
Termbegin=newTerm（"date","20090601"）;
Termend=newTerm（"date","20090606"）;
Queryquery=newRangeQuery（begin,end,true）;
PrefixQuery
您可以使用PrefixQuery通过前缀单词进行搜索，该方法用于构建一个查询，该查询查找包含以指定单词前缀开始的词汇的文档。
列表5.使用PrefixQuery搜索
//Searchmailshavingsenderfieldprefixedbytheword'job'
PrefixQueryprefixQuery=newPrefixQuery（newTerm（"sender","job"））;
PrefixQueryquery=newPrefixQuery（newTerm（"sender","job"））;
BooleanQuery
您可以使用BooleanQuery组合任何数量的查询对象，构建强大的查询。
它使用query和一个关联查询的子句，指示查询是应该发生、必须发生还是不得发生。
在BooleanQuery中，子句的最大数量默认限制为1,024。
您可以调用setMaxClauseCount方法设置最大子句数。
列表6.使用BooleanQuery进行搜索
//Searchmailshaveboth'java'and'bangalore'inthesubjectfield
Queryquery1=newTermQuery（newTerm（"subject","java"））;
Queryquery2=newTermQuery（newTerm（"subject","bangalore"））;
BooleanQueryquery=newBooleanQuery（）;
query.add（query1,BooleanClause.Occur.MUST）;
query.add（query2,BooleanClause.Occur.MUST）;
PhraseQuery
您可以使用PhraseQuery进行短语搜索。
PhraseQuery匹配包含特定单词序列的文档。
PhraseQuery使用索引中存储的项的位置信息。
考虑匹配的项之间的距离称为slop。
默认情况下，slop的值为零，这可以通过调用setSlop方法进行设置。
PhraseQuery还支持多个项短语。
列表7.使用PhraseQuery进行搜索
/*PhraseQueryexample:
Searchmailsthathavephrase'jobopeningj2ee'
inthesubjectfield.*/
PhraseQueryquery=newPhraseQuery（）;
query.setSlop
（1）;
query.add（newTerm（"subject","job"））;
query.add（newTerm（"subject","opening"））;
query.add（newTerm（"subject","j2ee"））;
WildcardQuery
WildcardQuery实现通配符搜索查询，这允许您搜索arch*（可以查找包含architect、architecture等）之类的单词。
使用两个标准通配符：
∙*表示零个以上
∙?
表示一个以上
如果使用以通配符查询开始的模式进行搜索，则可能会引起性能的降低，因为这需要查询索引中的所有项以查找匹配文档。
列表8.使用WildcardQuery进行搜索
//Searchfor'arch*'tofinde-mailmessagesthathaveword'architect'inthesubject
field./
Queryquery=newWildcardQuery（newTerm（"subject","arch*"））;
FuzzyQuery
您可以使用FuzzyQuery搜索类似项，该类匹配类似于指定单词的单词。
类似度测量基于Levenshtein（编辑距离）算法进行。
在列表9中，FuzzyQuery用于查找与拼错的单词“admnistrtor”最接近的项，尽管这个错误单词没有索引。
列表9.使用FuzzyQuery进行搜索
/*Searchforemailsthathavewordsimilarto'admnistrtor'inthe
subjectfield.Notewehavemisspelledadmnistrtorhere.*/
Queryquery=newFuzzyQuery（newTerm（"subject","admnistrtor"））;
QueryParser
QueryParser对于解析人工输入的查询字符非常有用。
您可以使用它将用户输入的查询表达式解析为Lucene查询对象，这些对象可以传递到IndexSearcher的搜索方法。
它可以解析丰富的查询表达式。
QueryParser内部将人们输入的查询字符串转换为一个具体的查询子类。
您需要使用反斜杠（\）将*、?
等特殊字符进行转义。
您可以使用运算符AND、OR和NOT构建文本布尔值查询。
列表10.搜索人工输入的查询表达式
QueryParserqueryParser=newQueryParser（"subject",newStandardAnalyzer（））;
//Searchforemailsthatcontainthewords'jobopenings'and'.net'and'pune'
Queryquery=queryParser.parse（"jobopeningsAND.netANDpune"）;
回页首
显示搜索结果
IndexSearcher返回一组对分级搜索结果（如匹配给定查询的文档）的引用。
您可以使用IndexSearcher的搜索方法确定需要检索的最优先搜索结果数量。
可以在此基础上构建定制分页。
您可以添加定制Web应用程序或桌面应用程序来显示搜索结果。
检索搜索结果涉及的主要类包括ScoreDoc和TopDocs。
ScoreDoc
搜索结果中包含一个指向文档的简单指针。
这可以封装文档索引中文档的位置以及Lucene计算的分数。
TopDocs
封装搜索结果以及ScoreDoc的总数。
以下代码片段展示了如何检索搜索结果中包含的文档。
列表11.展示搜索结果
/*Firstparameteristhequerytobeexecutedand
secondparameterindicatesthenoofsearchre
升级会员 