lucenesolr.docx

1、 lucenesolr 全文检索 Lucene&Solr（1）1.案例案例 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。本案例中的原始内容就是磁盘上的文件，如下图：2.需求分析需求分析 数据库搜索数据库搜索 数据库中的搜索很容易实现，通常都是使用 sql 语句进行查询，而且能很快的得到查询结果。为什么数据库搜索很容易？因为数据库中的数据存储是有规律的，有行有列而且数据格式、数据长度都是固定的。数据分类数据分类 我们生活中的数据总体分为两种：结构化数据和非结构化数据。结构化数据：指具有固定格式

2、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 非结构化数据查询方法非结构化数据查询方法（1）顺序扫描法(Serial Scanning)所谓顺序扫描，比如要找内容包含某一个字符串的文件，就是一个文档一个文档的看，对于每一个文档，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件，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。（2）全文检索(Full-text Search)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

3、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-t

4、ext 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。如何实现全文检索如何实现全文检索 可以使用 Lucene实现全文检索。Lucene是 apache下的一个开放源代码的全文检索引擎工具包。提供了完整的查询引擎和索引引擎，部分文本分析引擎。Lucene的目的是为软件开发人员提供一个简单易用的工具包，以方便的在目标系统中实现全文检索的功能。全文检索的应用场景全文检索的应用场景 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 XX、Google等搜索引擎、论坛站内搜索、电商网站站内搜索等。3

5、.Lucene 实现全文检索的流程实现全文检索的流程 索引和搜索流程图索引和搜索流程图 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 创建索引创建索引 对文档索引的过程，将用户要搜索的文档内容进行索引，索引存储在索引库（index）中。这里我们要搜索的文档是磁盘上的文本文件，根据案例描述：凡是文件名或文件内容包括关键字的文件都要找出来，这里要对文件名和文件内容创建索引。获得原始文档获得原始

6、文档 原始文档是指要索引和搜索的内容。原始内容包括互联网上的网页、数据库中的数据、磁盘上的文件等。本案例中的原始内容就是磁盘上的文件，如下图：从互联网上、数据库、文件系统中等获取需要搜索的原始信息，这个过程就是信息采集，信息采集的目的是为了对原始内容进行索引。在 Internet 上采集信息的软件通常称为爬虫或蜘蛛，也称为网络机器人，爬虫访问互联网上的每一个网页，将获取到的网页内容存储起来。Lucene不提供信息采集的类库，需要自己编写一个爬虫程序实现信息采集，也可以通过一些开源软件实现信息采集，如下：Nutch（http:/lucene.apache.org/nutch）,Nutch 是 a

7、pache的一个子项目，包括大规模爬虫工具，能够抓取和分辨 web网站数据。jsoup（http:/jsoup.org/），jsoup 是一款 Java 的 HTML解析器，可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的 API，可通过 DOM，CSS 以及类似于 jQuery的操作方法来取出和操作数据。heritrix（http:/ 是一个由 java 开发的、开源的网络爬虫，用户可以使用它来从网上抓取想要的资源。其最出色之处在于它良好的可扩展性，方便用户实现自己的抓取逻辑。本案例我们要获取磁盘上文件的内容，可以通过文件流来读取文本文件的内容，对于 pdf、doc、xls

8、 等文件可通过第三方提供的解析工具读取文件内容，比如 Apache POI读取 doc和 xls 的文件内容。创建文档对象创建文档对象 获取原始内容的目的是为了索引，在索引前需要将原始内容创建成文档（Document），文档中包括一个一个的域（Field），域中存储内容。这里我们可以将磁盘上的一个文件当成一个 document，Document 中包括一些Field（file_name文件名称、file_path 文件路径、file_size文件大小、file_content 文件内容），如下图：注意：每个 Document 可以有多个 Field，不同的 Document可以有不同的 Fie

9、ld，同一个 Document可以有相同的 Field（域名和域值都相同）每个文档都有一个唯一的编号，就是文档 id。分析文档分析文档 将原始内容创建为包含域（Field）的文档（document），需要再对域中的内容进行分析，分析的过程是经过对原始文档提取单词、将字母转为小写、去除标点符号、去除停用词等过程生成最终的语汇单元，可以将语汇单元理解为一个一个的单词。比如下边的文档经过分析如下：原文档内容：Lucene is a Java full-text search engine.Lucene is not a complete application,but rather a code l

10、ibrary and API that can easily be used to add search capabilities to applications.分析后得到的语汇单元：lucene、java、full、search、engine。每个单词叫做一个 Term，不同的域中拆分出来的相同的单词是不同的 term。term中包含两部分一部分是文档的域名，另一部分是单词的内容。例如：文件名中包含 apache和文件内容中包含的 apache是不同的 term。创建索引创建索引 对所有文档分析得出的语汇单元进行索引，索引的目的是为了搜索，最终要实现只搜索被索引的语汇单元从而找到 Docu

11、ment（文档）。注意：创建索引是对语汇单元索引，通过词语找文档，这种索引的结构叫倒排索引结构。传统方法是根据文件找到该文件的内容，在文件内容中匹配搜索关键字，这种方法是顺序扫描方法，数据量大、搜索慢。倒排索引结构是根据内容（词语）找文档，如下图：倒排索引结构也叫反向索引结构，包括索引和文档两部分，索引即词汇表，它的规模较小，而文档集合较大。查询索引查询索引 查询索引也是搜索的过程。搜索就是用户输入关键字，从索引（index）中进行搜索的过程。根据关键字搜索索引，根据索引找到对应的文档，从而找到要搜索的内容（这里指磁盘上的文件）。用户查询接口用户查询接口 全文检索系统提供用户搜索的界面供用户提

12、交搜索的关键字，搜索完成展示搜索结果。比如：Lucene不提供制作用户搜索界面的功能，需要根据自己的需求开发搜索界面。创建查询创建查询 用户输入查询关键字执行搜索之前需要先构建一个查询对象，查询对象中可以指定查询要搜索的 Field 文档域、查询关键字等，查询对象会生成具体的查询语法，例如：语法“fileName:lucene”表示要搜索 Field域的内容为“lucene”的文档 执行查询执行查询 搜索索引过程：根据查询语法在倒排索引词典表中分别找出对应搜索词的索引，从而找到索引所链接的文档链表。比如搜索语法为“fileName:lucene”表示搜索出 fileName域中包含 Lucen

13、e 的文档。搜索过程就是在索引上查找域为 fileName，并且关键字为 Lucene的 term，并根据term 找到文档 id列表。渲染结果渲染结果 以一个友好的界面将查询结果展示给用户，用户根据搜索结果找自己想要的信息，为了帮助用户很快找到自己的结果，提供了很多展示的效果，比如搜索结果中将关键字高亮显示，XX 提供的快照等。4.配置开发环境配置开发环境 Lucene 下载下载 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：http:/lucene.apache.org/版本：lucene4.10.3 Jdk 要求：1.7以上 IDE：

14、Eclipse 使用的使用的 jar 包包 Lucene包：lucene-core-4.10.3.jar lucene-analyzers-common-4.10.3.jar lucene-queryparser-4.10.3.jar 其它：commons-io-2.4.jar junit-4.9.jar 5.功能一：创建索引库功能一：创建索引库 使用 indexwriter对象创建索引 实现步骤实现步骤 第一步：创建一个 java 工程，并导入 jar包。第二步：创建一个 indexwriter对象。1）指定索引库的存放位置 Directory对象 2）指定一个分析器，对文档内容进行分析。第

15、二步：创建 document 对象。第三步：创建 field 对象，将 field 添加到 document 对象中。第四步：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。第五步：关闭 IndexWriter 对象。Field 域的属性域的属性 是否分析：是否对域的内容进行分词处理。前提是我们要对域的内容进行查询。是否索引：将 Field 分析后的词或整个 Field 值进行索引，只有索引方可搜索到。比如：商品名称、商品简介分析后进行索引，订单号、身份证号不用分析但也要索引，这些将来都要作为查询条件。是

16、否存储：将 Field 值存储在文档中，存储在文档中的 Field才可以从 Document中获取 比如：商品名称、订单号，凡是将来要从 Document 中获取的 Field 都要存储。是否存储的标准：是否要将内容展示给用户 Field 类 数据类型 Analyzed 是否分析 Indexed 是否索引 Stored 是否存储 说明 StringField(FieldName,FieldValue,Store.YES)字符串 N Y Y 或N 这个 Field用来构建一个字符串Field，但是不会进行分析，会将整个串存储在索引中，比如(订单号,姓名等)是否存储在文档中用Store.YES 或Store.NO决定 LongField(FieldName,FieldValue,Store.YES)Long型 Y Y Y 或N 这个 Field用来构建一个Long数字型Field，进行分析和索引，比如(价格)是否存储在文档中用Store.YES 或Store.NO决定 StoredField(FieldName,FieldValue)重载方法，支持多种类型 N N Y 这个 Field用来