Lucene--介绍

Lucene介绍

一、什么是Lucene

Lucene是apache下的一个开源的全文检索引擎工具包。它为软件开发人员提供一个简单易用的工具包（类库），以方便的在目标系统中实现全文检索的功能。

二、全文检索的应用场景

2.1搜索引擎

2.2站内搜索

2.3文件系统的搜索

总结：Lucene和搜索引擎是不同的，Lucene是一套用java或其它语言写的全文检索的工具包。它为应用程序提供了很多个api接口去调用，可以简单理解为是一套实现全文检索的类库。搜索引擎是一个全文检索系统，它是一个单独运行的软件系统。

三、全文检索的定义

全文检索首先将要查询的目标文档中的词提取出来，组成索引，通过查询索引达到搜索目标文档的目的。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-text Search）。

四、Lucene实现全文检索的流程

全文检索的流程分为两大部分：索引流程、搜索流程：

• 索引流程：即采集数据–>构建文档对象–>分析文档（分词）–>创建索引。
• 搜索流程：即用户通过搜索界面–>创建查询–>执行搜索，搜索器从索引库搜索–>渲染搜索结果。

Lucene本身不能进行视图渲染。

五、入门程序

5.1需求

使用lucene完成对数据库中图书信息的索引和搜索功能。

5.2环境

• Jdk：1.7及以上
• Lucene：4.10（从4.8版本以后，必须使用jdk1.7及以上）
• Ide：indigo
• 数据库：mysql

5.3数据库脚本

5.4Lucene下载

Lucene是开发全文检索功能的工具包，使用时从官方网站下载，并解压。

官方网站：http://lucene.apache.org/
目前最新版本：5.4.0

下载地址：http://archive.apache.org/dist/lucene/java/下载版本：4.10.3JDK要求：1.7以上（从版本4.8开始，不支持1.7以下）

5.5工程搭建

所需要的jar包：

• mysql5.1驱动包：mysql-connector-java-5.1.7-bin.jar
• 核心包：lucene-core-4.10.3.jar
• 分析器通用包：lucene-analyzers-common-4.10.3.jar
• 查询解析器包：lucene-queryparser-4.10.3.jar
• junit包：junit-4.9.jar（非必须）

5.6实现全文检索

第一步：索引流程

对文档索引的过程，就是将用户要搜索的文档内容进行索引，然后把索引存储在索引库（index）中。

1.为什么要采集数据

全文检索搜索的内容的格式是多种多样的，比如：视频、mp3、图片、文档等等。对于这种格式不同的数据，需要先将他们采集到本地，然后统一封装到lucene的文档对象中，也就是说需要将存储的内容进行统一才能对它进行查询。

2.采集数据的方式

• 对于互联网中的数据，使用爬虫工具（http工具）将网页爬取到本地
• 对于数据库中的数据，使用jdbc程序进行数据采集
• 对于文件系统的数据，使用io流采集

因为目前搜索引擎主要搜索数据的来源是互联网，搜索引擎使用一种爬虫程序抓取网页（ 通过http抓取html网页信息），以下是一些爬虫项目：

• Solr（http://lucene.apache.org/solr） ，solr是apache的一个子项目，支持从关系数据库、xml文档中提取原始数据。
• Nutch（http://lucene.apache.org/nutch）, Nutch是apache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://sourceforge.net/projects/archive-crawler/files/），Heritrix 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。

3.索引文件的逻辑结构

文档域：

文档域存储的信息就是采集到的信息，通过Document对象来存储，具体说是通过Document对象中field域来存储数据。

比如：数据库中一条记录会存储一个一个Document对象，数据库中一列会存储成Document中一个field域。

文档域中，Document对象之间是没有关系的。而且每个Document中的field域也不一定一样。

索引域:

索引域主要是为了搜索使用的。索引域内容是经过lucene分词之后存储的。

倒排索引表

传统方法是先找到文件，如何在文件中找内容，在文件内容中匹配搜索关键字，这种方法是顺序扫描方法，数据量大就搜索慢。
倒排索引结构是根据内容（词语）找文档，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，它是在索引中匹配搜索关键字，由于索引内容量有限并且采用固定优化算法搜索速度很快，找到了索引中的词汇，词汇与文档关联，从而最终找到了文档。

4.索引

4.1 采集数据

Book:

public class Book {    private Integer id;    private String name;    private Float price;    private String pic;    private String description;    public Integer getId() {        return id;    }    public void setId(Integer id) {        this.id = id;    }    public String getName() {        return name;    }    public void setName(String name) {        this.name = name;    }    public Float getPrice() {        return price;    }    public void setPrice(Float price) {        this.price = price;    }    public String getPic() {        return pic;    }    public void setPic(String pic) {        this.pic = pic;    }    public String getDescription() {        return description;    }    public void setDescription(String description) {        this.description = description;    }}

BookDao:

public interface BookDao {    public List<Book> queryBooks();}

BookDaoImpl:

public class BookDaoImpl implements BookDao {    @Override    public List<Book> queryBooks() {        // 数据库链接        Connection connection = null;        // 预编译statement        PreparedStatement preparedStatement = null;        // 结果集        ResultSet resultSet = null;        // 图书列表        List<Book> list = new ArrayList<Book>();        try {            // 加载数据库驱动            Class.forName("com.mysql.jdbc.Driver");            // 连接数据库            connection = DriverManager.getConnection(                    "jdbc:mysql://localhost:3306/solr", "root", "root");            // SQL语句            String sql = "SELECT * FROM book";            // 创建preparedStatement            preparedStatement = connection.prepareStatement(sql);            // 获取结果集            resultSet = preparedStatement.executeQuery();            // 结果集解析            while (resultSet.next()) {                Book book = new Book();                book.setId(resultSet.getInt("id"));                book.setName(resultSet.getString("name"));                book.setPrice(resultSet.getFloat("price"));                book.setPic(resultSet.getString("pic"));                book.setDescription(resultSet.getString("description"));                list.add(book);            }        } catch (Exception e) {            e.printStackTrace();        }        return list;    }}

4.2 创建索引

创建索引流程：

IndexWriter是索引过程的核心组件，通过IndexWriter可以创建新索引、更新索引、删除索引操作。IndexWriter需要通过Directory对索引进行存储操作。

Directory描述了索引的存储位置，底层封装了I/O操作，负责对索引进行存储。它是一个抽象类，它的子类常用的包括FSDirectory（在文件系统存储索引）、RAMDirectory（在内存存储索引）。

代码：

@Testpublic void createIndex() throws Exception {    // 采集数据    BookDao dao = new BookDaoImpl();    List<Book> list = dao.queryBooks();    // 将采集到的数据封装到Document对象中    List<Document> docList = new ArrayList<>();    Document document;    for (Book book : list) {        document = new Document();        // store:如果是yes，则说明存储到文档域中        // 图书ID        // 不分词、索引、存储 StringField        Field id = new StringField("id", book.getId().toString(), Store.YES);        // 图书名称        // 分词、索引、存储 TextField        Field name = new TextField("name", book.getName(), Store.YES);        // 图书价格        // 分词、索引、存储 但是是数字类型，所以使用FloatField        Field price = new FloatField("price", book.getPrice(), Store.YES);        // 图书图片地址        // 不分词、不索引、存储 StoredField        Field pic = new StoredField("pic", book.getPic());        // 图书描述        // 分词、索引、不存储 TextField        Field description = new TextField("description",                book.getDescription(), Store.NO);        // 设置boost值        if (book.getId() == 4)            description.setBoost(100f);        // 将field域设置到Document对象中        document.add(id);        document.add(name);        document.add(price);        document.add(pic);        document.add(description);        docList.add(document);    }    // 创建分词器，标准分词器    // Analyzer analyzer = new StandardAnalyzer();    // 使用ikanalyzer    Analyzer analyzer = new IKAnalyzer();    // 创建IndexWriter    IndexWriterConfig cfg = new IndexWriterConfig(Version.LUCENE_4_10_3,            analyzer);    // 指定索引库的地址    File indexFile = new File("E:\\11-index\\hcx\\");    Directory directory = FSDirectory.open(indexFile);    IndexWriter writer = new IndexWriter(directory, cfg);    // 通过IndexWriter对象将Document写入到索引库中    for (Document doc : docList) {        writer.addDocument(doc);    }    // 关闭writer    writer.close();}

4.3 分词

在对Docuemnt中的内容索引之前需要使用分词器进行分词 ，主要过程就是分词、过虑两步。

• 分词：将采集到的文档内容切分成一个一个的词，具体应该说是将Document中Field的value值切分成一个一个的词。
• 过滤：将分好的词进行过滤，包括去除标点符号、去除停用词（的、是、a、an、the等）、大写转小写、词的形还原（复数形式转成单数形参、过去式转成现在式。。。）等。

什么是停用词？

停用词是为节省存储空间和提高搜索效率，搜索引擎在索引页面或处理搜索请求时会自动忽略某些字或词，这些字或词即被称为Stop Words(停用词)。比如语气助词、副词、介词、连接词等，通常自身并无明确的意义，只有将其放入一个完整的句子中才有一定作用，如常见的“的”、“在”、“是”、“啊”等。

Lucene作为了一个工具包提供不同国家的分词器，如下图：

注意由于语言不同分析器的切分规则也不同，本例子使用StandardAnalyzer，它可以对用英文进行分词。

如下是org.apache.lucene.analysis.standard.standardAnalyzer的部分源码：

@Overrideprotected TokenStreamComponents createComponents(final String fieldName, final Reader reader) {    final StandardTokenizer src = new StandardTokenizer(getVersion(), reader);    src.setMaxTokenLength(maxTokenLength);    TokenStream tok = new StandardFilter(getVersion(), src);    tok = new LowerCaseFilter(getVersion(), tok);    tok = new StopFilter(getVersion(), tok, stopwords);    return new TokenStreamComponents(src, tok) {      @Override      protected void setReader(final Reader reader) throws IOException {        src.setMaxTokenLength(StandardAnalyzer.this.maxTokenLength);        super.setReader(reader);      }    };}

• Tokenizer是分词器，负责将reader转换为语汇单元即进行分词，Lucene提供了很多的分词器，也可以使用第三方的分词，比如IKAnalyzer一个中文分词器。
• tokenFilter是分词过滤器，负责对语汇单元进行过滤，tokenFilter可以是一个过滤器链儿，Lucene提供了很多的分词器过滤器，比如大小写转换、去除停用词等。

如下图是语汇单元的生成过程：

从一个Reader字符流开始，创建一个基于Reader的Tokenizer分词器，经过三个TokenFilter生成语汇单元Token。

比如下边的文档经过分析器分析如下：

原文档内容：Lucene is a Java full-text search engine.  分析后得到的语汇单元：lucene、java、full、text、search、engine

同一个域中相同的语汇单元（Token）对应同一个Term（词），它记录了语汇单元的内容及所在域的域名等，还包括该token出现的频率及位置。

• 不同的域中拆分出来的相同的单词对应不同的term。
• 相同的域中拆分出来的相同的单词对应相同的term。

例如：图书信息里面，图书名称中的java和图书描述中的java对应不同的term

4.4 使用luke工具查看索引

Luke作为Lucene工具包中的一个工具（http://www.getopt.org/luke/），可以通过界面来进行索引文件的查询、修改。

打开Luke方法：

• 命令运行：cmd运行：java -jar lukeall-4.10.3.jar
• 手动执行：双击lukeall-4.10.3.jar

第二步：搜索流程

搜索过程：

1. 用户定义查询语句，用户确定查询什么内容（输入什么关键字）
   指定查询语法，相当于sql语句。
2. IndexSearcher索引搜索对象，定义了很多搜索方法，程序员调用此方法搜索。
3. IndexReader索引读取对象，它对应的索引维护对象IndexWriter，IndexSearcher通过IndexReader读取索引目录中的索引文件
4. Directory索引流对象，IndexReader需要Directory读取索引库，使用FSDirectory文件系统流对象
5. IndexSearcher搜索完成，返回一个TopDocs（匹配度高的前边的一些记录）

1.输入查询语句：

同数据库的sql一样，lucene全文检索也有固定的语法：
最基本的有比如：AND, OR, NOT 等

举个例子，用户想找一个description中包括java关键字和lucene关键字的文档。
它对应的查询语句：description:java AND lucene
如下是使用luke搜索的例子：

2.搜索分词

和索引过程的分词一样，这里要对用户输入的关键字进行分词，一般情况索引和搜索使用的分词器一致。

比如：输入搜索关键字“java学习”，分词后为java和学习两个词，与java和学习有关的内容都搜索出来了

代码：

@Testpublic void indexSearch() throws Exception {    // 创建query对象    // 使用QueryParser搜索时，需要指定分词器，搜索时的分词器要和索引时的分词器一致    // 第一个参数：默认搜索的域的名称    QueryParser parser = new QueryParser("description",            new StandardAnalyzer());    // 通过queryparser来创建query对象    // 参数：输入的lucene的查询语句(关键字一定要大写)    Query query = parser.parse("description:java AND lucene");    // 创建IndexSearcher    // 指定索引库的地址    File indexFile = new File("E:\\11-index\\hcx\\");    Directory directory = FSDirectory.open(indexFile);    IndexReader reader = DirectoryReader.open(directory);    IndexSearcher searcher = new IndexSearcher(reader);    // 通过searcher来搜索索引库    // 第二个参数：指定需要显示的顶部记录的N条    TopDocs topDocs = searcher.search(query, 10);    // 根据查询条件匹配出的记录总数    int count = topDocs.totalHits;    System.out.println("匹配出的记录总数:" + count);    // 根据查询条件匹配出的记录    ScoreDoc[] scoreDocs = topDocs.scoreDocs;    for (ScoreDoc scoreDoc : scoreDocs) {        // 获取文档的ID        int docId = scoreDoc.doc;        // 通过ID获取文档        Document doc = searcher.doc(docId);        System.out.println("商品ID：" + doc.get("id"));        System.out.println("商品名称：" + doc.get("name"));        System.out.println("商品价格：" + doc.get("price"));        System.out.println("商品图片地址：" + doc.get("pic"));        System.out.println("==========================");        // System.out.println("商品描述：" + doc.get("description"));    }    // 关闭资源    reader.close();}