Lucene学习笔记（一）

Lucene介绍

什么是Lucene？

Lucene是Apache组织的一个子项目，它是一个高效的开源的基于java的全文检索引擎工具包。

Lucene的目的是为软件开发人员提供一个简单易用的工具包，用来方便的在系统中实现全文检索的功能，或者是以此为基础简历完整的全文检索引擎

啥是全文检索？

首先从我们生活中的数据说起，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：指的是具有固定的格式或者有限长度的数据，例如：数据库

非结构化数据：指的是长度不固定或者格式不固定的数据，如邮件，word文档等

非结构化数据也叫全文数据

按照数据分类，搜索也分为两种

对结构化数据的搜索：比如sql查询数据库

对非结构化数据的搜索：windows的搜索文件内容

对非结构化数据也叫全文数据的搜索，主要有两种方法：顺序扫描法和反向索引法

顺序扫描法：就是顺序的扫描每个文档内容，看看是否有要搜索的关键字，实现查找文档的功能，也就是根据文档找词

反向索引法：就是提前将搜索的关键字建成索引，然后再根据索引查找文档，也就是根据词找文档

这种先建立索引，再对索引进行搜索的过程就叫做全文检索。

Lucene能做啥？

搜索引擎：例如百度谷歌

站内搜索：例如京东天猫

系统搜索：windows文件搜索

而我们使用Lucene主要场景就是开发站内搜索，但是为什么使用Lucene？sql不可以么？

sql流程

这是我们原始sql的查询方式，如果用户群比较小的话，数据库的数据量比较小，那么这种方式实现搜索功能在企业中是比较常见的。

但是一旦数据量过多时，数据库的压力就会变得很大，查询速度会变得非常慢，我们需要使用更好的解决方案，那就是Lucene

为了解决数据库压力和速度的问题，我们的数据库就变成了索引库，我们使用Lucene的API来操作服务器上索引库，这样和数据库完全分离，而且查询都是根据索引的，所以效率很快。

Lucene怎么做？

全文索引大体分为两个过程，索引创建和搜索引擎

索引创建：将现实世界中所有的结构化和非结构化数据提取信息，创建索引的过程

搜索索引：就是得到用户查询请求，搜索创建的索引，然后返回结果的过程

Lucene全文检索流程分析

流程图

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（要搜索的内容）---》获得文档---》创建文档---》分析文档---》索引文档

红色表示搜索的过程，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

原始内容

指的是索引和搜索的内容

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。

获得文档（采集数据）

从互联网、数据库等获取需要搜索的原始信息，这个过程就是信息采集。

采集数据的目的是为了将原始内容存储到Document对象中。

如何采集

1、对于互联网上网页，可以使用工具将网页抓取到本地生成html文件。
2、数据库中的数据，可以直接连接数据库读取表中的数据。
3、文件系统中的某个文件，可以通过I/O操作读取文件的内容。

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：

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。

创建文档

创建文档的目的是统一数据格式，方便文档分析

一个Document文档中包括多个域（Field），域中存储内容，我们可以把数据库中的一条记录当成一个Document，一列当成一个Field

分析文档

分析文档主要是对Field域进行分析，分析文档的目的是为了索引。

分析文档主要通过分词组件（Tokenizer） 和语言处理组件（Linguistic Processor）

分词组件工作流程：

1.将Field域中的内容进行分词

2.去除标点符号

3.去除停用词*

经过分词之后得到的结果称为词元

所谓的停用词就是一种语言中最普通的一些单词，由于没有特别的意义，因而大多数情况下不能成为搜索的关键词，因而创建索引时，这种词会被去掉从而减少索引的大小

英文中的停用词：比如 the a is this 等等

Document1的Field域：
Students should be allowed to go out with their friends, but not allowed to drink beer.

Document2的Field域：
My friend Jerry went to school to see his students but found them drunk which is not allowed.

在我们的例子中，便得到以下词元(Token)：
“Students”，“allowed”，“go”，“their”，“friends”，“allowed”，“drink”，“beer”，“My”，“friend”，“Jerry”，“went”，“school”，“see”，“his”，“students”，“found”，“them”，“drunk”，“allowed”。

将得到的词元传给语言处理组件（Linguistic Processor），语言处理组件一般做以下几点：

1.变为小写

2.将单词缩减为词根形式，例如：cars---》car 

3.将单词转变为词根形式 ，例如：drove---》drive

语言处理组件的结果称为词（Term）

Term是索引库的最小单位

在我们的例子中，经过语言处理，得到的词（Term）如下

“student”，“allow”，“go”，“their”，“friend”，“allow”，“drink”，“beer”，“my”，“friend”，“jerry”，“go”，“school”，“see”，“his”，“student”，“find”，“them”，“drink”，“allow”。

也正是因为有语言处理的步骤，才能使搜索drove，drive也能被搜出来

索引的目的是为了搜索

就是将得到的Term传给索引组件，索引组件做以下几件事：

1.利用得到的词（Term）创建一个字典，主要是赋予DocumentID

2.对字典按字母顺序排序

3.合并相同的Term，并将DocumentID成为倒排链表

DocumentFrequency 即文档频次，表示总共有多少文件包含此词（Term）

Frequency 即词频率，表示此文件中包含了几个此词（Term）

到此为止，索引创建完毕

最终的索引结构是一种倒排索引结构，也叫反向索引结构。

反向索引结构是根据内容找文档

搜索流程

搜索就是用户输入关键字，从索引中通过Term找文档的过程，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。

创建查询

创建查询指的就是创建查询语句，Lucene也有自己的查询语法。

最基本的有 AND OR NOT 等

举个栗子：luncene AND learned NOT hadoop

说明想找一个包含luncene和learn 但是不包括hadoop的文档

执行搜索

第一步：将创建查询语句进行词法分析，语法分析，语言处理

词法分析：上面栗子，经过词法分析，得到的单词有lucene,learned,hadoop 关键字有 AND NOT

注意：关键字必须大写，否则作为普通单词处理

语法分析

如果发现查询语句不满足语法规则，则会报错，如：lucene NOT AND learned 

语言处理

如learned变成learn等，然后搜索索引，得到文档。

1.首先在反向索引表中，分别找出包含luncene,learn,hadoop的文档链表。

2.其次，对包含luncene，learn的链表进行合并操作，得到既包含luncene又包含learn的文档链表

3.然后将此链表与hadoop的文档链表进行差操作，去除包含hadoop的文档，从而得到想要的结果

4.根据得到的文档和查询语句的相关性进行排序

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，百度提供的快照等。

Lucene Java程序入门

索引流程

IndexWriter是lucene实现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，它的子类包括FSDirectory（在文件系统存储索引，）RAMDirectory

数据采集

在电商网站中，全文检索的数据源在数据库中，我们这里访问数据库。这里省略掉了book的pojo以及dao层实现

实现索引流程

1.采集数据

2.创建Document文档对象

3.创建分析器（分词器）

4.创建IndexWriterConfig配置信息类

5.创建Directory流对象，声明索引库存储位置

6.创建IndexWriter

7.把Document写入到索引库中

8.释放资源

public class CreateIndexTest {@Testpublic void Test() throws Exception{// 1. 采集数据BookDao bookDao = new BookDaoImpl();List<Book> bookList = bookDao.queryBookList();// 2. 创建Document文档对象List<Document> documents = new ArrayList<>();for (Book book : bookList) {Document document = new Document();// Document文档中添加Field域// 图书Id// Store.YES:表示存储到文档域中document.add(new TextField("id", book.getId().toString(), Store.YES));// 图书名称document.add(new TextField("name", book.getName().toString(), Store.YES));// 图书价格document.add(new TextField("price", book.getPrice().toString(), Store.YES));// 图书图片地址document.add(new TextField("pic", book.getPic().toString(), Store.YES));// 图书描述document.add(new TextField("description", book.getDescription().toString(), Store.YES));// 把Document放到list中documents.add(document);}//3.创建Analyzer分词器，分析文档，对文档进行分词Analyzer analyzer =new StandardAnalyzer();// 4. 创建Directory对象,声明索引库的位置Directory dictory =FSDirectory.open(new File("E:\\img\\"));// 5. 创建IndexWriteConfig对象，写入索引需要的配置IndexWriterConfig indexWriterConfig = new IndexWriterConfig(Version.LUCENE_4_10_3,  analyzer);//6.创建IndexWriterIndexWriter indexWriter = new IndexWriter(dictory,indexWriterConfig);//7.写入到索引库，通过IndexWriter添加文档对象for (Document document : documents) {indexWriter.addDocument(document);}//8.释放资源indexWriter.close();}

在文件夹中出现了一下文件，表示创建索引成功

使用luke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

查询流程

Lucene可以通过query对象输入查询语句，同数据库的sql一样，Lucene也有固定的查询语法

举例：

找 description中包含java关键字和Lucene关键字的文档

它对应的查询语句应该是：description：java AND description:lucene

Luke软件中怎么查？

4

代码实现

1.创建Query搜索对象

2.创建Directory流对象，声明索引库位置

3.创建索引读取对象IndexReader

4.创建索引搜索对象IndexSearcher

5.使用索引搜索对象，执行搜索，返回结果集TopDocs

6.解析结果集

7.释放资源

*查询和建立索引库所使用的分词器必须保持一致，因为内部的分词方法不同。

IndexSearcher搜索方法如下：

方法

说明

indexSearcher.search(query, n)

根据Query搜索，返回评分最高的n条记录

indexSearcher.search(query, filter, n)

根据Query搜索，添加过滤策略，返回评分最高的n条记录

indexSearcher.search(query, n, sort)

根据Query搜索，添加排序策略，返回评分最高的n条记录

indexSearcher.search(booleanQuery, filter, n, sort)

根据Query搜索，添加过滤策略，添加排序策略，返回评分最高的n条记录

public class SearchIndexTest {@Testpublic void testSearchIndex() throws Exception {//1.创建query搜索对象  //创建分词器Analyzer analyzer =new StandardAnalyzer();// 创建搜索解析器，第一个参数：默认Field域，第二个参数：分词器QueryParser queryParser = new QueryParser("description",analyzer);//创建搜索对象Query query = queryParser.parse("java AND lucene");//创建Directory流对象，声明索引库位置Directory dictory =FSDirectory.open(new File("E:\\img\\"));//创建索引读取对象IndexReaderDirectoryReader reader = DirectoryReader.open(dictory);//创建索引搜索对象IndexSearcher searcher = new IndexSearcher(reader);//使用索引搜索对象，执行搜索，返回结果集TopDocs// 第一个参数：搜索对象，第二个参数：返回的数据条数，指定查询结果最顶部的n条数据返回TopDocs topDocs = searcher.search(query, 10);ScoreDoc[] scoreDocs = topDocs.scoreDocs;for (ScoreDoc scoreDoc : scoreDocs) {int doc = scoreDoc.doc;Document document = searcher.doc(doc);System.out.println("=============================");System.out.println("docID:" + doc);System.out.println("bookId:" + document.get("id"));System.out.println("name:" + document.get("name"));System.out.println("price:" + document.get("price"));System.out.println("pic:" + document.get("pic"));}reader.close();}/** * 大致流程是，首先声明创建索引时的分词器，保证分词一致性，然后通过QueryParser输入查询语句，在通过Directory对象 * 打开索引库，创建索引搜索对象，搜索description为java和lucene的，返回ids[] 遍历集合，取出每个id， * 在通过search对象.doc拿到每一个document，然后通过document.get获得里面的属性 */}

分词器

Analyzer（分析分词）使用时机

1.创建索引时，需要经过Analyzer进行分词处理，当Field的属性是tokenized（是否分词）为true时才会分词

2.搜索时，1.保证与分词时的分词器一致，使用分词器对关键字分析，分词，分析主要是把关键字和搜索词分开

比如搜索关键字：springweb ，经过分析器进行分词，得出：spring  web拿词去索引词典表查找 ，找到索引链接到Document，解析Document内容。

中文分词器

学过英文的都知道，英文是以单词为单位的，单词与单词之间以空格或者逗号句号隔开。所以对于英文，我们可以简单以空格判断某个字符串是否为一个单词，比如I love China，love 和 China很容易被程序区分开来。

而中文则以字为单位，字又组成词，字和词再组成句子。中文“我爱中国”就不一样了，电脑不知道“中国”是一个词语还是“爱中”是一个词语。

把中文的句子切分成有意义的词，就是中文分词，也称切词。我爱中国，分词的结果是：我、爱、中国。

Lucene自带中文分词器

 StandardAnalyzer：
单字分词：就是按照中文一个字一个字地进行分词。如：“我爱中国”，
效果：“我”、“爱”、“中”、“国”。

 CJKAnalyzer
二分法分词：按两个字进行切分。如：“我是中国人”，效果：“我是”、“是中”、“中国”“国人”。

上边两个分词器无法满足需求。
 SmartChineseAnalyzer
对中文支持较好，但扩展性差，扩展词库，禁用词库和同义词库等不好处理

第三方中文分词器

 paoding： 庖丁解牛最新版在 https://code.google.com/p/paoding/ 中最多支持Lucene 3.0，且最新提交的代码在 2008-06-03，在svn中最新也是2010年提交，已经过时，不予考虑。

mmseg4j：最新版已从 https://code.google.com/p/mmseg4j/ 移至 https://github.com/chenlb/mmseg4j-solr，支持Lucene 4.10，且在github中最新提交代码是2014年6月，从09年～14年一共有：18个版本，也就是一年几乎有3个大小版本，有较大的活跃度，用了mmseg算法。

IK-analyzer： 最新版在https://code.google.com/p/ik-analyzer/上，支持Lucene 4.10从2006年12月推出1.0版开始， IKAnalyzer已经推出了4个大版本。最初，它是以开源项目Luence为应用主体的，结合词典分词和文法分析算法的中文分词组件。从3.0版本开 始，IK发展为面向Java的公用分词组件，独立于Lucene项目，同时提供了对Lucene的默认优化实现。在2012版本中，IK实现了简单的分词 歧义排除算法，标志着IK分词器从单纯的词典分词向模拟语义分词衍化。 但是也就是2012年12月后没有在更新。

 ansj_seg：最新版本在 https://github.com/NLPchina/ansj_seg tags仅有1.1版本，从2012年到2014年更新了大小6次，但是作者本人在2014年10月10日说明：“可能我以后没有精力来维护ansj_seg了”，现在由”nlp_china”管理。2014年11月有更新。并未说明是否支持Lucene，是一个由CRF（条件随机场）算法所做的分词算法。

imdict-chinese-analyzer：最新版在 https://code.google.com/p/imdict-chinese-analyzer/ ， 最新更新也在2009年5月，下载源码，不支持Lucene 4.10 。是利用HMM（隐马尔科夫链）算法。

Jcseg：最新版本在git.oschina.net/lionsoul/jcseg，支持Lucene 4.10，作者有较高的活跃度。利用mmseg算法。

我们就使用IKAnalyzer，因为它可以扩展词库

只要把上面生成和查询的分词器代码换成IKAnalyzer

如果需要扩展词库，需要加上配置文件：

ext.dic：扩展分词

stopword.dic 扩展停词

注意！ 不可以使用记事本打开.dic

那样的话，格式中是含有bom的。

IKAnalyzer.cfg.xml配置文件

<?xml version="1.0" encoding="UTF-8"?><!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd">  <properties>  <comment>IK Analyzer 扩展配置</comment><!--用户可以在这里配置自己的扩展字典 --><entry key="ext_dict">ext.dic;</entry> <!--用户可以在这里配置自己的扩展停止词字典--><entry key="ext_stopwords">stopword.dic;</entry> </properties>

ok，只需要在.dic文件中，添加你的分词和停词。

比如 我需要 南槿 分成一个整体词时，我就可以把南槿添加到ext.dic中，很帅添加到stop中，那么搜索南槿好帅，

只会显示南槿的结果。

------------------------------一些问题------------------------------

什么是lucene？
Lucene是一个高效的、开源的，基于Java的全文检索引擎工具包。

引擎：指的是最核心的组件
工具包：jar包。

什么是全文检索？

既然是检索，那么检索的数据是什么？

数据分类：结构化数据、非结构化数据。

结构化数据：结构固定、长度固定的数据，比如数据库数据、excel

非结构化数据：结构不固定、长度不固定的数据，比如word文档数据、互联网数据。


结构化数据搜索很简单，非结构化数据搜索比较麻烦。


重点处理的就是非结构化数据？两种方式：顺序扫描法、反向索引法。

顺序扫描法：文件越多，效率越慢，不建议使用。

反向索引法（推荐使用）：指的就是先将目标文档中进行分词索引。搜索的时候，根据索引查找目标文档。


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)。

全文检索的过程，就是写字典、查字典的过程。


lucene能干什么？
主要我们是使用它开发站内搜索。

为什么使用lucene开发站内搜索？使用SQL不行吗？
SQL可以实现站内搜索，但是搜索的SQL语句中，需要使用NAME LIKE'%iphone%'，需要使用前后模糊查询。一旦使用前后模糊查询，那么会进行全表扫描查询。

为什么lucene可以呢？lucene内部使用反向索引法，对目标的NAME列，进行分词索引。再根据索引，查找记录。 




索引库里面究竟存些什么？(Index)
索引库从逻辑上分为索引域和文档域。

索引域里面存储什么？
Term词典：
1、一个Field对应一个Term词典。如何表示某个词典中的词呢？  域名:词，比如name:lucene和description:lucene这是不同域的词。
2、Term词典还记录了频率，分别是文档频率和词频率，也就是df和tf
文档倒排链表：
1、一个Term对应一个文档倒排链表
2、文档倒排链表，不是真实的文档链表，只是文档ID链表。
3、如果需要文档的话，根据文档链表中的文档ID去文档域查找对应的文档对象。

文档域里面存储什么？
存储的是Document对象。
Document对象中存储的是Field域。
Field中存储的是内容。


如何创建索引的？
1、创建Document对象，为什么创建Document对象？
采集到的数据格式多种多样，而lucene只认识一种数据格式，就是Document，它是二维结构。

2、分析Document对象，为什么分析Document对象？
a)分析Document其实分析是该Document中的Field
b)将Field中的内容，经过分析之后，会得到比较精简的Term
c)分析文档的主要目的，最终是形成索引（索引里面最小的单位就是Term）。

分析文档，主要包含两大部分，分别是分词组件和语言处理组件
分词组件：分词、过滤（标点符号过滤和停用词过滤）

语言处理组件：大小转小写、单词的复数、单词的原型处理


3、索引文档，将索引经过处理之后，保存到索引库中。
形成term词典
形成文档倒排链表

最终将term词典和文档倒排链表存储到索引域
将Document对象存储到文档域。