Lucene学习笔记(一)
来源:互联网 发布:ubuntu 卸载自带jdk 编辑:程序博客网 时间:2024/05/04 18:53
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?
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
Lucene能做啥?
Lucene怎么做?
Lucene全文检索流程分析
原始内容
获得文档(采集数据)
如何采集
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。
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
分析文档
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”。
搜索流程
创建查询
执行搜索
语法分析
语言处理
渲染结果
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
数据采集
实现索引流程
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
Luke软件中怎么查?
代码实现
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
中文分词器
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。
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。
只要把上面生成和查询的分词器代码换成IKAnalyzer
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。
- Lucene学习笔记(一)-------Lucene基础
- Lucene学习笔记(一)
- lucene学习笔记(一)
- Lucene学习笔记(一)
- Lucene学习笔记 (一)
- Lucene学习笔记(一)
- Lucene学习笔记一
- lucene学习笔记一
- lucene学习笔记(一)
- Lucene学习笔记一
- Lucene学习笔记一
- lucene学习笔记(一)
- Lucene全文检索学习笔记(一):lucene的应用
- Lucene+Heritrix学习笔记系列(一)
- Lucene/Solr学习笔记(一)
- Lucene全文搜索学习笔记(一)
- lucene学习笔记(一)简介
- 【转载】Lucene学习笔记(一)
- LRUCache算法的简单实现
- slf4j的包使用说明
- Android进阶封装之一个类实现兼容Android 6.0权限、适配Android7.0 拍照: 相机与相册上传图片就用我好啦!
- atoi()函数的实现
- SQLServer
- Lucene学习笔记(一)
- 代理模式
- django模型的用法
- 一天写多少行代码才算是好程序员?
- 如何用Xshell快速连接远程电脑
- android 7.0 适配
- 深度解析tomcat核心配置文件server.xml
- 调用支付宝接口原理
- dll类型的项目debug中没有lib文件