【手把手教你全文检索】Apache Lucene初探
来源：互联网 发布：百度云盘mac破解补丁 编辑：程序博客网 时间：2024/05/16 01:15
【手把手教你全文检索】Apache Lucene初探
PS:
苦学一周全文检索，由原来的搜索小白，到初次涉猎，感觉每门技术都博大精深，其中精髓亦是不可一日而语。那小博猪就简单介绍一下这一周的学习历程，仅供各位程序猿们参考，这其中不涉及任何私密话题，因此也不用打马赛克了，都是网络分享的开源资料，当然也不涉及任何利益关系。
如若转载，还请注明出处——xingoo
讲解之前，先来分享一些资料
首先呢，学习任何一门新的亦或是旧的开源技术，百度其中一二是最简单的办法，先了解其中的大概，思想等等。这里就贡献一个讲解很到位的ppt。已经被我转成了PDF，便于搜藏。
其次，关于第一次编程初探，建议还是查看官方资料。百度到的资料，目前Lucene已经更新到4.9版本，这个版本需要1.7以上的JDK，所以如果还用1.6甚至是1.5的小盆友，请参考低版本，由于我用的1.6，因此在使用Lucene4.0。
这是Lucene4.0的官网文档：http://lucene.apache.org/core/4_0_0/core/overview-summary.html
这里非常佩服Lucene的开元贡献者，可以阅读Lucene in Action，作者最初想要写软件赚钱，最后贡献给了Apache，跑题了。
最后，提醒学习Lucene的小盆友们，这个开源软件的版本更新不慢，版本之间的编程风格亦是不同，所以如果百度到的帖子，可能这段代码，用了4.0或者3.6就会不好使。
比如，以前版本的申请IndexWriter时，是这样的：
IndexWriter indexWriter = new IndexWriter(indexDir,luceneAnalyzer, true );
但是4.0，我们需要配置一个conf，把配置内容放到这个对象中：
IndexWriterConfig config = new IndexWriterConfig(Version.LUCENE_CURRENT, analyzer); IndexWriter iwriter = new IndexWriter(directory, config);
所以，请一定要参考官方文档的编程风格，进行代码的书写。
最后的最后，从官网上面下载下来的文件，已经上传至百度网盘，欢迎下载。
这是其中最常用的五个文件：
第一个，也是最重要的，Lucene-core-4.0.0.jar,其中包括了常用的文档，索引，搜索，存储等相关核心代码。
第二个，Lucene-analyzers-common-4.0.0.jar，这里面包含了各种语言的词法分析器，用于对文件内容进行关键字切分，提取。
第三个，Lucene-highlighter-4.0.0.jar，这个jar包主要用于搜索出的内容高亮显示。
第四个和第五个，Lucene-queryparser-4.0.0.jar，提供了搜索相关的代码，用于各种搜索，比如模糊搜索，范围搜索，等等。
废话说到这里，下面我们简单的讲解一下什么是全文检索。
比如，我们一个文件夹中，或者一个磁盘中有很多的文件，记事本、world、Excel、pdf，我们想根据其中的关键词搜索包含的文件。例如，我们输入Lucene，所有内容含有Lucene的文件就会被检查出来。这就是所谓的全文检索。
因此，很容易的我们想到，应该建立一个关键字与文件的相关映射，盗用ppt中的一张图，很明白的解释了这种映射如何实现。
在Lucene中，就是使用这种“倒排索引”的技术，来实现相关映射。
有了这种映射关系，我们就来看看Lucene的架构设计。
下面是Lucene的资料必出现的一张图，但也是其精髓的概括。
我们可以看到，Lucene的使用主要体现在两个步骤：
1 创建索引，通过IndexWriter对不同的文件进行索引的创建，并将其保存在索引相关文件存储的位置中。
2 通过索引查寻关键字相关文档。
下面针对官网上面给出的一个例子，进行分析：
1 Analyzer analyzer = new StandardAnalyzer(Version.LUCENE_CURRENT); 2 3 // Store the index in memory: 4 Directory directory = new RAMDirectory(); 5 // To store an index on disk, use this instead: 6 //Directory directory = FSDirectory.open("/tmp/testindex"); 7 IndexWriterConfig config = new IndexWriterConfig(Version.LUCENE_CURRENT, analyzer); 8 IndexWriter iwriter = new IndexWriter(directory, config); 9 Document doc = new Document();10 String text = "This is the text to be indexed.";11 doc.add(new Field("fieldname", text, TextField.TYPE_STORED));12 iwriter.addDocument(doc);13 iwriter.close();14 15 // Now search the index:16 DirectoryReader ireader = DirectoryReader.open(directory);17 IndexSearcher isearcher = new IndexSearcher(ireader);18 // Parse a simple query that searches for "text":19 QueryParser parser = new QueryParser(Version.LUCENE_CURRENT, "fieldname", analyzer);20 Query query = parser.parse("text");21 ScoreDoc[] hits = isearcher.search(query, null, 1000).scoreDocs;22 assertEquals(1, hits.length);23 // Iterate through the results:24 for (int i = 0; i < hits.length; i++) {25 Document hitDoc = isearcher.doc(hits[i].doc);26 assertEquals("This is the text to be indexed.", hitDoc.get("fieldname"));27 }28 ireader.close();29 directory.close();
索引的创建
首先，我们需要定义一个词法分析器。
比如一句话，“我爱我们的中国！”，如何对他拆分，扣掉停顿词“的”，提取关键字“我”“我们”“中国”等等。这就要借助的词法分析器Analyzer来实现。这里面使用的是标准的词法分析器，如果专门针对汉语，还可以搭配paoding，进行使用。
1 Analyzer analyzer = new StandardAnalyzer(Version.LUCENE_CURRENT);
参数中的Version.LUCENE_CURRENT，代表使用当前的Lucene版本，本文环境中也可以写成Version.LUCENE_40。
第二步，确定索引文件存储的位置，Lucene提供给我们两种方式：
1 本地文件存储
Directory directory = FSDirectory.open("/tmp/testindex");2 内存存储
Directory directory = new RAMDirectory();可以根据自己的需要进行设定。
第三步，创建IndexWriter，进行索引文件的写入。
IndexWriterConfig config = new IndexWriterConfig(Version.LUCENE_CURRENT, analyzer);IndexWriter iwriter = new IndexWriter(directory, config);
这里的IndexWriterConfig，据官方文档介绍，是对indexWriter的配置，其中包含了两个参数，第一个是目前的版本，第二个是词法分析器Analyzer。
第四步，内容提取，进行索引的存储。
Document doc = new Document();String text = "This is the text to be indexed.";doc.add(new Field("fieldname", text, TextField.TYPE_STORED));iwriter.addDocument(doc);iwriter.close();
第一行，申请了一个document对象，这个类似于数据库中的表中的一行。
第二行，是我们即将索引的字符串。
第三行，把字符串存储起来（因为设置了TextField.TYPE_STORED,如果不想存储，可以使用其他参数，详情参考官方文档），并存储“表明”为"fieldname".
第四行，把doc对象加入到索引创建中。
第五行，关闭IndexWriter,提交创建内容。
这就是索引创建的过程。
关键字查询：
第一步，打开存储位置
DirectoryReader ireader = DirectoryReader.open(directory);
第二步，创建搜索器
IndexSearcher isearcher = new IndexSearcher(ireader);第三步，类似SQL，进行关键字查询
QueryParser parser = new QueryParser(Version.LUCENE_CURRENT, "fieldname", analyzer);Query query = parser.parse("text");ScoreDoc[] hits = isearcher.search(query, null, 1000).scoreDocs;assertEquals(1, hits.length);for (int i = 0; i < hits.length; i++) { Document hitDoc = isearcher.doc(hits[i].doc); assertEquals("This is the text to be indexed.",hitDoc.get("fieldname"));}
这里，我们创建了一个查询器，并设置其词法分析器，以及查询的“表名“为”fieldname“。查询结果会返回一个集合，类似SQL的ResultSet，我们可以提取其中存储的内容。
关于各种不同的查询方式，可以参考官方手册，或者推荐的PPT
第四步，关闭查询器等。
ireader.close();directory.close();
最后，博猪自己写了个简单的例子，可以对一个文件夹内的内容进行索引的创建，并根据关键字筛选文件，并读取其中的内容。
创建索引：
/** * 创建当前文件目录的索引 * @param path 当前文件目录 * @return 是否成功 */ public static boolean createIndex(String path){ Date date1 = new Date(); List<File> fileList = getFileList(path); for (File file : fileList) { content = ""; //获取文件后缀 String type = file.getName().substring(file.getName().lastIndexOf(".")+1); if("txt".equalsIgnoreCase(type)){ content += txt2String(file); }else if("doc".equalsIgnoreCase(type)){ content += doc2String(file); }else if("xls".equalsIgnoreCase(type)){ content += xls2String(file); } System.out.println("name :"+file.getName()); System.out.println("path :"+file.getPath());// System.out.println("content :"+content); System.out.println(); try{ analyzer = new StandardAnalyzer(Version.LUCENE_CURRENT); directory = FSDirectory.open(new File(INDEX_DIR)); File indexFile = new File(INDEX_DIR); if (!indexFile.exists()) { indexFile.mkdirs(); } IndexWriterConfig config = new IndexWriterConfig(Version.LUCENE_CURRENT, analyzer); indexWriter = new IndexWriter(directory, config); Document document = new Document(); document.add(new TextField("filename", file.getName(), Store.YES)); document.add(new TextField("content", content, Store.YES)); document.add(new TextField("path", file.getPath(), Store.YES)); indexWriter.addDocument(document); indexWriter.commit(); closeWriter(); }catch(Exception e){ e.printStackTrace(); } content = ""; } Date date2 = new Date(); System.out.println("创建索引-----耗时：" + (date2.getTime() - date1.getTime()) + "ms\n"); return true; }
进行查询：
/** * 查找索引，返回符合条件的文件 * @param text 查找的字符串 * @return 符合条件的文件List */ public static void searchIndex(String text){ Date date1 = new Date(); try{ directory = FSDirectory.open(new File(INDEX_DIR)); analyzer = new StandardAnalyzer(Version.LUCENE_CURRENT); DirectoryReader ireader = DirectoryReader.open(directory); IndexSearcher isearcher = new IndexSearcher(ireader); QueryParser parser = new QueryParser(Version.LUCENE_CURRENT, "content", analyzer); Query query = parser.parse(text); ScoreDoc[] hits = isearcher.search(query, null, 1000).scoreDocs; for (int i = 0; i < hits.length; i++) { Document hitDoc = isearcher.doc(hits[i].doc); System.out.println("____________________________"); System.out.println(hitDoc.get("filename")); System.out.println(hitDoc.get("content")); System.out.println(hitDoc.get("path")); System.out.println("____________________________"); } ireader.close(); directory.close(); }catch(Exception e){ e.printStackTrace(); } Date date2 = new Date(); System.out.println("查看索引-----耗时：" + (date2.getTime() - date1.getTime()) + "ms\n"); }
全部代码:
1 package test; 2 3 import java.io.BufferedReader; 4 import java.io.File; 5 import java.io.FileInputStream; 6 import java.io.FileReader; 7 import java.util.ArrayList; 8 import java.util.Date; 9 import java.util.List; 10 11 import jxl.Cell; 12 import jxl.Sheet; 13 import jxl.Workbook; 14 15 import org.apache.lucene.analysis.Analyzer; 16 import org.apache.lucene.analysis.standard.StandardAnalyzer; 17 import org.apache.lucene.document.Document; 18 import org.apache.lucene.document.LongField; 19 import org.apache.lucene.document.TextField; 20 import org.apache.lucene.document.Field.Store; 21 import org.apache.lucene.index.DirectoryReader; 22 import org.apache.lucene.index.IndexWriter; 23 import org.apache.lucene.index.IndexWriterConfig; 24 import org.apache.lucene.queryparser.classic.QueryParser; 25 import org.apache.lucene.search.IndexSearcher; 26 import org.apache.lucene.search.Query; 27 import org.apache.lucene.search.ScoreDoc; 28 import org.apache.lucene.store.Directory; 29 import org.apache.lucene.store.FSDirectory; 30 import org.apache.lucene.util.Version; 31 import org.apache.poi.hwpf.HWPFDocument; 32 import org.apache.poi.hwpf.usermodel.Range; 33 34 /** 35 * @author xinghl 36 * 37 */ 38 public class IndexManager{ 39 private static IndexManager indexManager; 40 private static String content=""; 41 42 private static String INDEX_DIR = "D:\\luceneIndex"; 43 private static String DATA_DIR = "D:\\luceneData"; 44 private static Analyzer analyzer = null; 45 private static Directory directory = null; 46 private static IndexWriter indexWriter = null; 47 48 /** 49 * 创建索引管理器 50 * @return 返回索引管理器对象 51 */ 52 public IndexManager getManager(){ 53 if(indexManager == null){ 54 this.indexManager = new IndexManager(); 55 } 56 return indexManager; 57 } 58 /** 59 * 创建当前文件目录的索引 60 * @param path 当前文件目录 61 * @return 是否成功 62 */ 63 public static boolean createIndex(String path){ 64 Date date1 = new Date(); 65 List<File> fileList = getFileList(path); 66 for (File file : fileList) { 67 content = ""; 68 //获取文件后缀 69 String type = file.getName().substring(file.getName().lastIndexOf(".")+1); 70 if("txt".equalsIgnoreCase(type)){ 71 72 content += txt2String(file); 73 74 }else if("doc".equalsIgnoreCase(type)){ 75 76 content += doc2String(file); 77 78 }else if("xls".equalsIgnoreCase(type)){ 79 80 content += xls2String(file); 81 82 } 83 84 System.out.println("name :"+file.getName()); 85 System.out.println("path :"+file.getPath()); 86 // System.out.println("content :"+content); 87 System.out.println(); 88 89 90 try{ 91 analyzer = new StandardAnalyzer(Version.LUCENE_CURRENT); 92 directory = FSDirectory.open(new File(INDEX_DIR)); 93 94 File indexFile = new File(INDEX_DIR); 95 if (!indexFile.exists()) { 96 indexFile.mkdirs(); 97 } 98 IndexWriterConfig config = new IndexWriterConfig(Version.LUCENE_CURRENT, analyzer); 99 indexWriter = new IndexWriter(directory, config);100 101 Document document = new Document();102 document.add(new TextField("filename", file.getName(), Store.YES));103 document.add(new TextField("content", content, Store.YES));104 document.add(new TextField("path", file.getPath(), Store.YES));105 indexWriter.addDocument(document);106 indexWriter.commit();107 closeWriter();108 109 110 }catch(Exception e){111 e.printStackTrace();112 }113 content = "";114 }115 Date date2 = new Date();116 System.out.println("创建索引-----耗时：" + (date2.getTime() - date1.getTime()) + "ms\n");117 return true;118 }119 120 /**121 * 读取txt文件的内容122 * @param file 想要读取的文件对象123 * @return 返回文件内容124 */125 public static String txt2String(File file){126 String result = "";127 try{128 BufferedReader br = new BufferedReader(new FileReader(file));//构造一个BufferedReader类来读取文件129 String s = null;130 while((s = br.readLine())!=null){//使用readLine方法，一次读一行131 result = result + "\n" +s;132 }133 br.close(); 134 }catch(Exception e){135 e.printStackTrace();136 }137 return result;138 }139 140 /**141 * 读取doc文件内容142 * @param file 想要读取的文件对象143 * @return 返回文件内容144 */145 public static String doc2String(File file){146 String result = "";147 try{148 FileInputStream fis = new FileInputStream(file);149 HWPFDocument doc = new HWPFDocument(fis);150 Range rang = doc.getRange();151 result += rang.text();152 fis.close();153 }catch(Exception e){154 e.printStackTrace();155 }156 return result;157 }158 159 /**160 * 读取xls文件内容161 * @param file 想要读取的文件对象162 * @return 返回文件内容163 */164 public static String xls2String(File file){165 String result = "";166 try{167 FileInputStream fis = new FileInputStream(file); 168 StringBuilder sb = new StringBuilder(); 169 jxl.Workbook rwb = Workbook.getWorkbook(fis); 170 Sheet[] sheet = rwb.getSheets(); 171 for (int i = 0; i < sheet.length; i++) { 172 Sheet rs = rwb.getSheet(i); 173 for (int j = 0; j < rs.getRows(); j++) { 174 Cell[] cells = rs.getRow(j); 175 for(int k=0;k<cells.length;k++) 176 sb.append(cells[k].getContents()); 177 } 178 } 179 fis.close(); 180 result += sb.toString();181 }catch(Exception e){182 e.printStackTrace();183 }184 return result;185 }186 /**187 * 查找索引，返回符合条件的文件188 * @param text 查找的字符串189 * @return 符合条件的文件List190 */191 public static void searchIndex(String text){192 Date date1 = new Date();193 try{194 directory = FSDirectory.open(new File(INDEX_DIR));195 analyzer = new StandardAnalyzer(Version.LUCENE_CURRENT);196 DirectoryReader ireader = DirectoryReader.open(directory);197 IndexSearcher isearcher = new IndexSearcher(ireader);198 199 QueryParser parser = new QueryParser(Version.LUCENE_CURRENT, "content", analyzer);200 Query query = parser.parse(text);201 202 ScoreDoc[] hits = isearcher.search(query, null, 1000).scoreDocs;203 204 for (int i = 0; i < hits.length; i++) {205 Document hitDoc = isearcher.doc(hits[i].doc);206 System.out.println("____________________________");207 System.out.println(hitDoc.get("filename"));208 System.out.println(hitDoc.get("content"));209 System.out.println(hitDoc.get("path"));210 System.out.println("____________________________");211 }212 ireader.close();213 directory.close();214 }catch(Exception e){215 e.printStackTrace();216 }217 Date date2 = new Date();218 System.out.println("查看索引-----耗时：" + (date2.getTime() - date1.getTime()) + "ms\n");219 }220 /**221 * 过滤目录下的文件222 * @param dirPath 想要获取文件的目录223 * @return 返回文件list224 */225 public static List<File> getFileList(String dirPath) {226 File[] files = new File(dirPath).listFiles();227 List<File> fileList = new ArrayList<File>();228 for (File file : files) {229 if (isTxtFile(file.getName())) {230 fileList.add(file);231 }232 }233 return fileList;234 }235 /**236 * 判断是否为目标文件，目前支持txt xls doc格式237 * @param fileName 文件名称238 * @return 如果是文件类型满足过滤条件，返回true；否则返回false239 */240 public static boolean isTxtFile(String fileName) {241 if (fileName.lastIndexOf(".txt") > 0) {242 return true;243 }else if (fileName.lastIndexOf(".xls") > 0) {244 return true;245 }else if (fileName.lastIndexOf(".doc") > 0) {246 return true;247 }248 return false;249 }250 251 public static void closeWriter() throws Exception {252 if (indexWriter != null) {253 indexWriter.close();254 }255 }256 /**257 * 删除文件目录下的所有文件258 * @param file 要删除的文件目录259 * @return 如果成功，返回true.260 */261 public static boolean deleteDir(File file){262 if(file.isDirectory()){263 File[] files = file.listFiles();264 for(int i=0; i<files.length; i++){265 deleteDir(files[i]);266 }267 }268 file.delete();269 return true;270 }271 public static void main(String[] args){272 File fileIndex = new File(INDEX_DIR);273 if(deleteDir(fileIndex)){274 fileIndex.mkdir();275 }else{276 fileIndex.mkdir();277 }278 279 createIndex(DATA_DIR);280 searchIndex("man");281 }282 }
运行结果：
所有包含man关键字的文件，都被筛选出来了。
参考资料
JAVA读取文本大全：http://blog.csdn.net/csh624366188/article/details/6785817
Lucene官方文档：http://lucene.apache.org/core/4_0_0/core/overview-summary.html
阅读全文
0 0
- 【手把手教你全文检索】Apache Lucene初探
- 【手把手教你全文检索】Apache Lucene初探
- 【手把手教你全文检索】Apache Lucene初探
- 【手把手教你全文检索】Apache Lucene初探（转）
- 手把手教你全文检索 Apache Lucene初探
- 【手把手教你全文检索】Apache Lucene初探
- 【手把手教你全文检索】Apache Lucene初探
- 【手把手教你全文检索】Apache Lucene初探
- 【手把手教你全文检索】Apache Lucene初探
- 【手把手教你全文检索】Apache Lucene初探
- Apache Lucene初探---手把手教你全文检索
- 【手把手教你全文检索】Apache Lucene初探
- 【手把手教你全文检索】Apache Lucene初探
- 【手把手教你全文检索】Apache Lucene初探
- 【手把手教你全文检索】Apache Lucene初探
- 【手把手教你全文检索】Apache Lucene初探
- 【手把手教你全文检索】Apache Lucene初探
- 【手把手教你全文检索】Apache Lucene初探
- java 资源关闭 源码分析
- H.264熵编码——0阶指数哥伦布编码
- Java并发控制机制详解
- JAVA中Object类中的几个方法
- string常用函数原型
- 【手把手教你全文检索】Apache Lucene初探
- Source Insight 4 易用性设置
- C++设计模式简介
- 浅谈DSP
- 极乐技术周报(第二十六期)
- HTML5-主体结构元素
- 管理晋阶秘籍：一个成功的软件项目，该如何规范管理体系？
- CacheDataController
- IOS11 各种坑
