Lucene初识及进阶

1          Lucene的认识

提到Lucene很多人都知道这个开源的搜索工具，其魅力也是很大的。它让我们对搜索引擎的认识不在那么神秘，也不会在觉得百度和google的技术多么的高深没测，其实其原理都是一样的，只是他们要做的更好，走的更远罢了。

Lucene可以对任何的数据做索引和搜索，说这样的话其实不过分，真的就是这样，只要你能处理好这些数据，交给Lucene去建立索引它都可以帮你把这些数据给检索出来，是不是很好玩了。真正好玩的地方还在后面呢。

2          Lucene的学习

前面已经对Lucene有了一些了解，现在我们想象它怎么去搜索这些数据呢，如果知道倒排索引，你就知道了，其实lucene检索的是它自己建立的索引，从索引中的到数据的指针，从而得到数据。其实就这么简单。

提到索引，现在的索引技术中有：倒排索引、后缀数组和签名文件这三种，其中后缀数组这种技术虽然检索速度也很快，但是它的数据结构构造和维护都是相当麻烦的所以不可取了。我也懒得去看了。至于签名文件嘛，那是80年代的玩意了，现在已经过时了。现在可是倒排索引的天下啊！相信百度和google都是这种技术。

3          索引的建立

 

我们从索引的建立入手：

我们建立一个lucene的索引时必须先建立该索引文件存放的位置，看一下代码：

IndexWriter writer = null;

writer = new IndexWriter("c://index", new CJKAnalyzer(), true);

这段代码就时建立一个索引前所必须的操作，先声明这个IndexWriter，实例化它你必须传入三个参数。他们分别代表：你要建立索引文件的存放位置、你要使用索引建立的分词方法、是否重新建立索引。这样你就告诉lucene我要在c盘的index目录下建立索引文件，我要使用车东老师的二分词算法做分析器、我要在这个目录下删除以前的索引或任何文件创立我的索引文件。

索引的建立有三种方式，让我一一道来：

1、new IndexWriter(new RAMDirectory(), new StandardAnalyzer(), true);

在内存中建立索引，速度最快但是耗资源，而且重启就没了。

2、new IndexWriter(FSDirectory.getDirectory(path, true), new StandardAnalyzer(), true);

在文件系统中建立索引，这里有两个参数，分别是：建立索引的路径、是否要删除当前目录下的文件重新建立索引。

3、new IndexWriter("c://index", new CJKAnalyzer(), true);

最常见的一种，在制定目录下建立索引，看了源码你就知道这种方法也是用的第二种方式。Lucene的源码：

public IndexWriter(String path, Analyzer a, boolean create)

       throws IOException {

 this(FSDirectory.getDirectory(path, create), a, create, true);

  }

我想的没错。

Indexwriter性能调整参数：

第一个优化的参数：mergeFactor 这个参数用于控制lucene在把索引从内存写入到磁盘上的文件系统时内存最大的Document对象的数量。这个数要根据你的计算机设置，默认情况下是10。

    第二个优化的参数：maxMergeFactor 这个参数用来设置当有多少个Segment时进行合并操作。当然我们知道当索引文件太多的话其检索的速度就会很慢，所以我们要当文件数量一定时让它进行索引的合并。这样就可以加快索引速度，但是这个值要根据你的情况而定。当文档数量较多时我们将值设大些，当文档数量较少时我们将值设小些。

第三个优化的参数：minMergeDocs 这个参数用于控制内存中文档的数量。

 

这样我们建立索引已经完成，接下来我们要建立Document对象，因为你必须告诉我要搜索什么吧！好了，看看源码：

File file = new File("1.txt");

Document doc = new Document();

doc.add(Field.UnIndexed("filename", file.getName()));

FileInputStream fis = new FileInputStream(file);

byte[] b = new byte[fis.available()];

fis.read(b);

String content = new String(b);

doc.add(Field.Text("content", content));

fis.close();

以上我们就完成了将1.txt文件放到我们的Document对象了。这里我们用了Field.Text();这样的操作和doc.add();这样的方法建立的。这也是建立索引的必须。

稍微介绍一下Field，它就是你要建立索引的字段。它分别有

类型/方法

是否分词

是否索引

是否存储

常用实例

Keyword(String,String)

Keyword(String,Date)

否

是

是

电话号码，身份证，人名，地名，日期

Unindexed(String,String)

否

否

是

文档类型，文档名称

UnStored(String,String)

是

是

否

文档的标题和内容

Text(String,String)

是

是

是

文档的标题和内容

Text(String,Reader)

是

是

否

文档的标题和内容

    这样我们要建什么样的索引就对号入座吧，只要最后我们使用doc.add(Field.Text("content", content));把它添加到Document中就可以了。

    这时我们的文档已经建立好了，现在就开始向索引中添加文档吧！这里我们使用

writer.addDocument(doc);来向Indexwriter索引中添加构造好的文档。

这样我们是不是就可以说我们已经建立完了索引呢，其实不然，我们还要优化优化，这样才快嘛！对不对？

    writer.optimize(); 这样一句话就可以实现索引优化了，具体的优化过程我就不说了，是不是很简单。但是一定不要忘了哦。调用这个方法时最好建立一个合适的周期。定期进行优化。

    好了，这样我们就完成了索引的建立了。

    下面我们看看缩影的合并吧！

当我们在很多地方建立了很多的索引后，想要合并这些索引我们怎么办呢？

    使用IndexWriter.assIndexs(New Directory[]{path});

就可以对path路径下的索引合并到当前的索引中了。

    下面再看看索引的删除吧！

    有一些过时的索引我们需要删除，怎么办呢？

IndexReader reader = IndexReader.open("c://index");

    reader.delete(0);

这样我们就可以按照文档的顺序删除对应的文档了，但是这样不太现实，不对吗？我们怎么会知道文档的顺序呢？

下面我们看看第二中方法：

IndexReader reader = IndexReader.open("c://index");

reader.delete(new Term("name","word1"));

reader.close();

按照字段来删除对应的文档，这样合理多了。以后要删除时就按照词条的方式去删除吧!

索引锁：write.lock , commit.lock.

write.lock 是为了避免几个线程同时修改一个索引文档而设置。当实例一个indexwrite时建立和使用indexReader删除文档时建立。

Commit.lock 该锁主要在segment在建立，合并或读取时生成。

4          Lucene的搜索

 

以上完成了索引的建立和一些关于索引的知识，但是光有索引是不行的，我们真正要做的检索，这才是我们的关键。现在我们看看lucene的检索吧。

认识检索从检索的工具开始吧！IndexSearcher类是lucene用于检索的工具类，我们在检索之前要得到这个类的实例。

第一步我们看以下代码：

IndexSearcher searcher = new IndexSearcher("c://index");

创建IndexSearcher实例需要告诉lucene索引的位置，就是你IndexWrite的文件路径。

Query query = null;

Hits hits = null;

query = QueryParser.parse(key1, "name", new StandardAnalyzer());

hits = searcher.search(query);

if (hits != null) {

           if (hits.length() == 0) {

              System.out.println("没有找到任何结果");

           } else {

              System.out.print("找到");

              for (int i = 0; i < hits.length(); i++) {

                  Document d = hits.doc(i);

                  String dname = d.get("title");

                  System.out.print(dname + "   " );

              }

           }

       }

}

以上就是一个完整的检索过程，这里我们看见了个Query和Hits，这两个类就是比较关键的了，我们先从检索结果的Hits类说起。

我们使用Hits经常使用的几个方法有：

length() :  返回搜索结果的总数量。

Doc(int n) : 放回第n个文档。

Id(int n) :返回第n个文档的内部编号。

Sorce(int n) : 返回第n个文档的得分。

看见这个Sorce(int n) 这个方法，是不是就可以联想到搜索引擎的排序问题呢，像百度的推广是怎么做出来的呢,可想而知吧，那就说明必定存在一中方法可以动态的改变某片文档的得分。对了，lucene中可以使用Document的setBoost方法可以改变当前文档的boost因子。

下面我们看看：

Document doc1 = new Document();

doc1.add(Field.Text("contents", "word1 word"));

doc1.add(Field.Keyword("path", "path//document1.txt"));

 doc1.setBoost(1.0f);

 

 这样我们就在改变了篇文档的评分了，当boost的值越大它的分值就越高，其出现的位置就越靠前。

让我们再来看看lucene为我们提供的各种Query吧。

第一、   按词条搜索－ TermQuery
query = new TermQuery(new Term("name","word1"));

hits = searcher.search(query);

这样就可以把field为name的所有包含word1的文档检索出来了。

第二、  “与或”搜索－ BooleanQuery

它实际是一个组合query 看看下面的代码：

query1 = new TermQuery(new Term("name","word1"));

query2 = new TermQuery(new Term("name","word2"));

query = new BooleanQuery();

query.add(query1, false, false);

query.add(query2, false, false);

hits = searcher.search(query);

看看booleanQuery的用法吧：

true & true : 表明当前加入的字句是必须要满足的。相当于逻辑与。

false & true : 表明当前加入的字句是不可一被满足的，相当于逻辑非。

false & false : 表明当前加入的字句是可选的，相当于逻辑或。

true & true : 错误的情况。

Lucene可以最多支持连续1024的query的组合。

第三、  在某一范围内搜索－ RangeQuery

IndexSearcher searcher = new IndexSearcher("c://index");

     Term beginTime = new Term("time","200001");

     Term endTime = new Term("time","200005");

     Hits hits = null;

     RangeQuery query = null;

     query = new RangeQuery(beginTime, endTime, false);

     hits = searcher.search(query);

RangeQuery的构造函数的参数分别代表起始、结束、是否包括边界。这样我们就可以按照要求检索了。

第四、  使用前缀检索－ PrefixQuery

这个检索的机制有点类似于indexOf() 从前缀查找。这个常在英文中使用，中文中就很少使用了。代码如下：

IndexSearcher searcher = new IndexSearcher("c://index");

       Term pre1 = new Term("name", "Da");

       query = new PrefixQuery(pre1);

       hits = searcher.search(query);

第五、  多关键字的搜索－ PhraseQuery

可以多个关键字同时查询。使用如下：

query = new PhraseQuery();

       query.add(word1);

       query.add(word2);

       query.setSlop(0);

       hits = searcher.search(query);

       printResult(hits, "'david'与'mary'紧紧相隔的Document");

       query.setSlop(2);

       hits = searcher.search(query);

       printResult(hits, "'david'与'mary'中相隔两个词的短语");

    这里我们要注意query.setSlop();这个方法的含义。

query.setSlop(0);  紧紧相连（这个的条件比较苛刻）

query.setSlop(2);  相隔

第六、  使用短语缀搜索－ PharsePrefixQuery

使用PharsePrefixQuery可以很容易的实现相关短语的检索功能。

实例：

query = new PhrasePrefixQuery();

       // 加入可能的所有不确定的词

Term word1 = new Term("content", "david");

       Term word2 = new Term("content", "mary");

       Term word3 = new Term("content", "smith");

       Term word4 = new Term("content", "robert");

       query.add(new Term[]{word1, word2});

       // 加入确定的词

       query.add(word4);

       query.setSlop(2);

       hits = searcher.search(query);

       printResult(hits, "存在短语'david robert'或'mary robert'的文档");

第七、  相近词语的搜索－ fuzzyQuery

可以通俗的说它是一种模糊查询。

 

 

实例：

Term word1 = new Term("content", "david");

       Hits hits = null;

       FuzzyQuery query = null;

       query = new FuzzyQuery(word1);

       hits = searcher.search(query);

       printResult(hits,"与'david'相似的词");

第八、  使用通配符搜索－ WildcardQuery

实例：

IndexSearcher searcher = new IndexSearcher("c://index");

       Term word1 = new Term("content", "*ever");

       Term word2 = new Term("content", "wh?ever");

       Term word3 = new Term("content", "h??ever");

       Term word4 = new Term("content", "ever*");

       WildcardQuery query = null;

       Hits hits = null;

       query = new WildcardQuery(word1);

       hits = searcher.search(query);

       printResult(hits, "*ever");

       query = new WildcardQuery(word2);

       hits = searcher.search(query);

       printResult(hits, "wh?ever");     

       query = new WildcardQuery(word3);

       hits = searcher.search(query);

       printResult(hits, "h??ever");     

       query = new WildcardQuery(word4);

       hits = searcher.search(query);

       printResult(hits, "ever*");

    由上可以看出通配符？代便1个字符，*代表0到多个字符。

Lucene现在支持以上八中的搜索方式，我们可以根据需要选择适合自己的搜索方式。当然上面提供的一些可能对英文还是比较有效，中文就不可取了，所以我们开始想想百度，我们只在一个输入框中搜索结果。有了这个疑问我们揭开下一章的讨论吧！

查询字符串的解析：这个就是我们经常在一个输入框中输入我们要检索的文字，交给搜索引擎去帮我们分词。

QueryParser类就是对查询字符串的解析类。

看看它的用法：

 

query = QueryParser.parse(key1, "name", new StandardAnalyzer());

hits = searcher.search(query);

它直接返回一个Query 对象。需要传入的参数分别是：

用户需要查询的字符串、需要检索的对应字段名称、采用的分词类。

Analyzer analyzer = new CJKAnalyzer();

String[] fields = {"filename", "content"};

Query query = MultiFieldQueryParser.parse(searchword, fields, analyzer);

Hits hits = searcher.search(query);

QueryParser的“与”和“或”：

QueryParser之间默认是或，我们想改变为与的话加入以下代码：

QueryParser.setOperator(QueryParser.DEFAULT_OPERATOR_AND);

就可以了。

5          高级搜索技巧

前面我们已经介绍了一般情况下lucene的使用技巧，现在我们探讨一下高级搜索的技巧吧！

1、对搜索结果进行排序：

1）使用sort类排序：

    Sort sort = new Sort();

        hits = searcher.search(query,sort);

这种方式是使用默认的sort排序方式进行排序。默认的sort排序是按照相关度进行排序。即通过luence的评分机制进行排序。

2) 对某一字段进行排序

       Sort sort = new Sort(“content”);

      hits = searcher.search(query,sort);

3) 对多个字段进行排序

Sort sort = new Sort(new SortField[]{new SortField("title"),new SortField("contents")});

hits = searcher.search(query,sort);

2、多域搜索和多索引搜索：

在使用luecene时，如果查询的只是某些terms，而不关心这些词条到时来自那个字段中时。这时可以使用MultiFieldQueryParser类。这个用于用户搜索含有某个关键字是否存在在字段中，他们之间的关系使用OR连接。即不管存在在哪一个字段都会显示显示出来。

使用MultiSearcher可以满足同时多索引的搜索需求。

Searcher[] searchers = new Searcher[2];

searchers[0] = new IndexSearcher(indexStoreB);

searchers[1] = new IndexSearcher(indexStoreA);

        // 创建一个多索引检索器

Searcher mSearcher = new MultiSearcher(searchers);

3、   对搜索结果进行过滤：

1)    对时间进行过滤

        通常情况下我们对搜索结果要进行过滤显示，即只显示过滤后的结果。

doc.add(Field.Keyword("datefield", DateField.timeToString(now - 1000)));

DateFilter df1 = DateFilter.Before("datefield", now);

2)        查询过滤器

通过查询过滤器可以过滤一部分的信息。

Filter filter = new Filter()

        {

       public BitSet bits (IndexReader reader) throws IOException

          {

            BitSet bitset = new BitSet(5);

            bitset.set (1);

            bitset.set (3);

            return bitset;

          }

        };

        //生成带有过滤器的查询对象

        Query filteredquery = new FilteredQuery (query, filter);

       //返回检索结果

        Hits hits = searcher.search (filteredquery);

 

这样我们就可以使用自己定义的过滤方式去过滤信息了。

3)    带缓存的过滤器：

使用待缓存的过滤器我们可以重用过滤功能，如下：

MockFilter filter = new MockFilter();

 CachingWrapperFilter cacher = new CachingWrapperFilter(filter);

        cacher.bits(reader);

以上介绍完了现在学习luence，没有太详细的介绍它的实现，因为它对于我们来说是一个工具，既然是工具我们就要会用就可以了。