构建自己的搜索引擎之Lucene详解

来源:互联网 发布:111111的网络语意思 编辑:程序博客网 时间:2024/03/29 03:41

Lucene中的基本概念:

  • 索引(Index):文档的集合组成索引。和一般的数据库不一样,Lucene不支持定义主键,但Solr支持。

  • 为了方便索引大量的文档,Lucene中的一个索引分成若干个子索引,叫做段(segment)。段中包含了一些可搜索的文档。 

  • 文档(Document):代表索引库中的一条记录。一个文档可以包含多个列(Field)。和一般的数据库不一样,一个文档的一个列可以有多个值。例如一篇文档既可以属于互联网类,又可以属于科技类。

  • 列(Field):命名的词的集合。

  • 词(Term) :由两个值定义——词语和这个词语所出现的列。

  • 倒排索引是基于词(Term)的搜索。


    要学习搜索引擎,就需要了解倒排索引(倒排索引的定义请自行谷歌百度),首先我们来讲一下倒排索引的原理:


    文档1: When in Rome, do as the Romans do. 文档2: When do you come back from Rome?

    停用词:   in,  as,  the, from


    

    Lucene的整体结构:



    索引相关类:


  • 一个Document代表索引库中的一条记录。一个Document可以包含多个列。例如一篇文章可以包含“标题”、“正文”、“修改时间”等field,创建这些列对象以后,可以通过Document的add方法增加这些列到Document实例。


  • 一段有意义的文字通过Analyzer分割成一个个的词语后写入到索引库。

    

    创建索引:

?
1
2
3
4
5
6
7
8
9
10
//创建新的索引库
IndexWriter index = new IndexWriter(indexDirectory,//索引库存放的路径
                  new StandardAnalyzer(Version.LUCENE_CURRENT),
                  true,//新建索引库
                        IndexWriter.MaxFieldLength.UNLIMITED);//不限制列的长度
         
File dir = new File(sourceDir);
indexDir(dir); //索引sourceDir路径下的文件
 index.optimize();//索引优化
 index.close();//关闭索引库

    向索引增加文档:

    一个索引和一个数据库表类似,但是数据库中是先定义表结构后使用。但Lucene在放数据的时候定义字段结构。

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Document doc = new Document();
//创建网址列
Field f = new Field(“url”, news.URL , //news.URL 存放url地址的值
                    Field.Store.YES, Field.Index. NOT_ANALYZED,//不分词
                    Field.TermVector.NO);
doc.add(f);
//创建标题列
f = new Field(“title”, news.title , //news.title 存放标题的值
                    Field.Store.YES, Field.Index.ANALYZED,//分词
                    Field.TermVector.WITH_POSITIONS_OFFSETS);//存Token位置信息
doc.add(f);
//创建内容列
f = new Field(“body”, news.body , //news.body 存放内容列的值
                    Field.Store.YES, Field.Index. ANALYZED, //分词
                    Field.TermVector.WITH_POSITIONS_OFFSETS); //存Token位置信息
doc.add(f);
index.addDocument(doc); //把一个文档加入索引

    

    搜索:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
IndexSearcher isearcher = new IndexSearcher(directory,//索引路径
   true); //只读
//搜索标题列
QueryParser parser = new QueryParser(Version.LUCENE_CURRENT,"title", analyzer);
Query query = parser.parse(“NBA”); //搜索NBA这个词
//返回前1000条搜索结果
ScoreDoc[] hits = isearcher.search(query, 1000).scoreDocs;
//遍历结果
for (int i = 0; i < hits.length; i++) {
      Document hitDoc = isearcher.doc(hits[i].doc);
      System.out.println(hitDoc.get("title"));
}
isearcher.close();
directory.close();


    查询语法:

加权                solr^4 lucene

修饰符   +   -     NOT     

                   +solr lucene    

布尔操作符    OR AND

                   (solr OR lucene) AND user

按域查询 

title:NBA

    QueryParser:

  • QueryParser将输入查询字串解析为Lucene Query对象。

  • QueryParser是使用JavaCC(Java Compiler Compiler )工具生成的词法解析器。

  • QueryParser.jj中定义了查询语法。


  • 需要让QueryParser更好的支持中文,例如全角空格等?


    分析器(Analyzer):



?
1
2
3
4
5
6
7
分析公司名的流程
Analyzer analyzer = new CompanyAnalyzer(); 
TokenStream ts = analyzer.tokenStream(“title",
   new StringReader("北京xxx科技发展有限公司"));
while (ts.incrementToken()) {
  System.out.println("token: "+ts));
}

    最基本的词条查询-TermQuery:

    一般用于查询不切分的字段或者基本词

?
1
2
3
4
5
6
IndexSearcher isearcher = new IndexSearcher(directory, true);
//查询url地址列
Termterm = new Term("url","http://www.lietu.com");
TermQuery query = new TermQuery(term);
//返回前1000条结果
ScoreDoc[] hits = isearcher.search(query, 1000).scoreDocs;

    布尔逻辑查询-BooleanQuery:

    举例:同时查询标题列和内容列

?
1
2
3
4
5
6
7
8
9
10
11
QueryParser parser = new QueryParser(Version.LUCENE_CURRENT, "body", analyzer);
QuerybodyQuery =  parser.parse("NBA");//查询内容列
parser
new QueryParser(Version.LUCENE_CURRENT, "title", analyzer);
QuerytitleQuery = parser.parse("NBA");//查询标题列
BooleanQuery bodyOrTitleQuery = new BooleanQuery();
//用OR条件合并两个查询
bodyOrTitleQuery.add(bodyQuery, BooleanClause.Occur.SHOULD);
bodyOrTitleQuery.add(titleQuery, BooleanClause.Occur.SHOULD);
//返回前1000条结果
ScoreDoc[] hits = isearcher.search(bodyOrTitleQuery, 1000).scoreDocs;

布尔查询的实现原理:



RangeQuery-区间查找:

 例如日期列time按区间查询的语法:

time:[2007-08-13T00:00:00Z TO 2008-08-13T00:00:00Z] 

后台实现代码:

?
1
2
ConstantScoreRangeQuery dateQuery = new   ConstantScoreRangeQuery("time", t1, t2, true,
true);


    这是Lucene的用法和原理,构建自己的搜索引擎可以使用Lucene这个强大的工具包,将大大缩减开发周期,实现一个高性能的个人搜索引擎。


0 0
原创粉丝点击