Lucene学习教程——Lucene介绍

一、前言

          学完 Lucene也有段时间了，一直没有总结和复习。当时学Lucene的时候，还蛮懵逼的，光找学习资料就花了两天的时间。毕竟网上的学习资料太多，太杂，不知道看哪个的好。不过还好，也算是学过来了。这里我推荐我学习的时候看的是孔浩老师的视频资料。之前在极客网看的Lucene我觉得新手不好学，反正我是学的很懵，反复的看还是不懂，老师也解释不清楚。废话不多说了，下面进入正题。

二、Lucene介绍(摘自网络)

             我觉得介绍的还不错，至少能够了解什么是Lucene,所以就借鉴过来给大家看看，了解一下；

    2.1 什么是lucene？

         Lucene是一个全文搜索框架，而不是应用产品。因此它并不像  www.baidu.com 或者google Desktop那么拿来就能用，它只是提供了一种工具让你能实现这些产品。是一款高性能、可扩展的信息检索工具库。信息检索是指文档搜索、文档内信息搜索或者文档相关的元数据搜索等操作。

     2 .2 lucene的工作方式

    lucene提供的服务实际包含两部分：一入一出。所谓入是写入，即将你提供的源（本质是字符串）写入索引或者将其从索引中删除；所谓出是读出，即向用户提供全文搜索服务，让用户可以通过关键词定位源。

            2.2.1  写入流程

            源字符串首先经过analyzer处理，包括：分词，分成一个个单词；去除stopword（可选）。将源中需要的信息加入Document的各个Field中，并把需要索引的Field索引起来，把需要存储的Field存储起来。将索引写入存储器，存储器可以是内存或磁盘。

            2.2.2  读出流程

             用户提供搜索关键词，经过analyzer处理。对处理后的关键词搜索索引找出对应的Document。用户根据需要从找到的Document中提取需要的Field。

      2.3   lucene有哪些优点？

       （1）索引文件格式独立于应用平台。Lucene定义了一套以8位字节为基础的索引文件格式，使得兼容系统或者不同平台的应用能够共享建立的索引文件。

       （2）在传统全文检索引擎的倒排索引的基础上，实现了分块索引，能够针对新的文件建立小文件索引，提升索引速度。然后通过与原有索引的合并，达到优化的目的。

       （3）优秀的面向对象的系统架构，使得对于Lucene扩展的学习难度降低，方便扩充新功能。

       （4）设计了独立于语言和文件格式的文本分析接口，索引器通过接受Token流完成索引文件的创立，用户扩展新的语言和文件格式，只需要实现文本分析的接口。

       （5）已经默认实现了一套强大的查询引擎，用户无需自己编写代码即使系统可获得强大的查询能力，Lucene的查询实现中默认实现了布尔操作、模糊查询（Fuzzy Search[11]）、分组查询等等。

      2.4 一些需要知道的概念

      2.4.1 analyzer

      Analyzer是分析器，它的作用是把一个字符串按某种规则划分成一个个词语，并去除其中的无效词语，这里说的无效词语是指英文中的“of”、“the”，中文中的“的”、“地”等词语，这些词语在文章中大量出现，但是本身不包含什么关键信息，去掉有利于缩小索引文件、提高效率、提高命中率。
　　分词的规则千变万化，但目的只有一个：按语义划分。这点在英文中比较容易实现，因为英文本身就是以单词为单位的，已经用空格分开；而中文则必须以某种方法将连成一片的句子划分成一个个词语。具体划分方法下面再详细介绍，这里只需了解分析器的概念即可。

        2.4.2 document

　　用户提供的源是一条条记录，它们可以是文本文件、字符串或者数据库表的一条记录等等。一条记录经过索引之后，就是以一个Document的形式存储在索引文件中的。用户进行搜索，也是以Document列表的形式返回。

        2.4.3 field

        一个Document可以包含多个信息域，例如一篇文章可以包含“标题”、“正文”、“最后修改时间”等信息域，这些信息域就是通过Field在Document中存储的。
        Field有两个属性可选：存储和索引。通过存储属性你可以控制是否对这个Field进行存储；通过索引属性你可以控制是否对该Field进行索引。这看起来似乎有些废话，事实上对这两个属性的正确组合很重要，下面举例说明：还是以刚才的文章为例子，我们需要对标题和正文进行全文搜索，所以我们要把索引属性设置为真，同时我们希望能直接从搜索结果中提取文章标题，所以我们把标题域的存储属性设置为真，但是由于正文域太大了，我们为了缩小索引文件大小，将正文域的存储属性设置为假，当需要时再直接读取文件；我们只是希望能从搜索解果中提取最后修改时间，不需要对它进行搜索，所以我们把最后修改时间域的存储属性设置为真，索引属性设置为假。上面的三个域涵盖了两个属性的三种组合，还有一种全为假的没有用到，事实上Field不允许你那么设置，因为既不存储又不索引的域是没有意义的。

        2.4.4 term

　　term是搜索的最小单位，它表示文档的一个词语，term由两部分组成：它表示的词语和这个词语所出现的field。

        2.4.5 tocken

        tocken是term的一次出现，它包含trem文本和相应的起止偏移，以及一个类型字符串。一句话中可以出现多次相同的词语，它们都用同一个term表示，但是用不同的tocken，每个tocken标记该词语出现的地方。

        2.4.6 segment

        添加索引时并不是每个document都马上添加到同一个索引文件，它们首先被写入到不同的小文件，然后再合并成一个大索引文件，这里每个小文件都是一个segment。

        2.5  为什么要使用Lucene?

             很多时候，我们在进行搜索的时候，比如说：我们要在数据库中搜索内容含有 “中国”  的句子，如果采用一般的方式，比如说： %中国%，这种模糊查询的sql语句，效率会非常的低，就好像拿到一本字典，然后重头到尾去翻，看哪些含有“中国”。通过情况，我们查字典都是找拼音或偏旁部首来查找，所以使用Lucene全文索引来进行检索。速度回大大的提高。接下来我会介绍如何使用Lucene来创建索引，搜索索引，增删改，自定义分词，同义词搜索等等(速度可能会有点慢，最近有点忙)。

Ps:简单了解了一些Lucene的概念知识后，下面正式进入Lucene的学习。