Lucene导读

Lucene导读

1.1结构化数据和非结构化数据

我们生活中的数据总体分为两种：结构化数据和非结构化数据。

•   结构化数据：指具有固定格式或有限长度的数据，如数据库，元数据等。

•   非结构化数据：指不定长或无固定格式的数据，如邮件，word文档等。

•   例如：磁盘上的文件

1.2对结构化数据的搜索

对数据库的搜索，用SQL语句。再如对元数据的搜索，如利用windows搜索对文件名，类型，修改时间进行搜索等。

1.3对非结构化数据的搜索

（1）顺序扫描法(Serial Scanning)
所谓顺序扫描，比如要找内容包含某一个字符串的文件，就是一个文档一个文档的看，
对于每一个文档，从头看到尾，如果此文档包含此字符串，则此文档为我们要找的文件，
接着看下一个文件，直到扫描完所有的文件。
如利用windows的搜索也可以搜索文件内容，只是相当的慢。

（2）全文检索(Full-text Search)
将非结构化数据中的一部分信息提取出来，重新组织，使其变得有一定结构，
然后对此有一定结构的数据进行搜索，从而达到搜索相对较快的目的。

这部分从非结构化数据中提取出的然后重新组织的信息，我们称之索引。

例如：字典。字典的拼音表和部首检字表就相当于字典的索引，
对每一个字的解释是非结构化的，如果字典没有音节表和部首检字表，
在茫茫辞海中找一个字只能顺序扫描。

然而字的某些信息可以提取出来进行结构化处理，比如读音，就比较结构化，分声母和韵母，
分别只有几种可以一一列举，
于是将读音拿出来按一定的顺序排列，每一项读音都指向此字的详细解释的页数。
我们搜索时按结构化的拼音搜到读音，然后按其指向的页数，便可找到我们的非结构化数据——也即对字的解释。
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)。

1.4什么是全文检索

全文检索是一种将文件中所有文本与检索项匹配的文字资料检索方法。

全文检索首先将要查询的目标文档中的词提取出来，组成索引，通过查询索引达到搜索目标文档的目的。

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）。

全文检索就是把文本中的内容拆分成若干个关键词，然后根据关键词创建索引。

查询时，根据关键词查询索引，最终找到包含关键词的文章。整个过程类似于查字典的过程。

如下图是对文件搜索的索引：

上图中，索引栏是从目标数据源中提取出来的词，

在进行全文检索时是通过搜索索引（搜索索引中的词）从而找到索引对应的文件即目标数据源。

经过几年的发展，全文检索从最初的字符串匹配程序已经演进到能对超大文本、语音、图像、活动影像等非结构化数据进行综合管理的大型软件。

1.5全文检索的应用领域

对于数据量大、数据结构不固定的数据可采用全文检索方式搜索，比如百度、Google等搜索引擎、论坛站内搜索、电商网站站内搜索等。

32.1什么是Lucene?

Lucene是apache下的一个开放源代码的全文检索引擎工具包。

提供了完整的查询引擎和索引引擎，部分文本分析引擎。

Lucene的目的是为软件开发人员提供一个简单易用的工具包，以方便的在目标系统中实现全文检索的功能。

2.2Lucene与搜索引擎的区别

全文检索系统是按照全文检索理论建立起来的用于提供全文检索服务的软件系统。

全文检索系统是一个可以运行的系统，
包括建立索引、处理查询返回结果集、增加索引、优化索引结构等功能。
例如：百度搜索、eclipse帮助搜索、淘宝网商品搜索。

搜索引擎是全文检索技术最主要的一个应用，例如百度。

搜索引擎起源于传统的信息全文检索理论，即计算机程序通过扫描每一篇文章中的每一个词，
建立以词为单位的倒排文件，检索程序根据检索词在每一篇文章中出现的频率和每一个检索词在一篇文章中出现的概率，
对包含这些检索词的文章进行排序，最后输出排序的结果。全文检索技术是搜索引擎的核心支撑技术。

Lucene和搜索引擎不同，Lucene是一套用java或其它语言写的全文检索的工具包，
为应用程序提供了很多个api接口去调用，可以简单理解为是一套实现全文检索的类库，
搜索引擎是一个全文检索系统，它是一个单独运行的软件系统。

2.3安装Lucene

Lucene是开发全文检索功能的工具包，从官方网站下载Lucene4.10.3，并解压。

官方网站：http://lucene.apache.org/ 

版本：lucene4.10.3

Jdk要求：1.7以上

2.4Lucene主要包结构

3Lucene实现全文检索的流程

3.1案例描述

我们以一个案例来研究全文检索系统架构：实现一个文件的搜索功能，
通过关键字搜索文件，凡是文件名或文件内容包括关键字的文件都需要找出来。

3.2索引和搜索流程图

1、绿色表示索引过程，对要搜索的原始内容进行索引构建一个索引库，索引过程包括：
确定原始内容即要搜索的内容-->采集文档-->创建文档-->分析文档-->索引文档

2、红色表示搜索过程，从索引库中搜索内容，搜索过程包括：
用户通过搜索界面-->创建查询-->执行搜索，从索引库搜索-->渲染搜索结果

3.3索引流程

对文档索引的过程，将用户要搜索的文档内容进行索引，索引存储在索引库（index）中。

这里我们要搜索的文档是磁盘上的文本文件，

根据案例描述：凡是文件名或文件内容包括关键字的文件都要找出来，这里要对文件名和文件内容创建索引。

3.3.1原始内容

原始内容是指要索引和搜索的内容。原始内容包括互联网上的网页、数据库中的数据、磁盘上的文件等。 
本案例中的原始内容就是磁盘上的文件，如下图：

3.3.2获取原始内容（信息采集）

从互联网上、数据库、文件系统中等获取需要搜索的原始信息，这个过程就是信息采集，
信息采集的目的是为了对原始内容进行索引。

在Internet上采集信息的软件通常称为爬虫或蜘蛛，也称为网络机器人，
爬虫访问互联网上的每一个网页，将获取到的网页内容存储起来。

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：

Solr（http://lucene.apache.org/solr）
solr是apache的一个子项目，支持从关系数据库、xml文档中提取原始数据。

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。

本案例我们要获取磁盘上文件的内容，可以通过文件流来读取文本文件的内容，

对于pdf、doc、xls等文件可通过第三方提供的解析工具读取文件内容，

比如Apache POI读取doc和xls的文件内容。

3.3.3创建文档

获取原始内容的目的是为了索引，在索引前需要将原始内容创建成文档（Document），
文档中包括一个一个的域（Field），域中存储内容。

这里我们可以将磁盘上的一个文件当成一个document，
Document中包括一些Field
（file_name文件名称、file_path文件路径、file_size文件大小、file_content文件内容）
如下图：

注意：每个Document可以有多个Field，不同的Document可以有不同的Field，
同一个Document可以有相同的Field（域名和域值都相同）

每个文档都有一个唯一的编号，就是文档id。

3.3.4分析文档

将原始内容创建为包含域（Field）的文档（document），需要再对域中的内容进行分析，分析的过程是经过对原始文档提取单词、将字母转为小写、去除标点符号、去除停用词等过程生成最终的语汇单元，可以将语汇单元理解为一个一个的单词。

比如下边的文档经过分析如下：
原文档内容：
Lucene is a Java full-text search engine.  Lucene is not a complete
application, but rather a code library and API that can easily be used
to add search capabilities to applications.

分析后得到的语汇单元：
lucene、java、full、search、engine。。。。

每个单词叫做一个Term，不同的域中拆分出来的相同的单词是不同的term。term中包含两部分一部分是文档的域名，另一部分是单词的内容。
例如：文件名中包含apache和文件内容中包含的apache是不同的term。

3.3.5索引文档

对所有文档分析得出的语汇单元进行索引，索引的目的是为了搜索，最终要实现只搜索被索引的语汇单元从而找到Document（文档）。
注意：创建索引是对语汇单元索引，通过词语找文档，这种索引的结构叫倒排索引结构。
传统方法是根据文件找到该文件的内容，在文件内容中匹配搜索关键字，这种方法是顺序扫描方法，数据量大、搜索慢。
倒排索引结构是根据内容（词语）找文档，如下图： 

3.4搜索流程

搜索就是用户输入关键字，从索引（index）中进行搜索的过程。
根据关键字搜索索引，根据索引找到对应的文档，从而找到要搜索的内容（这里指磁盘上的文件）。 

3.4.1用户

用户可以是自然人，也可以是远程调用的程序。

33.4.2用户搜索界面

全文检索系统提供用户搜索的界面供用户提交搜索的关键字，搜索完成展示搜索结果。

比如：

Lucene不提供制作用户搜索界面的功能，需要根据自己的需求开发搜索界面。

3.4.3创建查询

用户输入查询关键字执行搜索之前需要先构建一个查询对象，
查询对象中可以指定查询要搜索的Field文档域、查询关键字等，查询对象会生成具体的查询语法

比如：
语法 "fileName:spring.txt"表示要搜索Field域的内容为"spring.txt"的文档
语法 "lucene AND java" 表示要搜索即包括关键字"lucene"也包括"java"的文档。

3.4.4执行搜索

搜索索引过程：

1.根据查询语法在倒排索引词典表中分别找出对应搜索词的索引，从而找到索引所链接的文档链表。
比如搜索语法为“lucene AND java”表示搜索出的文档中即要包括lucene也要包括java。

2、由于是AND，所以要对包含lucene或java词语的链表进行交集，得到文档链表应该包括每一个搜索词语
3、获取文档中的Field域数据。

3.4.5展示结果

以一个友好的界面将查询结果展示给用户，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。