全文检索技术Lucene
1. 什么是全文检索
1.1 数据分类
- 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文档等磁盘上的文件;
1.2 结构化数据搜索
- 如sql语句查询,
- 为什么数据库查询快呢? 因为有规律,有行有列而且数据格式, 数据长度都是固定的;
1.3 非结构化数据查询方法
- 顺序扫描法(Serial Scanning)
- 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
- 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。
- 比如字典,字典的拼音表和部首检字表就相当于字典的索引;
- 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)。
- 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。
1.4 如何实现全文检索
- 使用Lucene实现全文检索; 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。
1.5 全文检索的应用场景
- 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。
2. Lucene实现全文检索的流程
2.1 索引和搜索流程图
-
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
-
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
2.2 创建索引
- 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。
- 获得原始文档: 原始文档是指索引和搜索的内容;原始内容包括互联网上的网页, 数据库中的数据, 磁盘上的文档等;
- 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。
- 创建文档对象: 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。
- 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)
- 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。
- 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。
- 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;
- 创建索引: 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);
- 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, 如图
- 倒排索引结构也叫反向索引结构,包括索引和文档两部分,索引即词汇表,它的规模较小,而文档集合较大;
- 获得原始文档: 原始文档是指索引和搜索的内容;原始内容包括互联网上的网页, 数据库中的数据, 磁盘上的文档等;
2.3 查询索引
- 查询索引也是搜索的过程。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)。
- 用户查询接口:
- 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
- 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;
- 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:lucene” 表示要搜索Field域的内容为"lucene"的文档;
- 执行查询
- 搜索索引过程
- 根据查询语法在倒排索引词典表中分布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:"fileName:lucene"表示搜索出fileName域中包含lucene的文档
- 搜索过程就是在索引上查找域为fileName, 并且关键字为lucene的term,并根据term找到文档id列表;
- 根据查询语法在倒排索引词典表中分布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:
- 搜索索引过程
- 渲染结果
- 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;
- 用户查询接口:
3. 配置开发环境
3.1 Lucene下载
-
Lucene是开发全文检索功能的工具包,从官方网站下载lucene-7.4.0,并解压
-
官方网站:http://lucene.apache.org/
版本:lucene-7.4.0
Jdk要求:1.8以上
3.2 使用的jar包
- lucene-core-7.4.0.jar
- lucene-analyzers-common-7.4.0.jar
- commons-io-2.6.jar
4. 入门程序
4.1 需求
-
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。还可以根据中文词语进行查询,并且需要支持多个条件查询。
本案例中的原始内容就是磁盘上的文件,如下图:
4.2 创建索引
//创建索引
@Test
public void createIndex() throws Exception {
//指定索引库存放的路径
//D:\temp\index
Directory directory = FSDirectory.open(new File("D:\\temp\\index").toPath());
//索引库还可以存放到内存中
//Directory directory = new RAMDirectory();
//创建indexwriterCofig对象
IndexWriterConfig config = new IndexWriterConfig();
//创建indexwriter对象
IndexWriter indexWriter = new IndexWriter(directory, config);
//原始文档的路径
File dir = new File("D:\\temp\\searchsource");
for (File f : dir.listFiles()) {
//文件名
String fileName = f.getName();
//文件内容
String fileContent = FileUtils.readFileToString(f);
//文件路径
String filePath = f.getPath();
//文件的大小
long fileSize = FileUtils.sizeOf(f);
//创建文件名域
//第一个参数:域的名称
//第二个参数:域的内容
//第三个参数:是否存储
Field fileNameField = new TextField("filename", fileName, Field.Store.YES);
//文件内容域
Field fileContentField = new TextField("content", fileContent, Field.Store.YES);
//文件路径域(不分析、不索引、只存储)
Field filePathField = new TextField("path", filePath, Field.Store.YES);
//文件大小域
Field fileSizeField = new TextField("size", fileSize + "", Field.Store.YES);
//创建document对象
Document document = new Document();
document.add(fileNameField);
document.add(fileContentField);
document.add(filePathField);
document.