全文检索技术---Lucene（概述）

数据分类：

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。

        1) 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。
                因为结构化数据的存储一般都是有规律的，有行有列。而且数据格式、数据长度基本都是固定的。所以搜索起来很容易。数据库一般使用SQL语句就可以搜索

        2) 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。
                由于非结构化无规格所言，所以搜索起来就十分费劲。
                所以一般用一下两种方式来进行搜索：
                a) 顺序扫描法
                    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。
                b) 全文搜索
                    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。
                    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)。
                    虽然创建索引的过程也是非常耗时的，但是索引一旦创建就可以多次使用，全文检索主要处理的是查询，所以耗时间创建索引是值得的。

如何实现全文检索？

        可以使用 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。

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等。

Lucene实现全文检索的流程:

        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
        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。
                1、获得原始文档
                    原始文档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。
                2、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），域中再存储内容。
                    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、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。
                4、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。
                    倒排索引结构是根据内容（词语）找文档，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。

        索引创建好之后，我们也可以使用Luke工具查看索引文件

        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。
                1、提高用户查询的接口（前端搜索框）
                    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。
                2、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：
                    “fileName:lucene”表示要搜索Field域的内容为“lucene”的文档
                3、执行查询
                    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“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。
                4、渲染结果
                    以一个友好的界面将查询结果展示给用户。