使用Lucene2.3构建搜索引擎

Lucene不是一个完整的全文索引应用，而是是一个用Java写的全文索引引擎工具包，它可以方便的嵌入到各种应用中实现针对应用的全文索引/检索功能。

Lucene的作者：Lucene的贡献者Doug Cutting是一位资深全文索引/检索专家，曾经是V-Twin搜索引擎(Apple的Copland操作系统的成就之一)的主要开发者，后在 Excite担任高级系统架构设计师，目前从事于一些INTERNET底层架构的研究。他贡献出的Lucene的目标是为各种中小型应用程序加入全文检索功能。

Lucene的发展历程：早先发布在作者自己的 www.lucene.com，后来发布在SourceForge，2001年年底成为APACHE基金会jakarta的一个子项目： http://jakarta.apache.org/lucene/

已经有很多Java项目都使用了Lucene作为其后台的全文索引引擎

一、开始
     首先在Apache下载Lucene 2.3.0包，其中包含了核心jar和LuceneAPI文档，解压后，将 lucene-core-2.3.0.jar放在classpath中。

二、创建索引

     创建索引时需要指定存放索引的目录（将来检索时需要对这个目录中的索引进行检索），和文件的目录（如果是对文件进行索引的话）代码如下：

public void crateIndex() throws Exception {
		File indexDir = new File("D://luceneIndex");
		// 存储索引文件夹
		File dataDir = new File("D://test");
		// 需要检索文件夹
		Analyzer luceneAnalyzer = new PaodingAnalyzer();
		// PaodingAnalyzer这个类是庖丁解牛中文分词分析器类继承了Lucene的Analyzer接口，对于检索中文分词有很大帮助
		File[] dataFiles = dataDir.listFiles();
		boolean fileIsExist = false;
		if (indexDir.listFiles().length == 0)
			fileIsExist = true;
		IndexWriter indexWriter = new IndexWriter(indexDir, luceneAnalyzer,
				fileIsExist);
		// 第三个参数是一个布尔型的变量，如果为 true 的话就代表创建一个新的索引，为 false 的话就代表在原来索引的基础上进行操作。
		long startTime = new Date().getTime();
		this.doIndex(dataFiles, indexWriter);
		indexWriter.optimize();// 优化索引
		indexWriter.close();// 关闭索引
		long endTime = new Date().getTime();
		System.out.println("It takes " + (endTime - startTime)
				+ " milliseconds to create index for the files in directory "
				+ dataDir.getPath());
	}

	private void doIndex(File[] dataFiles, IndexWriter indexWriter)
			throws Exception {
		for (int i = 0; i < dataFiles.length; i++) {
			if (dataFiles[i].isFile()
					&& dataFiles[i].getName().endsWith(".html")) {// 索引所有html格式文件
				System.out.println("Indexing file "
						+ dataFiles[i].getCanonicalPath());
				Reader txtReader = new FileReader(dataFiles[i]);
				Document document = new Document();
				// Field.Store.YES 存储Field.Store.NO 不存储
				// Field.Index.TOKENIZED 分词 Field.Index.UN_TOKENIZED 不分词
				document.add(new Field("path", dataFiles[i].getCanonicalPath(),
						Field.Store.YES, Field.Index.UN_TOKENIZED));
				document.add(new Field("filename", dataFiles[i].getName(),
						Field.Store.YES, Field.Index.TOKENIZED));
				// 另外一个构造函数,接受一个Reader对象
				document.add(new Field("contents", txtReader));
				indexWriter.addDocument(document);
			} else if (dataFiles[i].isFile()
					&& dataFiles[i].getName().endsWith(".doc")) {// 索引所有word文件
				FileInputStream in = new FileInputStream(dataFiles[i]);// 获得文件流
				WordExtractor extractor = new WordExtractor(in);// 使用POI对word文件进行解析
				String str = extractor.getText();// 返回String
				Document document = new Document();// 生成Document对象,其中有3个Field,分别是path,filename,contents
				document.add(new Field("path", dataFiles[i].getCanonicalPath(),
						Field.Store.YES, Field.Index.UN_TOKENIZED));
				document.add(new Field("filename", dataFiles[i].getName(),
						Field.Store.YES, Field.Index.TOKENIZED));
				// 另外一个构造函数,接受一个Reader对象
				document.add(new Field("contents", str, Field.Store.YES,
						Field.Index.TOKENIZED,
						Field.TermVector.WITH_POSITIONS_OFFSETS));
				indexWriter.addDocument(document);
			} else {
				if (dataFiles[i].isDirectory()) {
					doIndex(dataFiles[i].listFiles(), indexWriter);// 使用递归,继续索引文件夹
				}
			}
		}
	}

  

从上面代码中可以看到对文件(或者说是数据)创建索引是一件很容易的事,首先确定需要索引的文件夹(或者数据库中的数据注:Lucene只接受数据,他不会区分数据的来源,也就是说不管是什么你只要把它转为String格式的数据,Lucene就能创建索引),然后指定创建后索引存放的地方,我们自己对数据处理后创建一个 Document对象这里面你可以自己定义放几 个 Field,并定义 Field是否进行分词什么的,这样索引就创建好了.

注:使用庖丁解牛中文分词,需要将"庖丁"中的词典(dic文件夹)放到classpath 中再把 paoding-analyzer.properties文件也放到classpath中 properties文件内容如下:

paoding.imports = ifexists:classpath:paoding-analysis-default.properties;

ifexists:classpath:paoding-analysis-user.properties;

ifexists:classpath:paoding-knives-user.properties

paoding.dic.home = classpath:dic

三、检索

对于创建数据的索引我们已经了解了,下面介绍一下,检索数据, 检索数据的时候我们不用关心原始的数据或者文件,我们只关心lucene生成的索引, 但是要使用当初生成索引时的同一个分析器进行分析索引.

	public void searchIndex() throws Exception {
	       String contents = "项目";// 内容的关键字
	       String filename = "测试";// 文件名的关键字
	       File indexDir = new File("D:\\luceneIndex");//存放索引的文件夹
	       FSDirectory directory = FSDirectory.getDirectory(indexDir);
	       Searcher searcher = new IndexSearcher(directory);
	       QueryParser parserContents = new QueryParser("contents", luceneAnalyzer);
	       QueryParser parserFilename = new QueryParser("filename", luceneAnalyzer);
	       // 使用同一个分析器luceneAnalyzer分别生成两个QueryParser对象
	       Query query1 = parserContents.parse(contents);
	       Query query2 = parserFilename.parse(filename);
	       BooleanQuery query = new BooleanQuery();
	       query.add(query1, BooleanClause.Occur.MUST);
	       query.add(query2, BooleanClause.Occur.MUST);
	 
	       SimpleHTMLFormatter formatter =new SimpleHTMLFormatter("<span class=\"highlight\">","</span>");
	       Highlighter highlighter = new Highlighter(formatter,newQueryScorer(query));
	       highlighter.setTextFragmenter(newSimpleFragmenter(60));
	       // Lucene自带的高亮功能,在Lucene发布的bin中的lucene-2.3.0\contrib\highlighter文件夹下
			// lucene-highlighter-2.3.0.jar 需要导入
	       Hits hits = searcher.search(query);
	           for(int i=0;i<hits.length();i++){
	              TokenStream tokenStream = luceneAnalyzer.tokenStream("contents", new StringReader(hits.doc.get("contents")));
	              this.pageContext.getOut().println("<font style='font-size:13px'><a href='"+ hits.doc.get("path")  +"'><b>"+ELFuncUtil.setStyle(hits.doc.get("filename"), filename)+"</b></a></font><br>");
	              String str = highlighter.getBestFragment(tokenStream,hits.doc.get("contents") + "...");
	               this.pageContext.getOut().println("<font style='font-size:12px'>"+str+"</font>");
	              this.pageContext.getOut().println("<br><hr><br>");
	          }

	   }

 

< style >

.highlight {

    background : yellow ;

    color : #CC0033 ;

}

</ style >

这样外界的访问直接通过Lucene去检索索引,不去触及真正的文件,效率大大提高.页面再加上一点修饰一个使用Lucene构建的搜索引擎就完成了.

版权声明：原创作品，允许转载，转载时请务必以超链接形式标明文章 原始出处 、作者信息和本声明。否则将追究法律责任。 http://tonyaction.blog.51cto.com/227462/62451

作者: tony_action