Lucene其实是一类强大的Java搜索库,它能让你很轻易地将搜索功能加入到任何程序中。近年来Lucene变得非常流行,同时它也是使用最为广泛的信息搜索库:它能够增强很多Web站点和桌面应用程序的搜索能力。尽管当初它是用Java编写的,由于使用太广泛,以及热心开发人员的努力,目前你已经可以自由获取大量的针对其他编程语言的Lucene移植版本(其中包含C/C++、C#、Ruby、Perl、Python以及PHP版本)。
随着互联网的普及以及数字信息的爆炸式增长,人们已经可以足不出户地接触到海量的信息。随着数据量的日益剧增,我们迫切需要采用全新的、更为动态的方式来查找所需要的信息。尽管我们可以对数据进行分门别类,但从成千上万的类别或者子类别中查找信息已经不再是一种行之有效的方法了。这个时候,我们急需要一个有效的检索方式。
Lucene是一款高性能的、可扩展的信息检索(IR)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。Lucene能够融入你的应用程序中,以增加搜索功能。它是一款以Java实现的成熟、自由、开源的软件项目,也是Apache软件基金中的一个项目,并且给予Apache软件许可协议授权。因此,Lucene在今年来已经成为最受欢迎的开源信息检索工具库。
Lucene主要有两种文档模型:Document和Field,一个Document可能包含若干个Field。相当于数据库中的一条记录和字段
每一个Field有不同的策略:
1.被索引 or not,将该字段(Field)经过分析(Analyise)后,加入索引中,并不是原文。
2.如果被索引,可选择是否保存“term vector”(向量),用于相似检索。
3.可选择是否存储(store),将原文直接拷贝,不做索引,用于检索后的取出。
Lucene中的文档模型类似于数据库,但是又不完全相同,体现在如下几方面:
1.无规范格式,即无需固定的Schema,无列等预先设计,同一个索引中加入的Document可包含不同的Field。
2.非正规化,Lucene中的文档模型是一个平面化的结构,没有递归定义,自然连接等等复杂的结构。
Field.Store.YES或者NO(存储域选项)
设置为YES表示或把这个域中的内容完全存储到文件中,方便进行文本的还原
设置为NO表示把这个域的内容不存储到文件中,但是可以被索引,此时内容无法完全还原(doc.get)
Field.Index(索引选项)
Index.ANALYZED:进行分词和索引,适用于标题、内容等
Index.NOT_ANALYZED:进行索引,但是不进行分词,如果身份证号,姓名,ID等,适用于精确搜索
Index.ANALYZED_NOT_NORMS:进行分词但是不存储norms信息,这个norms中包括了创建索引的时间和权值等信息
Index.NOT_ANALYZED_NOT_NORMS:即不进行分词也不存储norms信息
Index.NO:不进行索引