介绍一款全文搜索引擎--lucene

作者：Qin Elaine
链接：https://zhuanlan.zhihu.com/p/21320272
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

今天我想给大家介绍的，是一款叫做lucene的开源搜索引擎。它是基于java环境下的，一款全文搜索引擎。如果你需要对非常多的文档进行搜索，可以考虑使用它。

lucene进行搜索
1. 通过对目标文档的处理，得到一个新的处理好的index。

这些index是长成这个样子的：在这里，lucene 所做的事情其实是把这些文档中的话先进行预处理。比如lucene会把"BitTiger" 转换成"bitgtiger" 也就是全部小写化。之后呢,lucene 会为你的文档建立一个matrix。这里我直接开始举例说明。
doc1 ： "I love programming";
doc2: "programming is necessary skills and you should love it "

lucene 会建立如下的索引结构:

term docs location



I 1 1.0

love 1,2 1.2->2.47
programming 1,2 1.7->2.00
skills 2 2.26
and 2 ---
you 2 ---
it 2 ---
is 2 ---

term 代表出现在文档中的一个一个词语，docs代表的是这个文档的编号，lcoation代表的是词语出现在文档中的某个位置。在lucene当中，词语的位置是用一个linkedlist 串联起来的。

如果你要对一段文档进行索引，在API，你要做的事情很简单，我在这里直接贴代码
String path = "XXXXX"; ----------- 你文档的路径
final Path docDirs = Paths.get(Path);
// 你建立索引的路径
Directory dic_siwei = FSDirectory.open(Paths.get("你建立一个大索引的路径"));
Analyzer analyzer = new StandardAnalyzer(); ------ 构建分析器，它的作用是对文档语言进行处理
//配置索引writer和建立一个索引
IndexWriterConfig conf = new IndexWriterConfig(analyzer);
IndexWriter writer = new IndexWriter(dic_siwei,conf);
Document docs = new Document();
这里docDir是单独一个文件的路径，我省略了之前的一个方法，大家知道就行
InputStream stream = Files.newInputStream(docDir);
doc.add(new TextField("contents", new BufferedReader(newInputStreamReader(stream, StandardCharsets.UTF_8))));
writer.close();

这之后，你们就可以创建好一份索引。在这里你会问，如果我的添加了一个新的索引，那么我需不需要重新跑一次我的程序，去建立一个新的索引。在这里,lucene处理的很好。当你有新的文件需要进行处理，lucene提供了一个"updata" 接口可以将你的新内容加入到原来的索引文件中。

2.建立好索引之后如何进行搜索？
我觉得在这里，我想谈谈lucene的打分机制。比如我搜索“dota ti5”,我希望第一个搜索的结果文档叫做"dota2"而不是“英雄联盟（LOL）”.那么lucene是如何做的呢？
lucene 默认的搜索算法叫做TF/IDF 算法。

2.1(TF/IDF 算法)
TF-IDF算法全称为term frequency–inverse document frequency。TF就是term frequency的缩写，意为词频。IDF则是inverse document frequency的缩写，意为逆文档频率。
该算法在信息处理中通常用来抽取关键词。比如，对一个文章提取关键词作为搜索词，就可以采用TF-IDF算法。
要找出一篇文章中的关键词，通常的思路就是，就是找到出现次数最多的词。如果某个词很重要，它应该在这篇文章中多次出现。于是，我们进行"词频"（Term Frequency，缩写为TF）统计。
但是通常，一篇中文的文章中，都会有很多没有实际意义的词，比如“的”，“是”，“了”，这类词是最常用的词，称为停用词，称它们为停用词是因为在文本处理过程中如果遇到它们，则立即停止处理，将其扔掉。将这些词扔掉减少了索引量，增加了检索效率，并且通常都会提高检索的效果。停用词主要包括英文字符、数字、数学字符、标点符号及使用频率特高的单汉字等。
当过滤掉所有的停用词后，剩下的都是实际意义的词，但也不能简单的认为那个词出现的次数多就是关键词。比如在一篇如何组装电脑的文章中，出现“CPU”，“主板”等关键词和出现“说明书”的次数一样多，但很显然，CPU，主板等关键词，更能确定这个文章的特性。也就是说，“CPU”，“主板”等关键词比“说明书”这个关键词更重要，需要排在前面。所以我们就需要一个权重系数，用来调整各个关键词的重要性。如果一个词很少见，但是它在某个文章中反复出现多次，那么可以认为这个词反应了这个文章的特性，可以把它作为关键词。在信息检索中，这个权重非常重要，它决定了关键词的重要度，这个权重叫做"逆文档频率"（Inverse Document Frequency，缩写为IDF），它的大小与一个词的常见程度成反比。
在知道了词频和权重之后，两者相乘，就得到一个词的TF-IDF值，某个词对文章的重要性越高，它的TF-IDF值就越大。所以，排在最前面的几个词，就是这篇文章的关键词。
因此TF-IDF算法的主要工作就是计算出TF*IDF值最大的那几个词，作为文章的关键词。

可是,TF-IDF算法的优点是简单快速，结果比较符合实际情况。缺点是，单纯以"词频"衡量一个词的重要性，不够全面，有时重要的词可能出现次数并不多。而且，这种算法无法体现词的位置信息，出现位置靠前的词与出现位置靠后的词，都被视为重要性相同，这是不正确的。（一种解决方法是，对全文的第一段和每一段的第一句话，给予较大的权重。）
当通过TF-IDF算法找出文章的关键字后，可以运用到一些具体的场景。比如：根据关键字找出相似的文章。

2.2 代码怎么写？
//配置搜索器
IndexReader reade=DirectoryReader.open(FSDirectory.open(Paths.get(“你刚才建立索引的文件夹”)));
IndexSearcher searcher = new IndexSearcher(reader);

Analyzer analyzer = new StandardAnalyzer();
QueryParser parser = new QueryParser(field, analyzer);
Query query = parser.parse("你要搜索的内容");
// topDocs 就是就是你要得到的10个评分最高的文档
TopDocs results = searcher.search(query, 10);

2.3 其他算法扩展
如果你认为lucene本身的算法不够好，那么你可以考虑去实现其他的算法。比如BM25和BM25F算法。在lucene当中，如果你想更改原本的算法，那么你需要extends原来的Similarity类，然后将它配置到你的索引writer的配置中。如果你需要更好的索引。那么你可能需要为lucene重写很多代码，包括权重包(Weight),Query包(查询),Score包(打分)。

3.小小的展望
这是博主第一次写博客，真的第一次都献给了BitTiger啊有木有！博主表示如果文章写的不好，请见谅啊！

小组简介：亚特兰大地区小组Ranger,我们四个人都是CS相关专业的学生，三位GT一位Emory的。这里诚招一位兼职技术顾问，学生党经验不足啊！

作者：污妖王， 编辑：王思维，查看更多精彩博客文章：https://www.bittiger.io/blog

更多内容，请访问：BitTiger.io， 扫描下面二维码，关注微信公众账号“论码农的自我修养”