教你使用solr搭建你的全文检索

原帖地址：http://www.bitscn.com/plus/view.php?aid=131907

Solr 是一个可供企业使用的、基于 Lucene 的开箱即用的搜索服务器。对Lucene不熟？那么建议先看看下面两篇文档：

　　实战Lucene，第 1 部分： 初识 Lucene：http://www.ibm.com/developerworks/cn/java/j-lo-lucene1/

　　用Lucene加速Web搜索应用程序的开发：http://www.ibm.com/developerworks/cn/web/wa-lucene2/

　　一、 solr介绍

　　solr是基于Lucene Java搜索库的企业级全文搜索引擎，目前是apache的一个项目。它的官方网址在http://lucene.apache.org/solr/ .solr需要运行在一个servlet 容器里，例如tomcat5.5.solr在lucene的上层提供了一个基于HTTP/XML的Web Services，我们的应用需要通过这个服务与solr进行交互。

　　二、 solr安装和配置

　　关于solr的安装和配置，这里也有两篇非常好的文档，作者同时也是 Lucene Java 项目的提交人和发言人：

　　使用Apache Solr实现更加灵巧的搜索：http://www.ibm.com/developerworks/cn/java/j-solr1/index.html

　　http://www.ibm.com/developerworks/cn/java/j-solr2/index.html

　　下面主要说说需要注意的地方。

　　Solr的安装非常简单，下载solr的zip包后解压缩将dist目录下的war文件改名为solr.war直接复制到tomcat5.5的webapps目录即可。注意一定要设置solr的主位置。有三种方法。我采用的是在tomcat里配置java：comp/env/solr/home的一个JNDI指向solr的主目录（example目录下），建立/tomcat55/conf/Catalina/localhost/solr.xml文件。

<Context docBase="D:/solr.war" debug="0" crossContext="true" ><Environment name="solr/home" type="java.lang.String"                   value="D:/solr/solr" override="true" /></Context>

　　观察这个指定的solr主位置，里面存在两个文件夹：conf和data.其中conf里存放了对solr而言最为重要的两个配置文件schema.xml和solrconfig.xml.data则用于存放索引文件。

　　schema.xml主要包括types、fields和其他的一些缺省设置。

　　solrconfig.xml用来配置Solr的一些系统属性，例如与索引和查询处理有关的一些常见的配置选项，以及缓存、扩展等等。

　　上面的文档对这两个文件有比较详细的说明，非常容易上手。注意到schema.xml里有一个

<uniqueKey>url</uniqueKey>

　　的配置，这里将url字段作为索引文档的唯一标识符，非常重要。

　　三、 加入中文分词

　　对全文检索而言，中文分词非常的重要，这里采用了qieqie庖丁分词（非常不错：））。集成非常的容易，我下载的是2.0.4-alpha2版本，其中它支持最多切分和按最大切分。创建自己的一个中文TokenizerFactory继承自solr的BaseTokenizerFactory.

/**
 * Created by IntelliJ IDEA.
 * User: ronghao
 * Date: 2007-11-3
 * Time: 14:40:59
 * 中文切词 对庖丁切词的封装
 */
public class ChineseTokenizerFactory extends BaseTokenizerFactory {
    /**
     * 最多切分   默认模式
     */
    public static final String MOST_WORDS_MODE = "most-words";
    /**
     * 按最大切分
     */
    public static final String MAX_WORD_LENGTH_MODE = "max-word-length";
    private String mode = null;
    public void setMode(String mode) {
             if (mode==null||MOST_WORDS_MODE.equalsIgnoreCase(mode)
                      || "default".equalsIgnoreCase(mode)) {
                  this.mode=MOST_WORDS_MODE;
             } else if (MAX_WORD_LENGTH_MODE.equalsIgnoreCase(mode)) {
                  this.mode=MAX_WORD_LENGTH_MODE;
             }
             else {
                  throw new IllegalArgumentException("不合法的分析器Mode                                                参数设置:" + mode);
             }
        }
    @Override
    public void init(Map args) {
        super.init(args);
        setMode(args.get("mode"));
    }
    public TokenStream create(Reader input) {
        return new PaodingTokenizer(input, PaodingMaker.make(),
                  createTokenCollector());
    }
    private TokenCollector createTokenCollector() {
        if( MOST_WORDS_MODE.equals(mode))
             return new MostWordsTokenCollector();
        if( MAX_WORD_LENGTH_MODE.equals(mode))
             return new MaxWordLengthTokenCollector();
        throw new Error("never happened");
    }
      }

　　在schema.xml的字段text配置里加入该分词器。

<fieldtype name="text" class="solr.TextField" positionIncrementGap="100">        <analyzer type="index">          <tokenizer class="com.ronghao.fulltextsearch.analyzer.                     ChineseTokenizerFactory" mode="most-words"/>          <filter class="solr.StopFilterFactory" ignoreCase="true"                                         words="stopwords.txt"/>       <filter class="solr.WordDelimiterFilterFactory" generateWordParts="1"              generateNumberParts="1" catenateWords="1" catenateNumbers="1"                                                      catenateAll="0"/>          <filter class="solr.LowerCaseFilterFactory"/>           <filter class="solr.RemoveDuplicatesTokenFilterFactory"/>         </analyzer>    <analyzer type="query">         <tokenizer class="com.ronghao.fulltextsearch.analyzer.                            ChineseTokenizerFactory" mode="most-words"/>            <filter class="solr.SynonymFilterFactory" synonyms="synonyms.txt"                                          ignoreCase="true" expand="true"/>         <filter class="solr.StopFilterFactory" ignoreCase="true" words="                                                       stopwords.txt"/>      <filter class="solr.WordDelimiterFilterFactory" generateWordParts="1"              generateNumberParts="1" catenateWords="0" catenateNumbers="0"                              catenateAll="0"/>         <filter class="solr.LowerCaseFilterFactory"/>          <filter class="solr.RemoveDuplicatesTokenFilterFactory"/>     </analyzer> </fieldtype>

　　完成后重启tomcat，即可在http://localhost：8080/solr/admin/analysis.jsp

　　体验到庖丁的中文分词。注意要将paoding-analysis.jar复制到solr的lib下，注意修改jar包里字典的home.

　　四、 与自己应用进行集成

　　Solr安装完毕，现在可以将自己的应用与solr集成。其实过程非常的简单，应用增加数据——>根据配置的字段构建add的xml文档——>post至solr/update.

　　应用删除数据à根据配置的索引文档唯一标识符构建delete的xml文档——>post至solr/update.

　　检索数据à构建查询xml—>get至/solr/select/——>对solr返回的xml进行处理——>页面展现。

　　具体的xml格式可以在solr网站找到。另外就是solr支持高亮显示，非常方便。

　　关于中文，solr内核支持UTF-8编码，所以在tomcat里的server.xml需要进行配置

<Connector port="8080" maxHttpHeaderSize="8192" URIEncoding="UTF-8" …/>

　　另外，向solr Post请求的时候需要转为utf-8编码。对solr 返回的查询结果也需要进行一次utf-8的转码。检索数据时对查询的关键字也需要转码，然后用“+”连接。

String[] array = StringUtils.split(query, null, 0);

        for (String str : array) {

            result = result + URLEncoder.encode(str, "UTF-8") + "+";

        }
 

 

文章转载自网管之家：http://www.bitscn.com/plus/view.php?aid=131907