Lucene介绍与入门使用
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。
- (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。
1.结构化数据查询方法:
- 数据库中的搜索很容易实现,通常都是使用sql语句进行查询,而且能很快的得到查询结果。
为什么数据库搜索很容易?
因为数据库中的数据存储是有规律的,有行有列而且数据格式、数据长度都是固定的。
2.非结构化数据查询方法:
(1)顺序扫描法(Serial Scanning)
- 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。
(2)全文检索(Full-text Search)
- 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。
- 例如:字典。字典的拼音表和部首检字表就相当于字典的索引,对每一个字的解释是非结构化的,如果字典没有音节表和部首检字表,在茫茫辞海中找一个字只能顺序扫描。然而字的某些信息可以提取出来进行结构化处理,比如读音,就比较结构化,分声母和韵母,分别只有几种可以一一列举,于是将读音拿出来按一定的顺序排列,每一项读音都指向此字的详细解释的页数。我们搜索时按结构化的拼音搜到读音,然后按其指向的页数,便可找到我们的非结构化数据——也即对字的解释。
- 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。
- Lucene实现全文检索的流程
1.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:
- 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
2.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
(1)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。
(2)传统方法是根据文件找到该文件的内容,在文件内容中匹配搜索关键字,这种方法是顺序扫描方法,数据量大、搜索慢。
(3)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。
1.顺序扫描法(Seria-lScanning):
- 比如你要查一个字符串“spring”,这个方法就是在每一个文档里从头到尾的搜索,无论有没有找到都去下一个文档,找到了就都是我们需要的文档,这种方法非常费时,windows的搜索就是使用这个,这个方法对于文档不多,还是比较好的,但是文档一旦多了,就非常慢。
2.全文检索(Full-text-Search):
- **就是先建立一个索引,再对索引进行检索。**通常,可以把这个方法想象成字典,你比如查找一个“飞”,肯定是先查找fei这个拼音,再到对应的页数去找这个字,如果没有索引,你就需要使用顺序扫描法,从头到尾的查找字典,直到找到为止。
二、全文检索的原理
第一步:一些要索引的原文档(Document)。
第二步:将原文档传给分次组件(Tokenizer)。
分词组件(Tokenizer)会做以下几件事情( 此过程称为Tokenize) :
1. 将文档分成一个一个单独的单词。
2. 去除标点符号。
3. 去除停词(Stop word) 。
所谓停词(Stop word)就是一种语言中最普通的一些单词,由于没有特别的意义,因而大多数情况下不能成为搜索的关键词,因而创建索引时,这种词会被去掉而减少索引的大小。
英语中停词(Stop word)如:“the”,“a”,“this”等。
对于每一种语言的分词组件(Tokenizer),都有一个停词(stop word)集合。
第三步:将得到的词元(Token)传给语言处理组件(Linguistic Processor)。
语言处理组件(linguistic processor)主要是对得到的词元(Token)做一些同语言相关的处理。
对于英语,语言处理组件(Linguistic Processor) 一般做以下几点:
-
变为小写(Lowercase) 。
-
将单词缩减为词根形式,如“cars ”到“car ”等。这种操作称为:stemming 。
-
将单词转变为词根形式,如“drove ”到“drive ”等。这种操作称为:lemmatization 。
第四步:将得到的词(Term)传给索引组件(Indexer)。
- 利用得到的词(Term)创建一个字典。
- 对字典按字母顺序进行排序。
- 合并相同的词(Term) 成为文档倒排(Posting List) 链表。
三、如何对索引进行搜索?
第一步:用户输入查询语句。
第二步:对查询语句进行词法分析,语法分析,及语言处理。
- 词法分析主要用来识别单词和关键字。
- 语法分析主要是根据查询语句的语法规则来形成一棵语法树。
- 语言处理同索引过程中的语言处理几乎相同。
第三步:搜索索引,得到符合语法树的文档。
第四步:根据得到的文档和查询语句的相关性,对结果进行排序。
4、全文搜索属于最常见的需求,开源的 Elasticsearch (以下简称 Elastic)是目前全文搜索引擎的首选。
它可以快速地储存、搜索和分析海量数据。维基百科、Stack Overflow、Github 都采用它。
参考:
1、https://blog.csdn.net/RebelHero/article/details/80191133