1. 什么是全文检索?
1)结构化数据 ( 有固定类型或者有固定长度的数据)
例如: 数据库中的数据(mysql,oracle等), 元数据(就是windows中的数据)
例如: 数据库中的数据(mysql,oracle等), 元数据(就是windows中的数据)
结构化数据搜索方法:
数据库中数据通过sql语句可以搜索,元数据(windows中的)通过windows提供的搜索栏进行搜索。
2)非结构化数据 (没有固定类型和固定长度的数据)
例如: world文档中的数据, 邮件中的数据。
非结构化数据搜索方法:
Word文档使用ctrl+F来搜索。
顺序扫描法:
Ctrl+F中是使用的顺序扫描法,拿到搜索的关键字,去文档中,逐字匹配,直到找到和关键字一致的内容为止。
优点: 如果文档中存在要找的关键字就一定能找到想要的内容。
缺点: 慢, 效率低。
全文检索算法(倒排索引算法):
将文件中的内容提取出来, 将文字拆封成一个一个的词(分词), 将这些词组成索引(字典中的目录), 搜索的时候先搜索索引,通过索引找文档,这个过程就叫做全文检索。
分词: 去掉停用词(a, an, the ,的, 地, 得, 啊, 嗯 ,呵呵),因为搜索的时候搜索这些词没有意义,将句子拆分成词,去掉标点符号和空格。
优点: 搜索速度快
缺点:因为创建的索引需要占用磁盘空间,所以这个算法会使用掉更多的磁盘空间,这是用空间换时间。
原理:相当于字典,分为目录和正文两部分,查询的时候通过先查目录,然后通过目录上标注的页数去正文页查找需要的内容。
3.什么是Lucene?
Lucene是apache旗下的顶级项目,是一个全文检索工具包。
Lucene就是一个可以创建全文检索引擎系统的一堆jar包.可以使用它来构建全文检索引擎系统,但是它不能独立运。
全文检索引擎系统:放在tomcat下可以独立运行,对外提供全文检索服务。(如:solr)
Lucene应用领域
1. 互联网全文检索引擎(比如百度, 谷歌, 必应)
2. 站内全文检索引擎(淘宝, 京东搜索功能)
3. 优化数据库查询(因为数据库中使用like关键字是全表扫描也就是顺序扫描算法,查询慢)
Lucene下载
官方网站:http://lucene.apache.org/
版本:lucene4.10.3
Jdk要求:1.7以上
3.Lucene结构
索引:
域名:词 (这样的形式)
它里面有指针执行这个词来源的文档
索引库: 放索引的文件夹(这个文件夹可以自己随意创建,在里面放索引就是索引库)
Term词元: 就是一个词, 是lucene中词的最小单位
文档:
Document对象,一个Document中可以有多个Field域对象,Field域对象中是key value键值对的形式:有域名和域值。
一个document就是数据库表中的一条记录, 一个Filed域对象就是数据库表中的一列
这是一个通用的存储结构。
注意:创建索引和搜索时所用的分词器必须一致!
是否分词:
分词的作用是为了索引。
需要分词: 文件名称, 文件内容。
不需要分词: 不需要索引的域不需要分词,还有就是分词后无意义的域不需要分词。
比如: id, 身份证号就不需要分词。
是否索引:
索引的的目的是为了搜索。
需要搜索的域就一定要创建索引,只有创建了索引才能被搜索出来。
不需要搜索的域可以不创建索引。
需要索引: 文件名称, 文件内容, id, 身份证号等。
不需要索引: 比如图片地址不需要创建索引, e:\\xxx.jpg,因为根据图片地址搜索无意义。
是否存储:
存储的目的是为了显示。
是否存储看个人需要,存储就是将内容放入Document文档对象中保存出来,会额外占用磁盘空间, 如果搜索的时候需要马上显示出来可以放入document中也就是要存储,这样查询显示速度快, 如果不是马上立刻需要显示出来,则不需要存储,因为额外占用磁盘空间不划算。
域的各种类型:
注意:lucene底层的算法,钱数是要分词的,因为要根据价钱进行对比。
例如: 根据大于12.5元且小于100元的商品搜索出来。
5.文档更新
更新就是按照传入的Term进行搜索,如果找到结果那么删除,将更新的内容重新生成一个Document对象。如果没有搜索到结果,那么将更新的内容直接添加一个新的Document对象。
6.文档删除
可以根据某个域的内容进行删除。还可以一次删除所有。
7.搜索
TermQuery:
根据词进行搜索(只能从文本中进行搜索)。
QueryParser:
根据域名进行搜索,可以设置默认搜索域,推荐使用. (只能从文本中进行搜索)。
NumericRangeQuery:
从数值范围进行搜索。
BooleanQuery:
组合查询,可以设置组合条件,not and or.从多个域中进行查询。
must相当于and关键字,是并且的意思。
should,相当于or关键字或者的意思。
must_not相当于not关键字, 非的意思。
注意:单独使用must_not 或者 独自使用must_not没有任何意义。
MatchAllDocsQuery:
查询出所有文档。
MultiFieldQueryParser:
可以从多个域中进行查询,只有这些域中有关键词的存在就查询出来。
传送门:Lucene代码实战