初始lucene

什么是lucene

lucene是一个基于java的全文检索库
基于java，是因为它本身就是用java写的，并不是独立运行的产品
全文检索：全文检索（Full-text Search)是指先建立索引，再对索引进行搜索的过程称为全
文检索。

数据的分类

　　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。
　　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

对非结构化数据的检索，lucene也是采用先建立索引，在根据索引进行检索的，我们也称之为全文检索

非结构化（全文检索）查询方法

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

倒排索引算法（全文检索算法）
描述:把数据库中的所有内容查询出来，然后进行切分词， 分词组成索引（目录）,把查询出来的内容存入文档中，索引和文档组成索引库。 在检索时，先找到索引，索引与文档之间有联系， 能快速确定文档，返回数据.这就是倒排索引算法。

全文检索(Full-text Search)(倒叙扫描法)

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执行原理

索引的创建的过程

获取原始内容–>创建文档–>分析文档–>索引文档

1.获取原始内容

直白点说，原始内容就是数据库中的内容,数据库中，每一“条”记录就是一个文档

2.创建文档

创建文档的目的是为了创建索引，创建索引之前，我们需要先获得文档，文档中含有很多的
域“field”,每个域对应数据库中一个表中的一行数据的某一个列。一个域中含有key(字段名)，value(值)，也就是键值对

3.分析文档

将原始内容创建为包含域（Field）的文档（document），需要再对域中的内容进行分
析，分析的过程是经过对原始文档提取单词、将字母转为小写、去除标点符号、去除停用词
等过程生成最终的语汇单元，可以将语汇单元理解为一个一个的单词。
Lucene is a Java full-text search engine.  Lucene is not a complete
application, but rather a code library and API that can easily be 
used
to add search capabilities to applications.
　分析后得到的语汇单元：
lucene、java、full、search、engine。。。。
每个单词叫做一个Term，不同的域中拆分出来的相同的单词是不同的term。term中包
含两部分一部分是文档的域名(或者说是key)，另一部分是单词的内容(是一个单词，不是value)。

4.创建索引

将所有的词汇单元（term）创建成索引，最后通过这些索引，查找对应的文档，继而得到数据，
注意：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。

2.3 查询索引

查询索引也是搜索的过程。搜索就是用户输入关键字，从索引（index）中进行搜索的过程。根据关键字搜索索引，根据索引找到对应的文档，从而找到要搜索的内容（这里指磁盘上的文件）。

1） 用户查询接口

全文检索系统提供用户搜索的界面供用户提交搜索的关键字，搜索完成展示搜索结果。

Lucene不提供制作用户搜索界面的功能，需要根据自己的需求开发搜索界面。

2） 创建查询

用户输入查询关键字执行搜索之前需要先构建一个查询对象，查询对象中可以指定查询要搜索的Field文档域、查询关键字等，查询对象会生成具体的查询语法，

例如：　　语法 “fileName:lucene”表示要搜索Field域的内容为“lucene”的文档

3） 执行查询

搜索索引过程：

根据查询语法在倒排索引词典表中分别找出对应搜索词的索引，从而找到索引所链接的文档链表。

比如搜索语法为“fileName:lucene”表示搜索出fileName域中包含Lucene的文档。

搜索过程就是在索引上查找域为fileName，并且关键字为Lucene的term，并根据term找到文档id列表。

4） 渲染结果

以一个友好的界面将查询结果展示给用户，用户根据搜索结果找自己想要的信息，为了帮助用户很快找到自己的结果，提供了很多展示的效果，比如搜索结果中将关键字高亮显示，百度提供的快照等。