lucene全文检索

一、什么是全文检索

1.1 数据分类

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。

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

1.2 结构化数据搜索

        常见的结构化数据也就是数据库中的数据。在数据库中搜索很容易实现，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。

1.3 非结构化数据查询方法

1.3.1 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。

1.3.2 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。

1.4 如何实现全文检索

        可以使用Lucene实现全文检索。 Lucene是apache下的一个开放源代码的全文检索引擎工具包。提供了完整的查询引擎和索引引擎，部分文本分析引擎。Lucene的目的是为软件开发人员提供一个简单易用的工具包，以方便的在目标系统中实现全文检索的功能。

1.5 全文检索的应用场景

        对于数据量大、数据结构不固定的数据可采用全文检索方式搜索，比如百度、Google等搜索引擎、论坛站内搜索、电商网站站内搜索等。

二、Lucene实现全文检索的流程

2.1 索引和搜索流程图

 

        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，索引过程包括：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

        

        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

2.2 创建索引

        对文档索引的过程，将用户要搜索的文档内容进行索引，索引存储在索引库（index）中。这里我们要搜索的文档是磁盘上的文本文件，根据案例描述：凡是文件名或文件内容包括关键字的文件都要找出来，这里要对文件名和文件内容创建索引。

2.2.1 获得原始文档

        原始文档是指要索引和搜索的内容。原始内容包括互联网上的网页、数据库中的数据、磁盘上的文件等。

        从互联网上、数据库、文件系统中等获取需要搜索的原始信息，这个过程就是信息采集，信息采集的目的是为了对原始内容进行索引。

        在Internet上采集信息的软件通常称为爬虫或蜘蛛，也称为网络机器人，爬虫访问互联网上的每一个网页，将获取到的网页内容存储起来。

2.2.2 创建文档对象

        获取原始内容的目的是为了索引，在索引前需要将原始内容创建成文档（Document），文档中包括一个一个的域（Field），域中存储内容。

        这里我们可以将磁盘上的一个文件当成一个document，Document中包括一些Field（file_name文件名称、file_path文件路径、file_size文件大小、file_content文件内容）

        文档对象的结构如下：

             

        注意：每个Document可以有多个Field，不同的Document可以有不同的Field，同一个Document可以有相同的Field（域名和域值都相同）

        每个文档都有一个唯一的编号，就是文档id。

2.2.3 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。

        比如下边的文档经过分析如下：

        原文档内容：

        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，另一部分是单词的内容。

        例如：文件名中包含apache和文件内容中包含的apache是不同的term。

2.2.4 创建索引

        对所有文档分析得出的语汇单元进行索引，索引的目的是为了搜索，最终要实现只搜索被索引的语汇单元从而找到Document（文档）。

        注意：创建索引是对通过词语找文档，这种索引的结构叫倒排索引结构。

        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。

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）。

2.3.1 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。

2.3.2 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，

2.3.3 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。

2.3.4 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。

三、配置开发环境

3.1 Lucene下载

        Lucene是开发全文检索功能的工具包，从官方网站下载lucene-7.4.0，并解压。

3.2 使用的jar包

        lucene-core-7.4.0.jar

        lucene-analyzers-common-7.4.0.jar

四、入门程序

4.1 需求

        实现一个文件的搜索功能，通过关键字搜索文件，凡是文件名或文件内容包括关键字的文件都需要找出来。还可以根据中文词语进行查询，并且需要支持多个条件查询。

4.2 创建索引

4.2.1 实现步骤

        第一步：创建一个java工程，并导入jar包。

        第二步：创建一个indexwriter对象。

                            1. 指定索引库的存放位置Directory对象

                            2. 指定一个IndexWriterConfig对象。

        第三步：创建document对象。

        第四步：创建field对象，将field添加到document对象中。

        第五步：使用indexwriter对象将document对象写入索引库，此过程进行索引创建。并将索引和document对象写入索引库。

        第六步：关闭IndexWriter对象。

4.2.2 代码实现

 

 

4.2.3 使用Luke工具查看索引文件

4.3 查询索引

4.3.1 实现步骤

        第一步：创建一个Directory对象，也就是索引库存放的位置。

        第二步：创建一个indexReader对象，需要指定Directory对象。

        第三步：创建一个indexsearcher对象，需要指定IndexReader对象

        第四步：创建一个TermQuery对象，指定查询的域和查询的关键词。

        第五步：执行查询。

        第六步：返回查询结果。遍历查询结果并输出。

        第七步：关闭IndexReader对象

4.3.2 代码实现

 

五、分析器

5.1 中文分析器IKAnalyzer

5.1.1 使用方法：

            第一步：把jar包添加到工程中

            第二步：把配置文件和扩展词典和停用词词典添加到classpath下

            注意：hotword.dic和ext_stopword.dic文件的格式为UTF-8，注意是无BOM 的UTF-8 编码。也就是说禁止使用windows记事本编辑扩展词典文件

5.1.2 代码实现：

 

六、索引库的维护

6.1 索引库的添加

6.1.1 Field域的属性

        是否分析：是否对域的内容进行分词处理。前提是我们要对域的内容进行查询。

        是否索引：将Field分析后的词或整个Field值进行索引，只有索引方可搜索到。

比如：商品名称、商品简介分析后进行索引，订单号、身份证号不用分析但也要索引，这些将来都要作为查询条件。

        是否存储：将Field值存储在文档中，存储在文档中的Field才可以从Document中获取，比如：商品名称、订单号，凡是将来要从Document中获取的Field都要存储。是否存储的标准：是否要将内容展示给用户

         

6.1.2 添加文档代码实现

 

6.2 索引库删除

6.2.1 删除全部

 

说明：将索引目录的索引信息全部删除，直接彻底删除，无法恢复。

6.2.2 指定查询条件删除

 

6.3 索引库的修改

 

七、Lucene索引库查询

        对要搜索的信息创建Query查询对象，Lucene会根据Query查询对象生成最终的查询语法，类似关系数据库Sql语法一样Lucene也有自己的查询语法

        比如：“name:lucene”表示查询Field的name为“lucene”的文档信息。

        可通过两种方法创建查询对象：

             1）使用Lucene提供的Query子类

             2）使用QueryParse解析查询表达式

7.1 TermQuery

        TermQuery不使用分析器所以建议匹配不分词的Field域查询，比如订单号、分类ID号等。指定要查询的域和要查询的关键词。

 

7.2 数值范围查询

 

7.3 使用queryparser查询

        通过QueryParser也可以创建Query，QueryParser提供一个Parse方法，此方法可以直接根据查询语法来查询。

        Query对象执行的查询语法可通过System.out.println(query);查询。需要使用到分析器。建议创建索引时使用的分析器和查询索引时使用的分析器要一致。

        需要加入queryParser依赖的jar包。