Lucene—全文检索工具包

一、Lucene简介

Lucene是Apache Jakarta家族中的⼀个开源项目，是⼀个开放源代码的全文检索引擎工具包，但它不是⼀个
完整的 全文检索引擎，而是⼀个全文检索引擎的架构，提供了完整的查询引擎、索引引擎和部分文本分析引擎。
Lucene提供了⼀个简单却强大的应用程式接口，能够做全文索引和搜寻。在Java开发环境⾥Lucene是⼀个成熟的免费开源工具，是⽬前最为流行的基于 Java 开源全文检索工具包。

• 数据总体分为两种：
  • 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：指不定⻓或⽆固定格式的数据，如邮件、word⽂档等磁盘上的⽂件
• 对于结构化数据的全文搜索很简单，因为数据都是有固定格式的，例如搜索数据库中数据使用SQL语句即可
• 对于非结构化数据，有以下两种⽅法：
  • 顺序扫描法(Serial Scanning)
  • 全文检索(Full-text Search)

顺序扫描法：如果要找包含某⼀特定内容的⽂件，对于每⼀个文档，从头到尾扫描内容，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，因此速度很慢。

全文检索：将非结构化数据中的⼀部分信息提取出来，重新组织，使其变得具有⼀定结构，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

二、Lucene全文检索流程

2.1 创建索引

• 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

• 创建文档对象