Reference
Lucene简介
什么是Lucene
全文搜索框架,建立Index,搜索Document
Lucene可以做什么
lucene提供的服务实际包含两部分:一入一出。所谓入是写入,即将你提供的源(本质是字符串)写入索引或者将其从索引中删除;所谓出是读出,即向用户提供全文搜索服务,让用户可以通过关键词定位源。
写入流程
- 源字符串首先经过analyzer处理,包括:分词,分成一个个单词;去除stopword(可选)。
- 将源中需要的信息加入Document的各个Field中,并把需要索引的Field索引起来,把需要存储的Field存储起来。
- 将索引写入存储器,存储器可以是内存或磁盘。
读出流程
- 用户提供搜索关键词,经过analyzer处理。
- 对处理后的关键词搜索索引找出对应的Document。
- 用户根据需要从找到的Document中提取需要的Field。
基础概念
analyzer
- 分析器
- 作用:一个字符串按某种规则划分成一个个词语,并去除其中的无效词语
- 分词的目的:按语义划分
term、tocken、document、field
document:文本文件、字符串或者数据库表的一条记录等等
Field:
- 一个document可以包含多个信息域,例如一篇文章可以包含“标题”、“正文”、“最后修改时间”等信息域,这些信息域就是通过Field在document中存储的
- Field有两个属性可选:存储和索引。通过存储属性你可以控制是否对这个Field进行存储;通过索引属性你可以控制是否对该Field进行索引。这看起来似乎有些废话,事实上对这两个属性的正确组合很重要,下面举例说明。
- 还是以刚才的文章为例子,
- 我们需要对标题和正文进行全文搜索,所以我们要把索引属性设置为真,同时我们希望能直接从搜索结果中提取文章标题,所以我们把标题域的存储属性设置为真;
- 但是由于正文域太大了,我们为了缩小索引文件大小,将正文域的存储属性设置为假,当需要时再直接读取文件;
- 我们只是希望能从搜索解果中提取最后修改时间,不需要对它进行搜索,所以我们把最后修改时间域的存储属性设置为真,索引属性设置为假
上面的三个域涵盖了两个属性的三种组合,还有一种全为假的没有用到,事实上Field不允许你那么设置,因为既不存储又不索引的域是没有意义的。
term: term是搜索的最小单位,它表示文档的一个词语,term由两部分组成:它表示的词语和这个词语所出现的field。
tocken: tocken是term的一次出现,它包含trem文本和相应的起止偏移,以及一个类型字符串。一句话中可以出现多次相同的词语,它们都用同一个term表示,但是用不同的tocken,每个tocken标记该词语出现的地方。
segment: 添加索引时并不是每个document都马上添加到同一个索引文件,它们首先被写入到不同的小文件,然后再合并成一个大索引文件,这里每个小文件都是一个segment。
模块分析
org.apache.lucene.demo
- IndexFiles.java: 创建索引
- SearchFiles.java: 根据索引寻找文件
org.apache.lucene.analysis
- 分列? 分词? 分析!(Parsing? Tokenizer?Analysis)
- Lucene 只 接受纯文本(plain text input).
- 字符串(Reader) -> 单词(tokens)
示例代码
建立索引
IndexWriter writer = new IndexWriter(“/data/index/”, new StandardAnalyzer(), true);
Document doc = new Document();
doc.add(new Field("title", "lucene introduction", Field.Store.YES, Field.Index.TOKENIZED));
doc.add(new Field("content", "lucene works well", Field.Store.YES, Field.Index.TOKENIZED));
writer.addDocument(doc);
writer.optimize();
writer.close();
下面我们分析一下这段代码。
首先我们创建了一个writer,并指定存放索引的目录为“/data/index”,使用的分析器为StandardAnalyzer,第三个参数说明如果已经有索引文件在索引目录下,我们将覆盖它们。
然后我们新建一个document。我们向document添加一个field,名字是“title”,内容是“lucene introduction”,对它进行存储并索引。再添加一个名字是“content”的field,内容是“lucene works well”,也是存储并索引。
然后我们将这个文档添加到索引中,如果有多个文档,可以重复上面的操作,创建document并添加。
添加完所有document,我们对索引进行优化,优化主要是将多个segment合并到一个,有利于提高索引速度。随后将writer关闭,这点很重要。
索引文本文件
Field field = new Field("content", new FileReader(file));
More….
下一节将进行示例的代码编写