全文索引其实贯穿于信息处理和Web子系统中,并不是只用于信息处理模块。前者负责读取文档,过滤信息,构造索引;后者,读取索引,利用算法进行相关性评价计算。
可以说,搜索引擎的核心就是全文索引。
目前使用较多的两种全文索引方式分别是:1.数据库做全文索引 2.索引文件
前者,有最为出名的,是使用C++编写的Sphinx;后者,有Java开源全文索引的老大--Lucene。
Sphinx是一个基于SQL的全文搜索引擎,且针对PHP、Python等脚本语言预留了接口。sphinx本身不支持中文分词,对分词库的支持较差。
而Lucene则更为强大,首先,是Java语言编写的,整合起来很方便。基于Lucene的优秀开源项目有Nutch、Solr、elasticsearch(前身是Compass),其中Solr、elasticsearch都支持分布式。另外,Lucene对分词器的支持更好,自己也是发展了近10年的项目,有保障。
纯粹比较搜索速度,Sphinx是比Lucene快的。但是,Sphinx貌似不再支持实时更新索引,增量索引也更容易出现问题。所以Sphinx适用于准实时搜索,Lucene适用于实时搜索。
由于可能需要解析各类文档,且本人对Java更家熟悉,Lucene无疑是一个更好的选择。至于Solr、elasticsearch哪个好,就见仁见义了。后者更符合潮流,REST的接口,Web管理界面都是记好的。前者紧跟Lucene步伐,基本上可以用最新的特性,对于分词器之类的配置比较方便,还能直接索引MySQl和通过ODBC索引其余数据库。
在本文中,并没有考虑分布式的问题,所以直接采用了Lucene进行开发。
Lucene在我写博客的时候已经进入5.X时代,我刚开始研究的时候,貌似最新的是4.10。还是出于安全考虑,使用了低版本的4.7,更容易上手,有相关博客的教程。