Lucene学习笔记一

Lucene课件

1.全文检索

1.1常见的全文检索

1. 在window系统中，可以指定磁盘中的某一个位置来搜索你想要得到的东西。这个功能是windows比较常用的功能。在这个界面中能搜索的内容有*.*,*.bat，可以搜索文件中的内容。

 

 

2. 在myeclipse中，点击Help->Help Contents,可以利用搜索功能找到你要查询的帮助文档。

 

 

3. 在myeclipse中，点击Search->File,在Containing text中可以指定要查找的内容，在File name patterns中可以用*.java来表示要查找的内容来自所有java文件，或者*.*表示要查找的文件来自全部的文件。这个功能非常常用。

 

 

4. 在百度和google 中，可以搜索互联网中的信息，有：网页、pdf、word音频、视频等内容。

 

 

5. 在bbs系统中，有搜索文章的功能。

以上的查询功能都相似，都是查询的文本内容，查询方法也相似即找出含有指定字符串的资源。只不过是查询的范围不一样。(硬盘、帮助文件、互联网)

1.2全文检索的概念

1. 从大量的信息中快速、准确地查找出要的信息

2. 搜索的内容是文本信息(不是多媒体)

3. 搜索的方式：不是根据语句的意思进行处理。如果要搜索的文本为”2012年的春晚有赵本山吗”，那么含有这些词(2012年、春晚、赵本山)就能搜索出来。每一个词都是关键词。

4. 全面、快速、准确是衡量全文检索系统的关键指标。

5. 概括：

1. 只处理文本

2. 不处理语义

 

 

 

3. 搜索时英文不区分大小写

4. 结果列表有相关度排序

1.3全文检索的应用场景

1.3.1站内搜索

通常用于在大量数据出现的系统中，找出你想要的资料。常见的有

1. bbs的关键字搜索

baidu贴吧林志玲、胡汉三

2. 商品网站的搜索等

中关村在线商品的名称、电脑硬件名称(CPU)

3. 文件管理系统

对文件的搜索功能。Window的文件搜索

1.3.2垂直搜索

1. 是针对某个行业的搜索引擎

2. 是搜索引擎的细分和延伸

3. 是针对网页库中的专门信息的整合

4. 其特点是专、深、精，并具有行业色彩

5. 可以应用于购物搜索、房产搜索、人才搜索

1.4全文检索与数据库搜索的区别

1.4.1数据库的搜索

类似：select * from 表名where 字段名like ‘%关键字%’

例如：select * from article where content like’%here%’

结果: where here shere

缺点：

1. 搜索效果比较差

2. 在搜索的结果中，有大量的数据被搜索出来，有很多数据是没有用的。

3. 查询速度在大量数据的情况下是很难做到快速的。

1.4.2全文检索

1. 搜索结果按相关度排序：意味着只有前几个页面对于用户来说是比较有用的，其他的结果与用户想要的答案很可能相差甚远。数据库搜索是做不到相关度排序的。

2. 因为全文检索是采用引索的方式，所以在速度上肯定比数据库方式like要快。

3. 所以数据库不能代替全文检索。

1.5Lucene简介

全文检索只是一个概念，而具体实现有很多框架，lucene是其中的一种。Lucene的主页http://lucene.apache.org/。本文用的是3.0.1版本。

2.Lucene大致结构

2.1互联网搜索结构框图

 

 

说明：

1. 当用户打开www.baidu.com网页搜索某些数据的时候，不是直接找的网页，而是找的百度的索引库。索引库里包含的内容有索引号和摘要。当我们打开www.baidu.com时，看到的就是摘要的内容。

2. 百度的索引库的索引和互联网的某一个网站对应。

3. 当用户数据要查询的关键字，返回的页面首先是从索引库中得到的。

4. 点击每一个搜索出来的内容进行相关网页查找，这个时候才找的是互联网中的网页。

2.2lucene的大致结构框图

 

 

说明：

1. 在数据库中，数据库中的数据文件存储在磁盘上。索引库也是同样，索引库中的索引数据也在磁盘上存在，我们用Directory这个类来描述。

2. 我们可以通过API来实现对索引库的增、删、改、查的操作。

3. 在数据库中，各种数据形式都可以概括为一种：表。在索引库中，各种数据形式也可以抽象出一种数据格式为Document。

4. Document的结构为：Document(List<Field>)

5. Field里存放一个键值对。键值对都为字符串的形式。

6. 对索引库中索引的操作实际上也就是对Document的操作。

3.第一个lucene程序

3.1准备lucene的开发环境

搭建lucene的开发环境，要准备lucene的jar包，要加入的jar包至少有：

1. lucene-core-3.1.0.jar (核心包)

2. lucene-analyzers-3.1.0.jar (分词器)

3. lucene-highlighter-3.1.0.jar (高亮器)

4. lucene-memory-3.1.0.jar (高亮器)

3.2建立索引

 

 

3.2.1开发代码

 

 

3.2.2代码说明

步骤：

1. 创建IndexWriter对象

2. 把JavaBean转化为Document

3. 利用IndexWriter.addDocument方法增加索引

4. 关闭资源

3.3搜索

 

 

3.3.1搜索代码

 

 

 

 

3.3.2代码说明

 

步骤：

1. 创建IndexSearch

2. 创建Query对象

3. 进行搜索

4. 获得总结果数和前N行记录ID列表

5. 根据目录ID列表把Document转为为JavaBean并放入集合中。

6. 循环出要检索的内容

3.4例子说明

1. 执行两次建立引索

说明：执行两次同样的JavaBean数据增加的引索都能成功，说明JavaBean中的ID不是唯一确定索引的标示。在lucene中，唯一确定索引的标示(目录ID)是由lucene内部生成的。

2. 在搜索的时候，可以尝试用”Lucene”或者”lucene”来测试，结果是一样的。因为分词器把输入的关键字都变成小写。

3. 在建立索引和搜索索引的时候都用到了分词器。

4. 在索引库中存放的有目录和内容两大类数据。

5. Store这个参数表明是否将内容存放到索引库内容中。

6. Index这个参数表明是否存放关键字到索引目录中。

4.索引库的操作

4.1保持数据库与索引库的同步

 

 

说明：在一个系统中，如果索引功能存在，那么数据库和索引库应该是同时存在的。这个时候需要保证索引库的数据和数据库中的数据保持一致性。可以在对数据库进行增、删、改操作的同时对索引库也进行相应的操作。这样就可以保证数据库与索引库的一致性。

4.2工具类DocumentUtils

 

 

说明：在对索引库进行操作时，增、删、改过程要把一个JavaBean封装成Document，而查询的过程是要把一个Document转化成JavaBean。在进行维护的工作中，要反复进行这样的操作，所以我们有必要建立一个工具类来重用代码。

注：在使用Document的过程中，如图所示：

 

 

 

什么情况下使用Index.NOT_ANALYZED

当这个属性的值代表的是一个不可分割的整体，例如ID

什么情况下使用Index.ANALYZED

当这个属性的值代表的是一个可分割的整体

4.3LuceneConfig

LuceneConfig这个类把Directory和Analyzer进行了包装。因为在创建IndexWriter时，需要用到这两个类，而管理索引库的操作都要用到IndexWriter这个类，所以我们对Directory和Analyzer进行了包装

 

 

4.4管理索引库

4.4.1增加

 

 

说明：在程序的最后必须在finally中写关闭资源的操作。因为这里有IO流的读写操作。

4.4.2删除

 

 

说明：indexWriter.deleteDocuments的参数为Term.Term指关键词。因为ID的索引保存类型为Index.NOT_ANALYZED,因为直接写ID即可。

4.4.3修改

 

 

说明：lucene的更新操作与数据库的更新操作是不一样的。因为在更新的时候，有可能变换了关键字的位置，这样分词器对关键字还得重新查找，而且还得在目录和内容中替换，这样做的效率比较低，所以lucene的更新操作是删除和增加两步骤来完成的。

5.IndexWriter

5.1Hibernate的SessionFactory

说明：在Hibernate中，一般保持一个数据库就只有一个SessionFactory。因为在SessionFactory中维护二级缓存，而SessionFactory又是线程安全的。所以SessionFactory是共享的。

5.2lucene的IndexWriter

说明：如果同时在一个索引库中同时建立两个IndexWriter,例如：

 

 

这样的代码会出现如下异常：

 

 

而lucene的目录结构：

 

会出现write.lock这个文件。因为当一个IndexWriter在进行读索引库操作的时候，lucene会为索引库，以防止其他IndexWriter访问索引库而导致数据不一致，直到IndexWriter关闭为止。

结论：同一个索引库只能有一个IndexWriter进行操作。

5.3封装IndexWriter的类LuceneUtils

 

 

注：这里用单例模式做比较好。

6.索引库的优化

当执行创建索引多次时，索引库的文件如图所示：(索引里内容是一样的)

 

 

从图中可以看出来，每执行一次就生成一个cfs文件。当执行delete操作时，会生成如图所示的结构：

 

 

从图中可以看出来，lucene在执行删除的时候，是先把要删除的元素形成了一个文件del文件，然后再和cfs文件进行整合得出最后结果。

结论：如果增加、删除反复操作很多次，就会造成文件大量增加，这样检索的速度也会下降，所以我们有必要去优化索引结构。使文件的结构发生改变从而提高效率。

6.1手动合并文件

 

 

在执行完上述代码后，索引库的结构为：

 

可以看出把该合并的项都合并了。把del文件彻底全部删除掉了。

6.2自动合并文件

 

 

LuceneUtils.getIndexWriter().setMergeFactor(3)意思为当文件的个数达到3的时候，合并成一个文件。如果没有设置这个值，则使用默认的情况：10

6.3内存索引库

6.3.1特点

 

在内存中开辟一块空间，专门为索引库存放。这样有以下几个特征：

1. 因为索引库在内存中，所以访问速度更快。

2. 在程序退出时，索引库中的文件也相应的消失了。

3. 如果索引库比较大，必须得保证足够多的内存空间。

6.3.2编码

 

 

在执行完这段代码以后，并没有在磁盘上出现索引库。所以单独使用内存索引库没有任何意义。

6.3.3文件索引库与内存索引库的结合

 

 

当应用程序启动的时候，从文件索引库加载文件到内存索引库。应用程序直接与内存索引库交互。当应用程序退出的时候，内存索引库把数据再次保存到文件索引库，完成文件的保存工作。

 

 

说明：

1. Directory ramdirectory = new RAMDirectory(filedirectory);把filedirectory这个索引库加载到ramdirectory内存库中

2. IndexWriter的构造函数：

 

 

True 重新创建一个或者覆盖(选择)

False 追加

7.分词器

7.1英文分词器

步骤：Creates a searcher searching the index in the named directory

1. 切分关键词

Creates

a

searcher

searching

the

index

the

named

directory

2. 去除停用词

停用词：有些词在文本中出现的频率非常高。但对本文的语义产生不了多大的影响。例如英文的a、an、the、of等。或中文的”的、了、呢等”。这样的词称为停用词。停用词经常被过滤掉，不会被进行索引。在检索的过程中，如果用户的查询词中含有停用词，系统会自动过滤掉。停用词可以加快索引的速度，减少索引库文件的大小。

Creates

searcher

searching

index

named

directory

3. 转为小写(搜索时不区分大小写，因为分词器会帮你转化)

creates

searcher

searching

index

named

directory

7.2中文分词器

7.2.1单字分词

 

Analyzer analyzer2 = new ChineseAnalyzer();

把汉字一个字一个字分解出来。效率比较低。

7.2.2二分法分词

Analyzer analyzer3 = new CJKAnalyzer(Version.LUCENE_30);

把相邻的两个字组成词分解出来，效率也比较低。而且很多情况下分的词不对。

7.2.3词库分词(IKAnalyzer)

Analyzer analyzer4 = new IKAnalyzer();

基本上可以把词分出来(经常用的分词器)

7.2.4词库的扩充

 

“传智播客的本拉登被击毙了”分此后的结果为：

传、智、播、客、本拉登、拉登、击毙

 

 

如图：

ext_stopword.dic为停止词的词库，词库里的词都被当作为停止词使用。

IKAnalyzer.cfg.xml为IKAnalyzer的配置文件。

 

 

Key为ext_stopwords 为停止词所在的位置。

Key为ext_dict为配置自己的扩展字典所在的位置。如图所示可以在mydict.dic中添加自己所需要的词。如：”传智播客”

添加完以后分词器分”“传智播客的本拉登被击毙了”结果为：

传智播客、本拉登、拉登、击毙

7.2.5修改LuceneConfig类

 

 

以后用的分词库为IKAnalyzer中文分词库。

8.查询索引库

8.1查询

 

 

 

 

说明：这是QueryParser的继承结构，在这里我们用的是MultiFieldQueryParser.这个类的好处可以选择多个属性进行查询。而QueryParser只能选择一个。

 

8.1.1分页

 

 

说明：

1. 在全文检索系统中，一般查询出来的内容比较多，所以必须将查询出来的内容进行分页处理。

2. 原理同hibernate的分页查询。在hibernate的分页查询中，有两个参数：

int firstResult 当前页的第一行在数据库里的行数

int maxResult 每页显示的页数

3. 返回值不仅包括查询结果，还应该有总记录数，用SearchResult来封装

 

8.1.2搜索方式

 

1. 使用查询字符串

QueryParser->Query对象

可以使用查询条件

“lucene AND 互联网”都出现符合查询条件

“lucene OR 互联网”只要出现其一就符合查询条件

2. 自己创建与配置Query对象

1. 关键词查询(TermQuery)

 

 

注：因为保存引索的时候是通过分词器保存，所以所有的因为在索引

库里都为小写，所以lucene必须得小写，不然查询不到。如果使用

查询字符串进行查询，对应的语法格式为：title:lucene

2. 查询所有文档

 

 

如果使用查询字符串，对应语法：*:*

3. 范围查询

 

 

如果使用查询字符串，

第一个：id:[5 TO 15]

第二个: id:{5 TO 15}

注：在lucene中，处理数字是不能直接写入的，要进行转化。NumberStringTools帮助类给出了转化工具：

 

在工具类DocumentUtils中也做相应的转化：

 

 

 

4. 通配符查询

 

 

如果使用查询字符串：title:lucen?

5. 短语查询

 

 

上面的0代表第0个位置

上面的1代表第3个位置

使用查询字符串：title:"lucene ? ? 互联网"

6. Boolean查询

可以把多个查询条件组合成一个查询条件

 

 

如图为：同时满足title中有lucene关键字和ID为5到15的所有索引数据。不包括5和15

使用查询字符串：+id:{5 TO 15} +title:lucene

注意:

1、单独使用MUST_NOT 没有意义

2、MUST_NOT和MUST_NOT 无意义，检索无结果

3、单独使用SHOULD:结果相当于MUST

4、SHOULD和MUST_NOT: 此时SHOULD相当于MUST,结果同MUST和MUST_NOT

5、MUST和SHOULD:此时SHOULD无意义，结果为MUST子句的检索结果

8.2过滤

 

 

利用indexSearch.search的重载函数的过滤器参数实现对结果的过滤。从这里可以看出这是一个范围过滤器。第二个参数与第三个参数为5,15。但是lucene会把这两个参数当作字符串来对待。所以这样搜索结果为0。

进行如下处理：

 

 

 

凡是数字类型的都必须经过这样的方式进行处理。

 

 

凡是日期类型的都必须经过这样的方式进行处理。这样才能保证结果的正确性。

8.3排序

8.3.1相关度得分

 

实验一：

在索引库中内容完全相同的情况下，用几个关键词搜索，看是否得分相同。

结果：

同一个关键词得分对于所有的Document是一样的。但是不同的关键词的分数不一样。关键词和文本内容匹配越多，得分越高。也就是相关度得分就高

实验二：

再插入一个Document,在其中的content中增加一个关键词，然后保存到索引库中。如图：

 

 

在content中，google的后面又加了一个词”互联网”。然后再进行搜索，这个时候，id为26的被排到了第一位。相关度得分最高。因为其他的Document在content中匹配”互联网”只有一处，而id为26的有两处。

结果：

同一个关键词如果在所有匹配的文本中的相关度得分不一样，按照相关度得分从高到低的顺序排列。

实验三：

如果想从百度上排名第一，就得控制相关度得分。在lucene中，可以人为控制相关度得分。如图：

 

 

利用Document.setBoost可以控制得分。默认值为1

结论：

利用Document.setBoost可以人为控制相关度得分，从而把某一个引索内容排到最前面。

8.3.2按照某个字段进行排序

 

 

 

如图所示的代码，重载了indexSearcher.search方法。在这个方法中，Sort对象就是指定的按照id升序排列。SortField.INT指定了ID的类型。类型不一样，大小的比较就不一样。

 

 

上面代码查询出来以后是按照id的升序排列。

 

 

这个代码为按照id的降序排列。其中最后一个参数为reverse

Reverse为false 升序（默认）

Reverse 为true 降序

注：按照某个字段进行排序与相关度得分没有关系。

8.4高亮

用户在百度的首界面输入要搜索的关键字，比如：林志玲，如图所示：

 

 

从上图可以看出林志玲这个关键词变成了红色，这就是高亮。

8.4.1高亮的作用

1. 使关键字的颜色和其他字的颜色不一样，这样关键字就比较突出。

方法：在关键字周围加上前缀和后缀

<font color=’red’>林志玲</font>

2. 生成摘要(从关键词出现最多的地方截取一段文本)，可以配置要截取文本的字符数量。

8.4.2编程步骤

1. 创建和配置高量器

 

 

一个高亮器的创建需要两个条件：

Formatter 要把关键词显示成什么样子

Scorer 查询条件

Fragmenter设置文本的长度。默认为100。

如果文本的内容长度超过所设定的大小，超过的部分将显示不出来。

2. 使用高亮器

 

 

getBestFragment为得到高亮后的文本。

参数：

1. 分词器。

如果是英文：StandardAnalyzer

如果是中文：IKAnalyzer

2. 在哪个属性上进行高亮

3. 要高亮的内容

9.Lucene的核心API介绍

9.1建立索引的API

5.1.1IndexWriter

1. 利用这个类可以对索引库进行增、删、改操作。

2. 利用构造方法IndexWriter indexWriter = new IndexWriter(directory,LuceneConfig.analyzer,MaxFieldLength.LIMITED)可以构造一个IndexWriter的对象。

3. addDocument 向索引库中添加一个Document

4. updateDocument 更新一个Document

5. deleteDocuments 删除一个Document

5.1.2 Directory

指向索引库的位置，有两种Directory

5.1.2.1FSDirectory

1. 通过FSDirectory.open(new File("./indexDir"))建立一个indexDir的文件夹，而这个文件夹就是索引库存放的位置。

2. 通过这种方法建立索引库时如果indexDire文件夹不存在，程序将自动创建一个，如果存在就用原来的这个。

3. 通过这个类可以知道所建立的索引库在磁盘上，能永久性的保存数据。这是优点

4. 缺点为因为程序要访问磁盘上的数据，这个操作可能引发大量的IO操作，会降低性能。

5.1.2.2RAMDirectory

1. 通过构造函数的形式Directory ramdirectory = new RAMDirectory(fsdirectory)可以建立RAMDirectory。

2. 这种方法建立的索引库会在内存中开辟一定的空间，通过构造函数的形式把fsdirectory移动到内存中。

3. 这种方法索引库中的数据是暂时的，只要内存的数据消失，这个索引库就跟着消失了。

4. 因为程序是在内存中跟索引库交互，所以利用这种方法创建的索引的好处就在效率比较高，访问速度比较快。

5.1.3 Document

1. 通过无参的构造函数可以创建一个Document对象。Document doc = new Document();

2. 一个Directory是由很多Document组成的。用户从客户端输入的要搜索的关键内容被服务器端包装成JavaBean，然后再转化为Document。这个转化过程的代码如下：

 

 

5.1.4 Field

1. Field相当于JavaBean的属性。

2. Field的用法为：

new Field("title",article.getTitle(),Store.YES,Index.ANALYZED)

1. 第一个参数为属性

2. 第二个参数为属性值

3. 第三个参数为是否往索引库里存储

4. 第四个参数为是否更新引索

1. NO 不进行引索

2. ANALYZED 进行分词引索

3. NOT_ANALYZED 进行引索，把整个输入作为一个词对待。

5.1.5 MaxFieldLength

1. 能存储的最大长度

2. 在IndexWriter的构造方法里使用

3. 值为：

1. LIMITED 限制的最大长度值为10000

2. UNLIMITED 没有限制的最大长度(一般不使用)

转载于:https://www.cnblogs.com/biaogejiushibiao/p/10314119.html