文章目录
一、全文检索概述
1. 数据的分类
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,如数据库中的数据。
- 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、html等。
2. 数据的查询
- 结构化数据的查询
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。 - 非结构化数据的查询
-
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。 -
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。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。
-
3. 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:
- 搜索引擎:百度、Google、搜狗等。
- 站内搜索:论坛搜索、微博等。
- 电商搜索:淘宝、京东搜索等。
二、Lucene实现全文检索的流程
Lucene是一个基于Java开发的全文检索工具包。Lucene实现全文检索主要分为两部分:创建索引和查询索引。流程图如下:
1. 创建索引
是对文档索引的过程,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。
1.1 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。
- 搜索引擎:使用爬虫获得原始文档
- 站内搜索:数据库中的数据
- 磁盘上文件的内容:文件IO流读取文本文件的内容
1.2 构建文档对象
对应每个原始文档创建一个Document对象。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),如下图:
【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。
1.3 分析文档(分词)
-
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,分析的过程是经过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(无意义的词)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。
-
例如: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"spring"和文件内容中包含"spring"是不同的Term。
1.4 创建索引
- 对所有文档分析得出的语汇单元进行索引,最终要实现只搜索被索引的语汇单元从而找到Document(文档)。
- 创建索引是对语汇单元索引,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。
- 传统方法是根据文件找到该文件的内容,在文件内容中匹配搜索关键字,这种方法是顺序扫描方法,数据量大、搜索慢。
2. 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。
2.1 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。例如:
-
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。
2.2 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。
- 如:语法
fileName:lucene
表示要搜索Field域的内容为lucene
的文档。
2.3 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。
2.4 渲染结果
- 以一个友好的界面将查询结果展示给用户。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、Lucene入门案例
1. 入门准备
-
Step1:准备原始文档
-
Step2:下载lucene,导入jar包
- lucene-core-7.4.0.jar
- lucene-analyzers-common-7.4.0.jar
- commons-io-2.6.jar
- junit-4.12.jar
2. 创建索引
创建索引的实现步骤及代码实现如下所示:
public class LuceneFirst {
@Test
public void createIndex() throws Exception{
//1、创建一个directory对象,指定索引库保存位置
//把索引库保存在内存中
//Directory directory = new RAMDirectory();
//把索引库保存在磁盘中
Directory directory = FSDirectory.open(new File("D:\\MyExerciseDemo\\lucene_content\\temp_index_directory\\index_first").toPath());
//2、基于directory对象创建一个IndexWriter对象
IndexWriter indexWriter = new IndexWriter(directory, new IndexWriterConfig());
//3、读取磁盘上的文件,对应每个文件创建一个文档对象
File dir = new File("D:\\MyExerciseDemo\\lucene_content\\lucene_project\\lucene_first\\searchsource");
File[] files = dir.listFiles();
for (File f : files){
//取文件名
String fileName = f.getName();
//文件的路径
String filePath = f.getPath();
//文件的内容
String fileContent = FileUtils.readFileToString(f,"utf-8");
//文件的大小
long fileSize = FileUtils.sizeOf(f);
//创建Field
//参数1:域的名称,参数2:域的内容,参数3:是否存储
Field fieldName = new org.apache.lucene.document.TextField("name", fileName, Field.Store.YES);
Field fieldPath = new org.apache.lucene.document.TextField("path", filePath, Field.Store.YES);
Field fieldContent = new org.apache.lucene.document.TextField("content", fileContent, Field.Store.YES);
Field fieldSize = new org.apache.lucene.document.TextField("size", fileSize+"", Field.Store.YES);
//创建文档对象
Document document = new Document();
//4、向文档对象中添加域
document.add(fieldName);
document.add(fieldPath);
document.add(fieldContent);
document.add(fieldSize);
//5、把文档对象写入索引库
indexWriter.addDocument(document);
}
//6、关闭indexwriter对象
indexWriter.close();
}
}
创建索引结果如下:
使用luck查询索引库中的内容,结果如下:
3. 查询索引
查询索引的实现步骤及代码实现如下所示:
public class LuceneFirst {
@Test
public void searchIndex() throws Exception{
//1、创建一个directory对象,指定索引库保存位置
Directory directory = FSDirectory.open(new File("D:\\MyExerciseDemo\\lucene_content\\temp_index_directory\\index_first").toPath());
//2、创建一个IndexReader对象
IndexReader indexReader = DirectoryReader.open(directory);
//3、创建一个IndexSearch对象,构造方法中的参数indexReader对象
IndexSearcher indexSearcher = new IndexSearcher(indexReader);
//4、创建一个Query对象,TermQuery
//参数1:关键词所在域;参数2:关键词
Query query = new TermQuery(new Term("content","spring"));
//5、执行查询,得到一个TopDocs对象
//参数1:查询对象;参数2:查询结果返回的最大记录数
TopDocs topDocs = indexSearcher.search(query, 10);
//6、取查询结果的总记录数
System.out.println("查询总记录数:"+ topDocs.totalHits);
//7、取文档列表
ScoreDoc[] scoreDocs = topDocs.scoreDocs;
//8、打印文档中的内容
for(ScoreDoc doc : scoreDocs){
//取文档ID
int docId = doc.doc;
//根据id取文档对象
Document document = indexSearcher.doc(docId);
System.out.println(document.get("name"));
System.out.println(document.get("path"));
System.out.println(document.get("size"));
//System.out.println(document.get("content"));
System.out.println("----------------------------------");
}
//9、关闭indexReader对象
indexReader.close();
}
}
查询索引结果(一部分)如下: