Lucene快速入门第一讲——你总得知道Lucene是个啥？

在本讲中我将会为大家介绍一下Lucene（全文检索技术），现在这个技术用到的比较多，我觉得大家还是应该掌握一下，不说多精通，但是应该有所了解。你要是访问一下Lucene的官网（http://lucene.apache.org/），你就会发现Lucene版本更新的频率令人发指，这也从一方面说明Lucene这个技术还算是蛮火的！今天是2020年1月15号，我访问了一下Lucene的官网，发现它已经更新到Apache Lucene 8.4.1这个版本了，如下图所示。

不过在这儿，我使用的是Apache Lucene 8.4.0这个版本，也算是蛮新的了，它是2019年12月29号发布的，如下图所示。

明确了使用的是哪个版本的Lucene之后，接下来就要介绍一下它了，在介绍它之前，我们先来看一个案例，进而通过该案例引出Lucene这个全文检索技术。

引子（案例）

需求

现在有这样一个需求：实现一个文件的搜索功能，通过关键字搜索文件，凡是文件名或文件内容包括关键字的文件都需要找出来，除此之外，还可以根据中文词语进行查询，并且需要支持多个条件查询。假设本案例中的原始内容就是磁盘上的文件，如下图所示。

需求分析

数据分类

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。

数据库搜索

数据库中的搜索很容易实现，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。为什么数据库搜索很容易呢？因为数据库中的数据存储是有规律的，有行有列而且数据格式、数据长度都是固定的。

非结构化数据查询方法

非结构化数据查询方法有两种，一种是顺序扫描法（Serial Scanning），另外一种是全文检索（Full-text Search）。下面分别对它们进行介绍。

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，如利用windows的搜索也可以搜索文件内容，只是相当的慢。

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。

例如：字典。字典的拼音表和部首检字表就相当于字典的索引，对每一个字的解释是非结构化的，如果字典没有音节表和部首检字表，在茫茫辞海中找一个字只能顺序扫描。然而字的某些信息可以提取出来进行结构化处理，比如读音，它就比较结构化，分声母和韵母，分别只有几种可以一一列举，于是将读音拿出来按一定的顺序排列，每一项读音都指向此字的详细解释的页数。我们搜索时按结构化的拼音搜到读音，然后按其指向的页数，便可找到我们的非结构化数据（也即对字的解释）。

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是非常耗时的（你想啊，字典制作出来那可是相当费时的），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。

如何实现全文检索呢？

上面已经介绍了全文检索是啥，那如何实现全文检索呢？我们可以使用Lucene来实现全文检索。Lucene是apache下的一个开放源代码的全文检索引擎工具包（它提供了许多的jar包，即实现全文检索的类库）。它提供了完整的查询引擎和索引引擎，部分文本分析引擎。Lucene的目的是为软件开发人员提供一个简单易用的工具包，以方便地在目标系统中实现全文检索的功能。

注意：Lucene只是一个引擎，只是一个工具包，如果使用Lucene实现全文检索的功能，那么要记住Lucene是不能单独运行的。

全文检索技术的应用场景

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，所以全文检索技术的应用场景有：

Lucene实现全文检索的流程

索引创建和搜索流程图

其实，索引创建和搜索流程图也可以是下面这样子的。

总结：全文检索过程分为（创建）索引、（索引）搜索两个过程。

创建索引

对文档索引的过程，就是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。这里我们要搜索的文档是磁盘上的文本文件，根据最初的案例描述：凡是文件名或文件内容包括关键字的文件都要找出来，所以我们这里要对文件名和文件内容创建索引。

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。上面已经讲过了，本案例中的原始内容就是磁盘上的文件，如下图所示。

从互联网上、数据库、文件系统中等数据源处获取需要搜索的原始信息，这个过程就是信息采集，信息采集的目的是为了对原始内容进行索引。针对不同的源数据，使用不同的技术进行采集获得原始文档：

1. 针对互联网上的数据，可以使用http协议抓取html网页到本地，进而生成一个html文件；
2. 针对关系型数据库中的数据，可以连接数据库读取表中的数据；
3. 针对文件系统中的数据，可以通过流读取文件系统中的文件。

以上技术中使用第一种较多，因为目前全文检索搜索数据的主要来源是互联网，在Internet上采集信息的软件通常称为爬虫或蜘蛛，也称为网络机器人，爬虫访问互联网上的每一个网页，将获取到的网页内容存储起来，通常搜索引擎会使用一种爬虫程序抓取网页（通过http协议抓取html网页信息）。

但我们要认识到一点，Lucene不提供信息采集的类库，需要自己编写一个爬虫程序实现信息采集，当然了，也可以通过一些开源软件实现信息采集，以下是一些爬虫项目（仅做了解）：

由于本案例中的原始内容就是磁盘上的文件，所以我们要想获取磁盘上文件的内容，可以通过文件流来读取文本文件的内容，对于pdf、doc、xls等文件可通过第三方提供的解析工具读取文件内容，比如Apache POI读取doc和xls等格式的文件内容。

创建文档对象

获取原始内容的目的是为了索引，在索引前需要将原始内容创建成文档（Document），文档中包括一个一个的域（Field），域中存储内容。

这里我们可以将磁盘上的一个文件当作成一个Document，Document中包括一些Field，例如file_name（文件名称）、file_path（文件路径）、file_size（文件大小）、file_content（文件内容）等，如下图所示。

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）。而且，每个文档都有一个唯一的编号，就是文档id。

分析文档

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（没有意义的单词） 等过程生成最终的语汇单元，我们可以将语汇单元理解为一个一个的单词。例如，假设原始文档内容如下：

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.

上边的文档经过分析得出的语汇单元为：

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（同一个域中拆分出来的相同的单词是同一个Term），例如，文件名中包含的apache和文件内容中包含的apache是不同的Term。Term中包含两部分内容，一部分是文档的域名，另一部分是单词的内容。Term有点类似于Map<K, V>，你可以将文档的域名看作是Term中的键，单词的内容看作是Term中的值。

创建索引

对所有文档分析得出的语汇单元进行索引，索引的目的是为了搜索，最终要实现只搜索被索引的语汇单元从而找到Document（文档）。为了方便大家便于了解，我花了很长时间画了下面一个图，相信你看完一定会有很深的体会，也不免我这一良苦用心。

注意：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。而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。

倒排索引结构是根据内容（词语）找文档，如下图所示。

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。

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，从索引库（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（这里指磁盘上的文件）。

用户查询接口

全文检索系统会提供用户搜索的界面以供用户提交搜索的关键字，搜索完成展示搜索结果，就像下面这样。

温馨提示：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。

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。例如，语法fileName:lucene表示要搜索fileName域的内容包含lucene的文档。

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。例如，搜索语法为fileName:lucene表示搜索出fileName域中包含lucene的文档，搜索过程就是在索引上查找域为fileName，并且关键字为lucene的Term，并根据Term找到文档id列表。

或许，下面这张图会看得更清晰一点。

上图中的索引域指的是啥呢？索引域是用于搜索的，搜索程序将从索引域中搜索一个一个词，根据词找到对应的文档。之所以根据词可以找到文档，是因为词是从Document的Field内容中抽取出来的。将Document中的Field的内容进行分词，将分好的词创建索引，索引=Field域名:词（表示从Document中的哪个Field抽取的词）。

渲染结果

以一个友好的界面将查询结果展示给用户，用户根据搜索结果找自己想要的信息，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。