搜索引擎Lucene（6）：查询结果高亮及词频提取

1、结果高亮

Lucene对高亮显示提供 了两种实现模式，Highlighter和FastVectorHighlighter。FastVectorHighlighter速度快，功能更完美。但其是有一定条件的，在使用FastVectorHighlighter创建索引时，需要存储Field分词信息（TermVector.WITH_POSITIONS_OFFSETS），而Highlighter是不需要这个前提条件的。

高亮显示处理流程图：

处理流程.png

（1）、获取原始文档，需在生成索引时设置Store.YES属性，且若在索引域中指定TermVector.WITH_POSITIONS_OFFSETS属性，则能大大加速获取过程。同时lucene提供TokenSources类，若创建索引时已存在Store.YES信息，则可以直接获取到文档的TokenStream信息；若不存在，则需要通过Analyzer去获取实现。

（2）、利用Fragmenter对文档信息进行切分处理。这个过程也非常重要，因为通过Fragmenter处理，可将原文档中冗余的信息过滤，从而选择需要的内容，进行后续的操作。

（3）、Lucene提供QueryScorer和SpanScorer类来对每一个切片进行评分，以便选出最符合搜索条件的文档内容。

（4）、将最后选定的文档内容进行编码处理。

（5）、对编码后的文档进行格式化处理，包括加粗、改变现实字体颜色等。

（6）、对修改完成的内容进行编译，就能完成高亮显示文本输出。

高亮显示代码示例：

public class HighlighterSearcher {
    public static void search(String indexDir, String q) throws IOException, ParseException {
        // 得到读取索引文件的路径
        Directory dir = FSDirectory.open(Paths.get(indexDir));
        // 通过Dir得到路径下所有文件
        IndexReader reader = DirectoryReader.open(dir);
        // 建立索引查询器
        IndexSearcher searcher = new IndexSearcher(reader);
        // 实例化分析器
        Analyzer analyzer = new StandardAnalyzer();

        /********建立查询解析器********/

        // 第一个参数是要查询的字段； 第二个参数市分析器Analyzer
        TermQuery query = new TermQuery(new Term("name", q));


        Scorer scorer = new QueryScorer(query);
        SimpleHTMLFormatter formatter = new SimpleHTMLFormatter("<span class=\"highlight\">", "</span>");
        Highlighter high = new Highlighter(formatter, scorer);


        long start = System.currentTimeMillis();

        /********开始查询********/

        // 第一个参数是通过传过来的参数来查找得到的query； 第二个参数是要查询出的行数
        TopDocs hits = searcher.search(query, 10);
        // 计算索引结束时间
        long end = System.currentTimeMillis();
        System.out.println("匹配 " + q + "，查询到 " + hits.totalHits + " 个记录， 用时：" + (end - start));

        // 遍历hits.scoreDocs，得到scoreDoc
        // scoreDoc：得分文档，即得到的文档  scoreDocs：代表topDocs这个文档数组
        for (ScoreDoc scoreDoc : hits.scoreDocs) {
            Document doc = searcher.doc(scoreDoc.doc);
            try {
                TokenStream tokenStream = new CJKAnalyzer().tokenStream("name", new StringReader(doc.get("name")));
                System.out.println(high.getBestFragment(tokenStream, doc.get("name")));
            } catch (Exception e) {
                e.printStackTrace();
            }
        }
        //关闭reader
        reader.close();
    }
}

输出结果示例：

匹配 lucene，查询到 8 hits 个记录， 用时：56
<span class="highlight">Lucene</span>
<span class="highlight">Lucene</span> 实战(第2版).pdf
《从<span class="highlight">Lucene</span>到Elasticsearch 全文检索实战》.pdf
《从<span class="highlight">Lucene</span>到Elasticsearch 全文检索实战》.pdf
<span class="highlight">Lucene</span>搜索引擎开发权威经典.pdf
从<span class="highlight">Lucene</span>到Elasticsearch：全文检索实战@www.java1234.com.pdf
<span class="highlight">Lucene</span>搜索引擎开发进阶实战www.java1234.com.pdf
解密搜索引擎技术实战  <span class="highlight">LUCENE</span> &amp; JAVA精华版  第3版@www.java1234.com.pdf

2、词频统计

词频统计（TF），就是在一个给定的文本、文档或者词库中，给定的一个关键词在该文本、文档或者词库中出现的次数。词频统计，就是针对这些关键词出现的次数，按照不同的统计方法，进行一个有效的统计。

2.1、域值排序

域值排序即为按照权重排序，权重值越大，其匹配程度越高，排序就靠前。域值排序需要使用search(Query,Filter,Sort)方法，若排序后不需要过滤结果，可将Filter设置为null。通常，接受Sort对象参数的Search方法不会对匹配文档进行评分，因此在实现search的过程中，综合考虑通过域值排序无需就行评分操作。而且评分操作会造成系统性能大量损耗。

2.2、索引顺序排序

如果需要实现索引顺序排序，可以借助searcher方法中的Sort.INDEXORDER作为参数来实现。对于按照索引顺序排序的搜索结果，文档顺序一旦建立就不会改变了，如果重新更新索引文档，之前的索引就失效了，新的文档会生成新的id,然后重新排序。所以，在实际的程序应用中，这种操作的可行性不高，意义不大，因此也很少被采用。在程序开发中若没有选择任何排序方式，则Lucene会根据文档的评分来完成排序工作，其实评分排序是Lucene默认的排序方式。

2.3、相关性排序

按照相关程度对结果进行的降序排列，也可称为默认评分排序。即按照关键字与搜索的内容匹配或意思符合程度高低进行排序。当然，相关性排序也可以按照升序排序，但是应用不多，因此很少被提及。相关性排序是通过将 Sort 对象参数设为 null ，然后传递给相关方法或者使用默认排序方法来实现的。每种调用方法都会返回默认评分的排序结果。由于我们在使用 Sort 对象时会产生额外的开销，所以要尽可能地使用 search ( Query , int ）方法来达到排序的目的。

2.4、词频率排序

根据词出现的频率进行排序，有点类似域值排序，需要引入计数来根据关键词（字）在被搜索内容（句子、文本或文章）中出现的频率（次数）进行统计，然后根据统计出来的重复率按由高到低的顺序来进行排序，这时就关联上了相关性排序，更多与关键字相关的内容排在了最前面。因此，根据词频率的排序，就像是综合了域排序和相关性排序的方法，对关键字搜索结果进行优化后显示出来的。