一、搜索技术理论基础
为了解决数据库压力和速度的问题,我们的数据库就变成了索引库,我们使用Lucene的API的来操作服
务器上的索引库。这样完全和数据库进行了隔离。
二、数据查询方法
1、顺序扫描法
算法描述:
所谓顺序扫描,例如要找内容包含一个字符串的文件,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。
优点:
查询准确率高
缺点:
查询速度会随着查询数据量的增大, 越来越慢
使用场景:
数据库中的like关键字模糊查询、文本编辑器的Ctrl + F 查询功能
2、倒排索引 也叫全文检索算法
Lucene会对文档建立倒排索引
1、 提取资源中关键信息, 建立索引 (目录)
2、 搜索时,根据关键字(目录),找到资源的位置
算法描述:
查询前会先将查询的原始文本信息提取组成文档(正文), 对文档进行切分词组成索引(目录), 索引和文档有关联关系, 查询的时候先查询索引, 通过索引找文档的这个过程叫做全文检索。
为什么倒排索引比顺序扫描快?
理解 : 因为索引可以去掉重复的词, 汉语常用的字和词大概等于 字典加词典, 常用的英文在牛津词典也有收录.如果用计算机的速度查询, 字典+词典+牛津词典 这些内容是非常快的. 但是用这些字典、词典组成的文章却是千千万万不计其数;索引的大小最多也就是字典+词典. 所以通过查询索引, 再通过索引和文档的关联关系找到文档速度比较快.。
顺序扫描法则是直接去逐个查询那些不计其数的文章,计算的速度也会很慢。
三、Lucene介绍
1、什么是全文检索
计算机索引程序通过扫描文章中的每一个词,对每一个词建立一个索引,指明该词在文章中出现的次数和位置。当用户查询时,检索程序就根据事先建立的索引进行查找,并将查找的结果反馈给用户的检索方式
2、什么是Lucene
目前已经有很多应用程序的搜索功能是基于 Lucene 的,比如 Eclipse 的帮助系统的搜索功能。Lucene能够为文本类型的数据建立索引,所以你只要能把你要索引的数据格式转化的文本的,Lucene 就能对你的文档进行索引和搜索。比如你要对一些 HTML 文档、PDF 文档进行索引的话,你就首先需要把HTML 文档和 PDF 文档转化成文本格式的,然后将转化后的内容交给 Lucene 进行索引,然后把创建好的索引文件保存到磁盘或者内存中,最后根据用户输入的查询条件在索引文件上进行查询。不指定要索引的文档的格式也使 Lucene 能够几乎适用于所有的搜索应用程序。
- Lucene是一套用于全文检索和搜寻的开源程式库,由Apache软件基金会支持和提供
- Lucene提供了一个简单却强大的应用程式接口,能够做全文索引和搜寻, 在Java开发环境里
- Lucene是一个成熟的免费开放源代码工具
- Lucene并不是现成的搜索引擎产品,但可以用来制作搜索引擎产品
四、Lucene全文检索的流程
1、索引和搜索流程图
(1)索引流程
索引库:Lucene的索引库(index);
若想从索引库中搜索数据,先要进行索引,怎么进行索引呢?
原始文档:可能是数据库,也可能是文本文档,或者来源于互联网;
第三步分拆文档,也就是切分词,把文档当中的一句一句话切分成一个一个词,把切分出来的词作为目录,也就是做成索引;
索引跟文档存在关联关系;把这些内容写入到lucene的索引库中;
(2)搜索流程
通过lucene的查询语法,从索引库中查询,返回结果给我们的项目;
在搜索之前,已经把数据存入索引库(index)中
2、索引流程详解
(1)创建文档
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成一个Document。Document中包括一些Field,如下图:
- 每个文档可以代表一篇文章或者数据库中一条数据;
- Lucene会为每个文档分配一个唯一ID;
- 文档中存在Field域,是 key : value 的形式。key称为域名,后面存储的value称为域值
我们创建索引后,索引跟文档如何建立关联关系? --> 索引会记录文档编号。
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)
3、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,分析成为一个一个的单词。
比如下边的文档经过分析如下:
原文档内容:
vivo X23 8GB+128GB 幻夜蓝 全网通4G手机
华为 HUAWEI 麦芒7 6G+64G 亮黑色 全网通4G手机
分析后得到的词:
vivo, x23, 8GB, 128GB, 幻夜, 幻夜蓝, 全网, 全网通, 网通, 4G, 手机, 华为, HUAWEI, 麦芒7。。。。
切分后得到的词用来做成索引(目录)。
4、索引文档
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)。
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。
倒排索引结构是根据内容(词汇)找文档,如下图:
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。
5、Lucene底层存储结构
把所有数据组成文档集合,把文档数据(域值)提取出来,进行切分词操作,词组成关键字目录(索引),关键字索引和Lucene给每个文档分配的Document ID有一个关联关系;查询的时候,先查询词(关键字),通过词找到文档号,再通过文档号搜索到具体的文档,很快提取出正文内容并展示。