黑马程序员技术交流社区
标题: 【成都校区】Lucene介绍和入门 [打印本页]
作者: 小蜀哥哥 时间: 2019-8-7 19:23
标题: 【成都校区】Lucene介绍和入门
Lucene简介 Lucene是apache软件基金会4 jakarta项目组的一个子项目，是一个开放源代码的全文检索引擎工具包，但它不是一个完整的全文检索引擎，而是一个全文检索引擎的架构，提供了完整的查询引擎和索引引擎，部分文本分析引擎（英文与德文两种西方语言）。Lucene的目的是为软件开发人员提供一个简单易用的工具包，以方便的在目标系统中实现全文检索的功能，或者是以此为基础建立起完整的全文检索引擎。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源工具。就其本身而言，Lucene是当前以及最近几年最受欢迎的免费Java信息检索程序库。人们经常提到信息检索程序库，虽然与搜索引擎有关，但不应该将信息检索程序库与搜索引擎相混淆。
那么先来说一说什么是全文搜索 说之前先说一说数据的分类：
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。
（1）结构化数据：指具有固定格式或有限长度的数据，如数据库，元数据等。
（2）非结构化数据：指不定长或无固定格式的数据，如邮件，word文档等磁盘上的文件
结构化数据查询方法 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？
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 （1）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。
（2）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，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。
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，比如百度、Google等搜索引擎、论坛站内搜索、电商网站站内搜索等。
Lucene实现全文检索的流程1、绿色表示索引过程，对要搜索的原始内容进行索引构建一个索引库，索引过程包括：
确定原始内容即要搜索的内容→采集文档→创建文档→分析文档→索引文档
2、红色表示搜索过程，从索引库中搜索内容，搜索过程包括：
用户通过搜索界面→创建查询→执行搜索，从索引库搜索→渲染搜索结果
1，创建索引 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。
这里我们要搜索的文档是磁盘上的文本文件，根据案例描述：凡是文件名或文件内容包括关键字的文件都要找出来，这里要对文件名和文件内容创建索引。
1.1.1. 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。
从互联网上、数据库、文件系统中等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。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。
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，也可以通过一些开源软件实现信息采集，如下：
（2）jsoup（http://jsoup.org/ ），jsoup 是一款Java 的HTML解析器，可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的API，可通过DOM，CSS以及类似于jQuery的操作方法来取出和操作数据。 本案例我们要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的文件内容。
1.1.2. 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成一个document，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）
注意：（1）每个Document可以有多个Field
（2）不同的Document可以有不同的Field
（3）同一个Document可以有相同的Field（域名和域值都相同）
（4）每个文档都有一个唯一的编号，就是文档id。
1.1.3. 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。
比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.
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apache和文件内容中包含的apache是不同的term。
1.1.4. 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）。
注意：（1）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。
（2）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。
（3）倒排索引结构是根据内容（词语）找文档
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。
编写创建索引代码
使用indexwriter对象创建索引
具体步骤：
第一步：创建一个indexwriter对象。
1）指定索引库的存放位置Directory对象
2）指定一个分析器，对文档内容进行分析。
第二步：创建document对象。
第三步：创建field对象，将field添加到document对象中。
第四步：使用indexwriter对象将document对象写入索引库，此过程进行索引创建。并将索引和document对象写入索引库。
第五步：关闭IndexWriter对象。
[Java] 纯文本查看 复制代码
//创建索引
2 public void testCreateIndex() throws IOException{
3 //指定索引库的存放位置Directory对象
4 Directory directory = FSDirectory.open(new File("E:\\programme\\test"));
5 //索引库还可以存放到内存中
6 //Directory directory = new RAMDirectory();
7
8 //指定一个标准分析器，对文档内容进行分析
9 Analyzer analyzer = new StandardAnalyzer();
10
11 //创建indexwriterCofig对象
12 //第一个参数： Lucene的版本信息，可以选择对应的lucene版本也可以使用LATEST
13 //第二根参数：分析器对象
14 IndexWriterConfig config = new IndexWriterConfig(Version.LATEST, analyzer);
15
16 //创建一个indexwriter对象
17 IndexWriter indexWriter = new IndexWriter(directory, config);
18
19 //原始文档的路径
20 File file = new File("E:\\programme\\searchsource");
21 File[] fileList = file.listFiles();
22 for (File file2 : fileList) {
23 //创建document对象
24 Document document = new Document();
25
26 //创建field对象，将field添加到document对象中
27
28 //文件名称
29 String fileName = file2.getName();
30 //创建文件名域
31 //第一个参数：域的名称
32 //第二个参数：域的内容
33 //第三个参数：是否存储
34 Field fileNameField = new TextField("fileName", fileName, Store.YES);
35
36 //文件的大小
37 long fileSize = FileUtils.sizeOf(file2);
38 //文件大小域
39 Field fileSizeField = new LongField("fileSize", fileSize, Store.YES);
40
41 //文件路径
42 String filePath = file2.getPath();
43 //文件路径域（不分析、不索引、只存储）
44 Field filePathField = new StoredField("filePath", filePath);
45
46 //文件内容
47 String fileContent = FileUtils.readFileToString(file2);
48 //String fileContent = FileUtils.readFileToString(file2, "utf-8");
49 //文件内容域
50 Field fileContentField = new TextField("fileContent", fileContent, Store.YES);
51
52 document.add(fileNameField);
53 document.add(fileSizeField);
54 document.add(filePathField);
55 document.add(fileContentField);
56 //使用indexwriter对象将document对象写入索引库，此过程进行索引创建。并将索引和document对象写入索引库。
57 indexWriter.addDocument(document);
58 }
59 //关闭IndexWriter对象。
60 indexWriter.close();
61 }
是否分析：是否对域的内容进行分词处理。前提是我们要对域的内容进行查询。
是否索引：将Field分析后的词或整个Field值进行索引，只有索引方可搜索到。
比如：商品名称、商品简介分析后进行索引，订单号、身份证号不用分析但也要索引，这些将来都要作为查询条件。
是否存储：将Field值存储在文档中，存储在文档中的Field才可以从Document中获取
比如：商品名称、订单号，凡是将来要从Document中获取的Field都要存储。
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（这里指磁盘上的文件）。
对要搜索的信息创建Query查询对象，Lucene会根据Query查询对象生成最终的查询语法，类似关系数据库Sql语法一样Lucene也有自己的查询语法，比如：“name:lucene”表示查询Field的name为“lucene”的文档信息。
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。
比如： 百度搜索
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，
例如： 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。
比如搜索语法为“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。
可通过两种方法创建查询对象：
1）使用Lucene提供Query子类
Query是一个抽象类，lucene提供了很多查询对象，比如TermQuery项精确查询，NumericRangeQuery数字范围查询等。
如下代码：
Query query = new TermQuery(new Term("name", "lucene"));
2）使用QueryParse解析查询表达式
QueryParse会将用户输入的查询表达式解析成Query对象实例。
如下代码：
QueryParser queryParser = new QueryParser("name", new IKAnalyzer());
Query query = queryParser.parse("name:lucene");
首先，演示第一种方法，使用query的子类查询
实现步骤
第一步：创建一个Directory对象，也就是索引库存放的位置。
第二步：创建一个indexReader对象，需要指定Directory对象。
第三步：创建一个indexsearcher对象，需要指定IndexReader对象
第四步：创建一个Query的子类对象，指定查询的域和查询的关键词。
第五步：执行查询。
第六步：返回查询结果。遍历查询结果并输出。
第七步：关闭IndexReader对象
MatchAllDocsQuery 使用MatchAllDocsQuery查询索引目录中的所有文档
[Java] 纯文本查看 复制代码
@Test
public void testMatchAllDocsQuery() throws Exception {
//创建一个Directory对象，指定索引库存放的路径
Directory directory = FSDirectory.open(new File("E:\\programme\\test"));
//创建IndexReader对象，需要指定Directory对象
IndexReader indexReader = DirectoryReader.open(directory);
//创建Indexsearcher对象，需要指定IndexReader对象
IndexSearcher indexSearcher = new IndexSearcher(indexReader);
//创建查询条件
//使用MatchAllDocsQuery查询索引目录中的所有文档
Query query = new MatchAllDocsQuery();
//执行查询
//第一个参数是查询对象，第二个参数是查询结果返回的最大值
TopDocs topDocs = indexSearcher.search(query, 10);
//查询结果的总条数
System.out.println("查询结果的总条数："+ topDocs.totalHits);
//遍历查询结果
//topDocs.scoreDocs存储了document对象的id
//ScoreDoc[] scoreDocs = topDocs.scoreDocs;
for (ScoreDoc scoreDoc : topDocs.scoreDocs) {
//scoreDoc.doc属性就是document对象的id
//int doc = scoreDoc.doc;
//根据document的id找到document对象
Document document = indexSearcher.doc(scoreDoc.doc);
//文件名称
System.out.println(document.get("fileName"));
//文件内容
System.out.println(document.get("fileContent"));
//文件大小
System.out.println(document.get("fileSize"));
//文件路径
System.out.println(document.get("filePath"));
System.out.println("----------------------------------");
}
//关闭indexreader对象
indexReader.close();
}
TermQuery，通过项查询，TermQuery不使用分析器所以建议匹配不分词的Field域查询，比如订单号、分类ID号等。
指定要查询的域和要查询的关键词。
[Java] 纯文本查看 复制代码
//搜索索引
2 @Test
3 public void testSearchIndex() throws IOException{
4 //创建一个Directory对象，指定索引库存放的路径
5 Directory directory = FSDirectory.open(new File("E:\\programme\\test"));
6 //创建IndexReader对象，需要指定Directory对象
7 IndexReader indexReader = DirectoryReader.open(directory);
8 //创建Indexsearcher对象，需要指定IndexReader对象
9 IndexSearcher indexSearcher = new IndexSearcher(indexReader);
10 //创建一个TermQuery（精准查询）对象，指定查询的域与查询的关键词
11 //创建查询
12 Query query = new TermQuery(new Term("fileName", "apache"));
13 //执行查询
14 //第一个参数是查询对象，第二个参数是查询结果返回的最大值
15 TopDocs topDocs = indexSearcher.search(query, 10);
16 //查询结果的总条数
17 System.out.println("查询结果的总条数："+ topDocs.totalHits);
18 //遍历查询结果
19 //topDocs.scoreDocs存储了document对象的id
20 //ScoreDoc[] scoreDocs = topDocs.scoreDocs;
21 for (ScoreDoc scoreDoc : topDocs.scoreDocs) {
22 //scoreDoc.doc属性就是document对象的id
23 //int doc = scoreDoc.doc;
24 //根据document的id找到document对象
25 Document document = indexSearcher.doc(scoreDoc.doc);
26 //文件名称
27 System.out.println(document.get("fileName"));
28 //文件内容
29 System.out.println(document.get("fileContent"));
30 //文件大小
31 System.out.println(document.get("fileSize"));
32 //文件路径
33 System.out.println(document.get("filePath"));
34 System.out.println("----------------------------------");
35 }
36 //关闭indexreader对象
37 indexReader.close();
38 }
39 }
可以根据数值范围查询。
[Java] 纯文本查看 复制代码
//数值范围查询
@Test
public void testNumericRangeQuery() throws Exception {
//创建一个Directory对象，指定索引库存放的路径
Directory directory = FSDirectory.open(new File("E:\\programme\\test"));
//创建IndexReader对象，需要指定Directory对象
IndexReader indexReader = DirectoryReader.open(directory);
//创建Indexsearcher对象，需要指定IndexReader对象
IndexSearcher indexSearcher = new IndexSearcher(indexReader);
//创建查询
//参数：
//1.域名
//2.最小值
//3.最大值
//4.是否包含最小值
//5.是否包含最大值
Query query = NumericRangeQuery.newLongRange("fileSize", 41L, 2055L, true, true);
//执行查询
//第一个参数是查询对象，第二个参数是查询结果返回的最大值
TopDocs topDocs = indexSearcher.search(query, 10);
//查询结果的总条数
System.out.println("查询结果的总条数："+ topDocs.totalHits);
//遍历查询结果
//topDocs.scoreDocs存储了document对象的id
//ScoreDoc[] scoreDocs = topDocs.scoreDocs;
for (ScoreDoc scoreDoc : topDocs.scoreDocs) {
//scoreDoc.doc属性就是document对象的id
//int doc = scoreDoc.doc;
//根据document的id找到document对象
Document document = indexSearcher.doc(scoreDoc.doc);
//文件名称
System.out.println(document.get("fileName"));
//文件内容
System.out.println(document.get("fileContent"));
//文件大小
System.out.println(document.get("fileSize"));
//文件路径
System.out.println(document.get("filePath"));
System.out.println("----------------------------------");
}
//关闭indexreader对象
indexReader.close();
}
| 欢迎光临 黑马程序员技术交流社区 (http://bbs.itheima.com/) |
黑马程序员IT技术论坛 X3.2 |