其他分享
首页 > 其他分享> > Lucence

Lucence

作者:互联网

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

  索引和搜索流程图

  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

 

  接下来详细讲解一下这张图片: 

 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:

         (1)Nutch(http://lucene.apache.org/nutch), Nutch是apache的一个子项目,包括大规模爬虫工具,能够抓取和分辨web网站数据。

         (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。

         (3)heritrix(http://sourceforge.net/projects/archive-crawler/files/),Heritrix 是一个由 java 开发的、开源的网络爬虫,用户可以使用它来从网上抓取想要的资源。其最出色之处在于它良好的可扩展性,方便用户实现自己的抓取逻辑。

 

  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),如下图:

 

  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,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。

 

 

查询语法

  1、基础的查询语法,关键词查询:

    域名+“:”+搜索的关键字

    例如:content:java

  2、范围查询

    域名+“:”+[最小值 TO 最大值]

    例如:size:[1 TO 1000]

    范围查询在lucene中支持数值类型,不支持字符串类型。在solr中支持字符串类型。

  3、组合条件查询

    1)+条件1 +条件2:两个条件之间是并且的关系and

      例如:+filename:apache +content:apache

    2)+条件1 条件2:必须满足第一个条件,应该满足第二个条件

      例如:+filename:apache content:apache

    3)条件1 条件2:两个条件满足其一即可。

      例如:filename:apache content:apache

    4)-条件1 条件2:必须不满足条件1,要满足条件2

      例如:-filename:apache content:apache

Occur.MUST 查询条件必须满足,相当于and

+(加号)

Occur.SHOULD 查询条件可选,相当于or

空(不用符号)

Occur.MUST_NOT 查询条件不能满足,相当于not非

-(减号)

 

  第二种写法:

  条件1 AND 条件2

  条件1 OR 条件2

  条件1 NOT 条件2

 

需要导入的依赖:

        <dependency>
			<groupId>org.apache.lucene</groupId>
			<artifactId>lucene-core</artifactId>
			<version>6.6.1</version>
		</dependency>
		<dependency>
			<groupId>org.apache.lucene</groupId>
			<artifactId>lucene-queryparser</artifactId>
			<version>6.6.1</version>
		</dependency>

建议实现代码:

 

package com.ns.lucence;

import java.io.IOException;
import java.util.ArrayList;
import java.util.List;
import java.util.Set;
import org.apache.commons.lang3.StringUtils;
import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.Tokenizer;
import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;
import org.apache.lucene.document.Document;
import org.apache.lucene.document.Field;
import org.apache.lucene.document.TextField;
import org.apache.lucene.index.DirectoryReader;
import org.apache.lucene.index.IndexWriter;
import org.apache.lucene.index.IndexWriterConfig;
import org.apache.lucene.queryparser.classic.ParseException;
import org.apache.lucene.queryparser.classic.QueryParser;
import org.apache.lucene.search.ConstantScoreQuery;
import org.apache.lucene.search.IndexSearcher;
import org.apache.lucene.search.Query;
import org.apache.lucene.search.ScoreDoc;
import org.apache.lucene.search.TopDocs;
import org.apache.lucene.search.Weight;
import org.apache.lucene.search.Weight.WordScore;
import org.apache.lucene.store.Directory;
import org.apache.lucene.store.RAMDirectory;

public class TestLucence {
  
  public static void main(String[] args) throws Exception {
    
    //注意:检索和正文的分词器要一致,否则会出现问题
    
    //接受条件,创建查询
    List<String> fields=new ArrayList<>();
    fields.add("\"基金\"");
    fields.add("\"销量\"");
    StringBuilder sf=new StringBuilder();
    sf.append("QUESTION:"+StringUtils.join(fields, "OR"));
    Query query = null;
    QueryParser parser = new QueryParser("查询关键字字典", new WordAnalyzers());
    try {
      //满足一个即可
      query=parser.parse("IR_URLCONTENT:\"基金\"  IR_URLCONTENT:\"销量\"");
      //都满足 +IR_URLCONTENT:\"基金\"  +IR_URLCONTENT:\"销量\"  或者  AND IR_URLCONTENT:\"基金\"  AND IR_URLCONTENT:\"销量\"
    } catch (ParseException e) {
      e.printStackTrace();
    }
    
    //接受内容,分析文档(分词),创建索引
    //索引库存放于内存
    Directory directory = new RAMDirectory();
    //索引库存放于文件:  Directory directory = FSDirectory.open(new File("E:\\programme\\test"));
    //创建分词器
    WordAnalyzers wordAnalyzers=new WordAnalyzers();
    IndexWriterConfig indexWriterConfig = new IndexWriterConfig(wordAnalyzers);
//    indexWriterConfig.setSimilarity(new LocalSimilarity());
    //创建索引库
    IndexWriter iwriter =null;
    try {
      iwriter = new IndexWriter(directory, indexWriterConfig);
      //存储要创建索引的正文
      Document doc = new Document();
      //这个Field用来构建一个字符串Field,但是不会进行分析,会将整个串存储在索引中,TYPE_STORED是否存储
      doc.add(new Field("IR_URLCONTENT", "我的基金的销量是多少", TextField.TYPE_STORED));
      iwriter.addDocument(doc);
      iwriter.close();
    } catch (Exception e) {
      e.printStackTrace();
    }
    
    //开始查询
    //read indexes in a Directory
    DirectoryReader ireader = DirectoryReader.open(directory);
    IndexSearcher isearcher = new IndexSearcher(ireader);
    //相似性的计算
//    isearcher.setSimilarity(new LocalSimilarity());
    if (ireader.numDocs() > 0) {
      TopDocs topDocs;
      topDocs = isearcher.search(new ConstantScoreQuery(query),ireader.numDocs());
      if (topDocs != null) {
        ScoreDoc[] hits = topDocs.scoreDocs;
        if (hits.length > 0) {
          WordScore wordScore = Weight.get();
          // 当前query命中文章
          for (int i = 0; i < hits.length; i++) {
            int doc = hits[i].doc;
            Set<String> values=wordScore.words(doc);
            for(String value:values){
              System.out.println(value);
            }
          }
        }
      }
    }
  }

}
//自定义分词器
class WordAnalyzers extends Analyzer{

  @Override
  protected TokenStreamComponents createComponents(String fieldName) {
    return new TokenStreamComponents(new Tokenizer(){
      private final CharTermAttribute termAtt = addAttribute(CharTermAttribute.class);
      private Character preChar;
      @Override
      public boolean incrementToken() throws IOException {
        clearAttributes();
        if (preChar != null) {
          termAtt.append(preChar);
          preChar = null;
          return true;
        }

        int i = 0;
        while ((i = input.read()) != -1) {
          if ((i >= 'a' && i <= 'z') || (i >= 'A' && i <= 'Z') || (i >= '0' && i <= '9')
              || i == '_') {
            // 拼接
            termAtt.append((char) i);
          } else if (i == ' ' || i == '\u3000' || i == '\r' || i == '\n') {
            if (termAtt.length() == 0) {
              // 无数据时,继续读
            } else {
              // 有数据时,直接完成
              return true;
            }
          } else {
            if (termAtt.length() == 0) {
              // 无数据时,直接完成
              termAtt.append((char) i);
              return true;
            } else {
              // 有数据时,保留下一个字符
              preChar = (char) i;
              return true;
            }
          }
        }

        if (termAtt.length() != 0) {
          return true;
        }
        return false;
      }
      
    });
  }
  
}

标签:lucene,索引,Lucence,文档,import,apache,org
来源: https://blog.csdn.net/WX5991/article/details/88232308