Luncene 学习入门

Lucene是apache组织的一个用java实现全文搜索引擎的开源项目。其功能非常的强大，api也很简单。总得来说用Lucene来进行建立和搜索和操作数据库是差不多的(有点像)，Document可以看作是数据库的一行记录，Field可以看作是数据库的字段。用lucene实现搜索引擎就像用JDBC实现连接数据库一样简单。http://apache.justdn.org/lucene/java/

1 lucene简介
1.1 什么是lucene
Lucene是一个全文搜索框架，而不是应用产品。因此它并不像www.baidu.com 或者google Desktop那么拿来就能用，它只是提供了一种工具让你能实现这些产品。

2 lucene的工作方式
lucene提供的服务实际包含两部分：一入一出。

　　写入流程

　　所谓入是写入，即将你提供的源（本质是字符串）写入索引或者将其从索引中删除；

　　所谓出是读出，即向用户提供全文搜索服务，让用户可以通过关键词定位源。

2.1写入流程
源字符串首先经过analyzer处理，包括：分词，分成一个个单词；去除stopword（可选）。
　　将源中需要的信息加入Document的各个Field中，并把需要索引的Field索引起来，把需要存储的Field存储起来。
将索引写入存储器，存储器可以是内存或磁盘。

2.2读出流程
用户提供搜索关键词，经过analyzer处理。
　　对处理后的关键词搜索索引找出对应的Document。
　　用户根据需要从找到的Document中提取需要的Field。

2.3 工作原理

倒排结构及相应的算法:

1:分词(Analyzer类)(词典文件)

英文空格分词,中文特殊分词处理;过滤不代表概念的词;关联模糊词;

2:出现次数,关键字位置,出现频率,(频率文件)

3:二元搜索算法快速定位关键词(位置文件)

4:按字符排序

5:field概念定义关键字信息和位置,每个关键字定义一个或者多个field

6:压缩技术(大量使用在对数字的压缩,保留与上一个值的差值)

3 一些需要知道的概念
3.1 analyzer
Analyzer是分析器，它的作用是把一个字符串按某种规则划分成一个个词语，并去除其中的无效词语，这里说的无效词语是指英文中的“of”、“the”，中文中的“的”、“地”等词语，这些词语在文章中大量出现，但是本身不包含什么关键信息，去掉有利于缩小索引文件、提高效率、提高命中率。
　　分词的规则千变万化，但目的只有一个：按语义划分。这点在英文中比较容易实现，因为英文本身就是以单词为单位的，已经用空格分开；而中文则必须以某种方法将连成一片的句子划分成一个个词语。具体划分方法下面再详细介绍，这里只需了解分析器的概念即可。

3.2 document
　　用户提供的源是一条条记录，它们可以是文本文件、字符串或者数据库表的一条记录等等。一条记录经过索引之后，就是以一个Document的形式存储在索引文件中的。用户进行搜索，也是以Document列表的形式返回。

3.3 field
一个Document可以包含多个信息域，例如一篇文章可以包含“标题”、“正文”、“最后修改时间”等信息域，这些信息域就是通过Field在Document中存储的。
Field有两个属性可选：存储和索引。通过存储属性你可以控制是否对这个Field进行存储；通过索引属性你可以控制是否对该Field进行索引。这看起来似乎有些废话，事实上对这两个属性的正确组合很重要，下面举例说明：还是以刚才的文章为例子，我们需要对标题和正文进行全文搜索，所以我们要把索引属性设置为真，同时我们希望能直接从搜索结果中提取文章标题，所以我们把标题域的存储属性设置为真，但是由于正文域太大了，我们为了缩小索引文件大小，将正文域的存储属性设置为假，当需要时再直接读取文件；我们只是希望能从搜索解果中提取最后修改时间，不需要对它进行搜索，所以我们把最后修改时间域的存储属性设置为真，索引属性设置为假。上面的三个域涵盖了两个属性的三种组合，还有一种全为假的没有用到，事实上Field不允许你那么设置，因为既不存储又不索引的域是没有意义的。

3.4 term
　　term是搜索的最小单位，它表示文档的一个词语，term由两部分组成：它表示的词语和这个词语所出现的field。

3.5 tocken
tocken是term的一次出现，它包含trem文本和相应的起止偏移，以及一个类型字符串。一句话中可以出现多次相同的词语，它们都用同一个term表示，但是用不同的tocken，每个tocken标记该词语出现的地方。

3.6 segment
添加索引时并不是每个document都马上添加到同一个索引文件，它们首先被写入到不同的小文件，然后再合并成一个大索引文件，这里每个小文件都是一个segment。

索引库

将索引写进Lucene自己的数据库中，它存放的位置是可自己定义的

IndexWriter（）

分析器Analyzer

Analyzer 是分析器，它的作用是把一个字符串按某种规则划分成一个个词语，并去除其中的无效词语，这里说的无效词语是指英文中的“of”、 “the”，中文中的 “的”、“地”等词语，这些词语在文章中大量出现，但是本身不包含什么关键信息，去掉有利于缩小索引文件、提高效率、提高命中率。

分词的规则千变万化，但目的只有一个：按语义划分。这点在英文中比较容易实现，因为英文本身就是以单词为单位的，已经用空格分开；而中文则必须以某种方法将连成一片的句子划分成一个个词语。具体划分方法下面再详细介绍，这里只需了解分析器的概念即可。

作用是对文本进行分析，判断如何进行切词

StandarAnalyzer(),SimpleAnalyzer(), StopAnalyzer()等

库文档Document

用户提供的源是一条条记录，它们可以是文本文件、字符串或者数据库表的一条记录等等。一条记录经过索引之后，就是以一个Document的形式存储在索引文件中的。用户进行搜索，也是以Document列表的形式返回

Document相当于二维表中一行数据一样。Document里包含的是Field字段，Field相当于数据库中一列，也就是一个属性，一个字段

信息域field

一个Document可以包含多个信息域，例如一篇文章可以包含“标题”、“正文”、“最后修改时间”等信息域，这些信息域就是通过Field在Document中存储的。

Field有两个属性可选：存储和索引。通过存储属性你可以控制是否对这个Field进行存储；通过索引属性你可以控制是否对该Field进行索引。这看起来似乎有些废话，事实上对这两个属性的正确组合很重要，下面举例说明：

还是以刚才的文章为例子，

我们需要对标题和正文进行全文搜索，所以我们要把索引属性设置为真，
同时我们希望能直接从搜索结果中提取文章标题，所以我们把标题域的存储属性设置为真，
但是由于正文域太大了，我们为了缩小索引文件大小，将正文域的存储属性设置为假，当需要时再直接读取文件；
我们只是希望能从搜索结果中提取最后修改时间，不需要对它进行搜索，所以我们把最后修改时间域的存储属性设置为真，索引属性设置为假。

上面的三个域涵盖了两个属性的三种组合，还有一种全为假的没有用到，事实上Field不允许你那么设置，因为既不存储又不索引的域是没有意义的。

搜索单位term

term

搜索的最小单位，它表示文档的一个词语，term由两部分组成：它表示的词语和这个词语所出现的field。

范围tocken

tocken是term的一次出现，它包含trem文本和相应的起止偏移，以及一个类型字符串。一句话中可以出现多次相同的词语，它们都用同一个term表示，但是用不同的tocken，每个tocken标记该词语出现的地方

索引文件segment

添加索引时并不是每个document都马上添加到同一个索引文件，它们首先被写入到不同的小文件，然后再合并成一个大索引文件，这里每个小文件都是一个segment。

优化索引库

最后应该对IndexWriter进行优化，方法很简单，就是writer.optimize().

索引查询

IndexSearcher:所遇数据库位置

Query:索引搜索,三个参数:查询内容,查询字段,分析器

Hits:查询结果

4 如何建索引
4.1 最简单的能完成索引的代码片断

IndexWriter writer = new IndexWriter(“/data/index/”, new StandardAnalyzer(), true);
Document doc = new Document();
doc.add(new Field("title", "lucene introduction", Field.Store.YES, Field.Index.TOKENIZED));
doc.add(new Field("content", "lucene works well", Field.Store.YES, Field.Index.TOKENIZED));
writer.addDocument(doc);
writer.optimize();
writer.close();

下面我们分析一下这段代码。
　　首先我们创建了一个writer，并指定存放索引的目录为“/data/index”，使用的分析器为StandardAnalyzer，第三个参数说明如果已经有索引文件在索引目录下，我们将覆盖它们。然后我们新建一个document。
　　我们向document添加一个field，名字是“title”，内容是“lucene introduction”，对它进行存储并索引。再添加一个名字是“content”的field，内容是“lucene works well”，也是存储并索引。
　　然后我们将这个文档添加到索引中，如果有多个文档，可以重复上面的操作，创建document并添加。
　　添加完所有document，我们对索引进行优化，优化主要是将多个segment合并到一个，有利于提高索引速度。
　随后将writer关闭，这点很重要。
对，创建索引就这么简单！
当然你可能修改上面的代码获得更具个性化的服务。

4.2 索引文本文件
如果你想把纯文本文件索引起来，而不想自己将它们读入字符串创建field，你可以用下面的代码创建field：

Field field = new Field("content", new FileReader(file));

这里的file就是该文本文件。该构造函数实际上是读去文件内容，并对其进行索引，但不存储。

例子一：

1、在windows系统下的的C盘，建一个名叫s的文件夹,在该文件夹里面随便建三个txt文件，随便起名啦，就叫"1.txt","2.txt"和"3.txt"啦
其中1.txt的内容如下：

中华人民共和国
全国人民
2006年

而"2.txt"和"3.txt"的内容也可以随便写几写，这里懒写，就复制一个和1.txt文件的内容一样吧

2、下载lucene包，放在classpath路径中
建立索引:

package lighter.javaeye.com;   
  
import java.io.BufferedReader;   
import  java.io.File;   
import java.io.FileInputStream;   
import  java.io.IOException;   
import java.io.InputStreamReader;   
import  java.util.Date;   
  
import  org.apache.lucene.analysis.Analyzer;   
import org.apache.lucene.analysis.standard.StandardAnalyzer;   
import org.apache.lucene.document.Document;   
import org.apache.lucene.document.Field;   
import org.apache.lucene.index.IndexWriter;   
  
/** */ /**   
 * author lighter date 2006-8-7  
  */   
public   class TextFileIndexer  {   
    public   static   void  main(String[] args)  throws Exception  {   
        /**/ /*  指明要索引文件夹的位置,这里是C盘的S文件夹下 */   
        File fileDir =   new  File( " c:\\s " );   
  
        /**/ /*  这里放索引文件的位置  */   
        File indexDir =   new  File( " c:\\index " );   
        Analyzer luceneAnalyzer =   new  StandardAnalyzer();   
        IndexWriter indexWriter =   new  IndexWriter(indexDir, luceneAnalyzer,   
                true );   
        File[] textFiles =  fileDir.listFiles();   
        long  startTime  =   new Date().getTime();   
           
        // 增加document到索引去    
        for  ( int  i  =   0 ; i  < textFiles.length; i ++ )  {   
            if  (textFiles[i].isFile()   
                    &&  textFiles[i].getName().endsWith( " .txt " ))  {   
                System.out.println(" File  "   + textFiles[i].getCanonicalPath()   
                        +   " 正在被索引. " );   
                String temp =  FileReaderAll(textFiles[i].getCanonicalPath(),   
                        " GBK " );   
                System.out.println(temp);   
                Document document =   new  Document();   
                Field FieldPath =   new  Field( " path ", textFiles[i].getPath(),   
                        Field.Store.YES, Field.Index.NO);   
                Field FieldBody =   new  Field( " body ", temp, Field.Store.YES,   
                        Field.Index.TOKENIZED,   
                        Field.TermVector.WITH_POSITIONS_OFFSETS);   
                document.add(FieldPath);   
                document.add(FieldBody);   
                indexWriter.addDocument(document);   
            }   
        }   
        // optimize()方法是对索引进行优化    
        indexWriter.optimize();   
        indexWriter.close();   
           
        // 测试一下索引的时间    
        long  endTime  =   new  Date().getTime();   
        System.out   
                .println(" 这花费了"   
                        +  (endTime  -  startTime)   
                        +   "  毫秒来把文档增加到索引里面去! "   
                        +  fileDir.getPath());   
    }    
  
     public   static String FileReaderAll(String FileName, String charset)   
            throws  IOException  {   
        BufferedReader reader =   new  BufferedReader( new InputStreamReader(   
                new  FileInputStream(FileName), charset));   
        String line =   new  String();   
        String temp =   new  String();   
           
        while  ((line  =  reader.readLine())  !=   null)  {   
            temp +=  line;   
        }   
        reader.close();   
        return  temp;   
    }    
}

索引的结果：

File C:\s\ 1 .txt正在被索引.   
中华人民共和国全国人民2006年   
File C:\s\ 2 .txt正在被索引.   
中华人民共和国全国人民2006年   
File C:\s\ 3 .txt正在被索引.   
中华人民共和国全国人民2006年   
这花费了297 毫秒来把文档增加到索引里面去 ! c:\s

3、建立了索引之后，查询啦....

package  lighter.javaeye.com;   
  
import java.io.IOException;   
  
import org.apache.lucene.analysis.Analyzer;   
import org.apache.lucene.analysis.standard.StandardAnalyzer;   
import  org.apache.lucene.queryParser.ParseException;   
import org.apache.lucene.queryParser.QueryParser;   
import org.apache.lucene.search.Hits;   
import org.apache.lucene.search.IndexSearcher;   
import org.apache.lucene.search.Query;   
  
public   class TestQuery  {   
    public   static   void  main(String[] args)  throws IOException, ParseException  {   
        Hits hits =   null ;   
        String queryString =   " 中华 ";   
        Query query =   null ;   
        IndexSearcher searcher =   new  IndexSearcher( " c:\\index " );   
  
        Analyzer analyzer =   new  StandardAnalyzer();   
        try   {   
            QueryParser qp =   new  QueryParser( " body ", analyzer);   
            query =  qp.parse(queryString);   
        }  catch  (ParseException e)  {   
        }   
        if  (searcher  !=   null )  {   
            hits =  searcher.search(query);   
            if  (hits.length()  >   0 )  {   
                System.out.println(" 找到: "  +  hits.length()  +   "  个结果! " );   
            }   
        }   
    }  
  
}

其运行结果：

找到: 3  个结果!

　　Lucene 其实很简单的,它最主要就是做两件事:建立索引和进行搜索
来看一些在lucene中使用的术语,这里并不打算作详细的介绍,只是点一下而已----因为这一个世界有一种好东西，叫搜索。

IndexWriter:lucene中最重要的的类之一，它主要是用来将文档加入索引，同时控制索引过程中的一些参数使用。

Analyzer:分析器,主要用于分析搜索引擎遇到的各种文本。常用的有StandardAnalyzer分析器,StopAnalyzer分析器,WhitespaceAnalyzer分析器等。

Directory:索引存放的位置;lucene提供了两种索引存放的位置，一种是磁盘，一种是内存。一般情况将索引放在磁盘上；相应地lucene提供了FSDirectory和RAMDirectory两个类。

Document:文档;Document相当于一个要进行索引的单元，任何可以想要被索引的文件都必须转化为Document对象才能进行索引。

Field：字段。

IndexSearcher:是lucene中最基本的检索工具，所有的检索都会用到IndexSearcher工具;

Query:查询，lucene中支持模糊查询，语义查询，短语查询，组合查询等等,如有TermQuery,BooleanQuery,RangeQuery,WildcardQuery等一些类。

QueryParser: 是一个解析用户输入的工具，可以通过扫描用户输入的字符串，生成Query对象。

Hits:在搜索完成之后，需要把搜索结果返回并显示给用户，只有这样才算是完成搜索的目的。在lucene中，搜索的结果的集合是用Hits类的实例来表示的。

上面作了一大堆名词解释，下面就看几个简单的实例吧:
1、简单的的StandardAnalyzer测试例子

package  lighter.javaeye.com;   

  
import java.io.IOException;   
import java.io.StringReader;   
  
import org.apache.lucene.analysis.Analyzer;   
import  org.apache.lucene.analysis.Token;   
import org.apache.lucene.analysis.TokenStream;   
import org.apache.lucene.analysis.standard.StandardAnalyzer;   
  
public   class StandardAnalyzerTest    
{   
     // 构造函数，    
     public StandardAnalyzerTest()   
    {   
    }    
     public   static  void  main(String[] args)    
    {   
        // 生成一个StandardAnalyzer对象    
        Analyzer aAnalyzer =   new  StandardAnalyzer();   
        // 测试字符串   
        StringReader sr =   new  StringReader( "lighter javaeye com is the are on ");   
        // 生成TokenStream对象    
        TokenStream ts =  aAnalyzer.tokenStream( " name ", sr);    
        try   {   
            int  i = 0 ;   
            Token t =  ts.next();   
            while (t != null )   
            {   
                // 辅助输出时显示行号   
                i++ ;   
                // 输出处理后的字符   
                System.out.println(" 第 " + i + " 行: " + t.termText());   
                // 取得下一个字符   
                t= ts.next();   
            }   
        }  catch  (IOException e)  {   
            e.printStackTrace();   
        }   
    }    
}

显示结果：

第1行:lighter 
第2行:javaeye 
第3行:com

提示一下：
StandardAnalyzer是lucene中内置的"标准分析器",可以做如下功能:

1、对原有句子按照空格进行了分词 
2、所有的大写字母都可以能转换为小写的字母 
3、可以去掉一些没有用处的单词，例如"is","the","are"等单词，也删除了所有的标点

查看一下结果与"newStringReader("lighter javaeye com is the are on")"作一个比较就清楚明了。
这里不对其API进行解释了，具体见lucene的官方文档。需要注意一点，这里的代码使用的是lucene2的API，与1.43版有一些明显的差别。

2、看另一个实例,简单地建立索引，进行搜索

package lighter.javaeye.com;   
import org.apache.lucene.analysis.standard.StandardAnalyzer;   
import org.apache.lucene.document.Document;   
import org.apache.lucene.document.Field;   
import  org.apache.lucene.index.IndexWriter;   
import org.apache.lucene.queryParser.QueryParser;   
import org.apache.lucene.search.Hits;   
import org.apache.lucene.search.IndexSearcher;   
import org.apache.lucene.search.Query;   
import org.apache.lucene.store.FSDirectory;   
  
public   class FSDirectoryTest  {   
  
     // 建立索引的路径    
     public   static  final  String path  =   " c:\\index2 ";   
  
    public   static   void  main(String[] args)  throws Exception  {   
        Document doc1 =   new  Document();   
        doc1.add( new  Field( " name " ,  "lighter javaeye com " ,Field.Store.YES,Field.Index.TOKENIZED));   
  
        Document doc2 =   new  Document();   
        doc2.add(new  Field( " name " ,  " lighter blog ",Field.Store.YES,Field.Index.TOKENIZED));   
  
        IndexWriter writer =   new  IndexWriter(FSDirectory.getDirectory(path,  true),  new  StandardAnalyzer(),  true );   
        writer.setMaxFieldLength(3 );   
        writer.addDocument(doc1);   
        writer.setMaxFieldLength(3 );   
        writer.addDocument(doc2);   
        writer.close();   
  
        IndexSearcher searcher =   new  IndexSearcher(path);   
        Hits hits =   null ;   
        Query query =   null ;   
        QueryParser qp =   new  QueryParser( " name " , new StandardAnalyzer());   
           
        query =  qp.parse( " lighter " );   
        hits =  searcher.search(query);   
        System.out.println(" 查找\ " lighter\ "  共 "   +  hits.length()  +  " 个结果 " );   
  
        query =  qp.parse( " javaeye " );   
        hits =  searcher.search(query);   
        System.out.println(" 查找\ " javaeye\ "  共 "   +  hits.length()  +  " 个结果 " );   
  
    }    
  
}

运行结果：

查找 " lighter "  共2个结果   
查找 " javaeye "  共1个结果

到现在我们已经可以用lucene建立索引了

下面介绍一下几个功能来完善一下：
1．索引格式
　　其实索引目录有两种格式，
　　一种是除配置文件外，每一个Document独立成为一个文件（这种搜索起来会影响速度）。
　　另一种是全部的Document成一个文件，这样属于复合模式就快了。

2.索引文件可放的位置：
　　索引可以存放在两个地方1.硬盘，2.内存
　　放在硬盘上可以用FSDirectory()，放在内存的用RAMDirectory()不过一关机就没了

FSDirectory.getDirectory(File file, boolean  create)
FSDirectory.getDirectory(String path, boolean  create)

两个工厂方法返回目录New RAMDirectory()就直接可以再和

IndexWriter(Directory d, Analyzer a, boolean  create)

一配合就行了
如：

IndexWrtier indexWriter  =  new  IndexWriter(FSDirectory.getDirectory(“c:\\index”, true ), new StandardAnlyazer(), true );
IndexWrtier indexWriter  =  new  IndexWriter( new  RAMDirectory(), new  StandardAnlyazer(),true );

3.索引的合并
这个可用

IndexWriter.addIndexes(Directory[] dirs)

将目录加进去.来看个例子:

public   void  UniteIndex() throws  IOException
    {
        IndexWriter writerDisk =   new  IndexWriter(FSDirectory.getDirectory( " c:\\indexDisk" ,  true ), new  StandardAnalyzer(), true );
        Document docDisk =   new  Document();
        docDisk.add(new  Field( " name " , " 程序员之家 " ,Field.Store.YES,Field.Index.TOKENIZED));
        writerDisk.addDocument(docDisk);
        RAMDirectory ramDir =   new  RAMDirectory();
        IndexWriter writerRam =   new  IndexWriter(ramDir, new  StandardAnalyzer(), true );
        Document docRam =   new  Document();
        docRam.add(new  Field( " name " , " 程序员杂志 " ,Field.Store.YES,Field.Index.TOKENIZED));
        writerRam.addDocument(docRam);
        writerRam.close();// 这个方法非常重要，是必须调用的 
        writerDisk.addIndexes(new  Directory[] {ramDir} );
        writerDisk.close();
    } 
     public   void UniteSearch()  throws  ParseException, IOException
    {
        QueryParser queryParser =   new  QueryParser( " name " , new StandardAnalyzer());
        Query query =  queryParser.parse( " 程序员 " );
        IndexSearcher indexSearcher = new  IndexSearcher( " c:\\indexDisk " );
        Hits hits =  indexSearcher.search(query);
        System.out.println(" 找到了 " + hits.length() + " 结果 " );
        for ( int  i = 0 ;i
        {
            Document doc =  hits.doc(i);
            System.out.println(doc.get(" name " ));
        }
}

这个例子是将内存中的索引合并到硬盘上来.
注意：合并的时候一定要将被合并的那一方的IndexWriter的close()方法调用。

4.对索引的其它操作:
IndexReader类是用来操作索引的，它有对Document,Field的删除等操作。
下面一部分的内容是：全文的搜索
全文的搜索主要是用：IndexSearcher,Query,Hits,Document(都是Query的子类),有的时候用QueryParser
主要步骤：

1 . new  QueryParser(Field字段， new  分析器)
2 .Query query  = QueryParser.parser(“要查询的字串”);这个地方我们可以用反射api看一下query究竟是什么类型
3 . new  IndexSearcher(索引目录).search(query);返回Hits
4 .用Hits.doc(n);可以遍历出Document
5 .用Document可得到Field的具体信息了。

其实1　，2两步就是为了弄出个Query 实例，究竟是什么类型的看分析器了。

拿以前的例子来说吧

QueryParser queryParser  =  new  QueryParser( " name " , new  StandardAnalyzer());
        Query query =  queryParser.parse( " 程序员 " );
/**/ /* 这里返回的就是org.apache.lucene.search.PhraseQuery */ 
        IndexSearcher indexSearcher = new  IndexSearcher( " c:\\indexDisk " );
        Hits hits =  indexSearcher.search(query);

　　不管是什么类型，无非返回的就是Query的子类，我们完全可以不用这两步直接new个Query的子类的实例就ok了，不过一般还是用这两步因为它返回的是PhraseQuery这个是非常强大的query子类它可以进行多字搜索用QueryParser可以设置各个关键字之间的关系这个是最常用的了。

IndexSearcher:
其实IndexSearcher它内部自带了一个IndexReader用来读取索引的，IndexSearcher有个close()方法，这个方法不是用来关闭IndexSearche的是用来关闭自带的IndexReader。

QueryParser:
呢可以用parser.setOperator()来设置各个关键字之间的关系（与还是或）它可以自动通过空格从字串里面将关键字分离出来。
注意：用QueryParser搜索的时候分析器一定的和建立索引时候用的分析器是一样的。

Query:
可以看一个lucene2.0的帮助文档有很多的子类:
BooleanQuery, ConstantScoreQuery, ConstantScoreRangeQuery, DisjunctionMaxQuery,FilteredQuery, MatchAllDocsQuery, MultiPhraseQuery, MultiTermQuery,PhraseQuery, PrefixQuery, RangeQuery, SpanQuery, TermQuery

各自有用法看一下文档就能知道它们的用法了
下面一部分讲一下lucene的分析器:
分析器是由分词器和过滤器组成的，拿英文来说吧分词器就是通过空格把单词分开，过滤器就是把the,to,of等词去掉不被搜索和索引。
我们最常用的是StandardAnalyzer()它是lucene的标准分析器它集成了内部的许多的分析器。

lucene的高级搜索了
1.排序
Lucene有内置的排序用

IndexSearcher.search(query,sort);

但是功能并不理想。我们需要自己实现自定义的排序。
这样的话得实现两个接口: ScoreDocComparator,SortComparatorSource用

IndexSearcher.search(query,newSort(new SortField(String Field,SortComparatorSource)));

就看个例子吧：
这是一个建立索引的例子：

public   void  IndexSort() throws  IOException
{
        IndexWriter writer =   new  IndexWriter( " C:\\indexStore " , new StandardAnalyzer(), true );
        Document doc =   new  Document()
        doc.add(new  Field( " sort " , " 1 ",Field.Store.YES,Field.Index.TOKENIZED));
        writer.addDocument(doc);
        doc =   new  Document();
        doc.add(new  Field( " sort " , " 4 ",Field.Store.YES,Field.Index.TOKENIZED));
        writer.addDocument(doc);
        doc =   new  Document();
        doc.add(new  Field( " sort " , " 3 ",Field.Store.YES,Field.Index.TOKENIZED));
        writer.addDocument(doc);
        doc =   new  Document();
        doc.add(new  Field( " sort " , " 5 ",Field.Store.YES,Field.Index.TOKENIZED));
        writer.addDocument(doc);
        doc =   new  Document();
        doc.add(new  Field( " sort " , " 9 ",Field.Store.YES,Field.Index.TOKENIZED));
        writer.addDocument(doc);
        doc =   new  Document();
        doc.add(new  Field( " sort " , " 6 " ,Field.Store.YES,Field.Index.TOKENIZED));
        writer.addDocument(doc);
        doc =   new  Document();
        doc.add(new  Field( " sort " , " 7 ",Field.Store.YES,Field.Index.TOKENIZED));
        writer.addDocument(doc);
        writer.close();
}

下面是搜索的例子:

public void SearchSort1() throws IOException, ParseException
{
        IndexSearcher indexSearcher = newIndexSearcher("C:\\indexStore");
        QueryParser queryParser = newQueryParser("sort",new StandardAnalyzer());
        Query query =queryParser.parse("4");
       
        Hits hits =indexSearcher.search(query);
        System.out.println("有"+hits.length()+"个结果");
        Document doc = hits.doc(0);
       System.out.println(doc.get("sort"));
}
public void SearchSort2() throws IOException, ParseException
{
        IndexSearcher indexSearcher = newIndexSearcher("C:\\indexStore");
        Query query = new RangeQuery(newTerm("sort","1"),newTerm("sort","9"),true);//这个地方前面没有提到，它是用于范围的Query可以看一下帮助文档.
        Hits hits =indexSearcher.search(query,new Sort(new SortField("sort",newMySortComparatorSource())));
        System.out.println("有"+hits.length()+"个结果");
        for(int i=0;i
        {
            Document doc= hits.doc(i);
           System.out.println(doc.get("sort"));
        }
}
public class MyScoreDocComparator implements ScoreDocComparator
{
    private Integer[]sort;
    public MyScoreDocComparator(String s,IndexReader reader,String fieldname) throws IOException
    {
        sort = new Integer[reader.maxDoc()];
        for(int i = 0;i
        {
            Document doc=reader.document(i);
            sort[i]=newInteger(doc.get("sort"));
        }
    }
    public int compare(ScoreDoc i, ScoreDoc j)
    {
        if(sort[i.doc]>sort[j.doc])
            return 1;
        if(sort[i.doc]
            return -1;
        return 0;
    }
    public int sortType()
    {
        return SortField.INT;
    }
    public Comparable sortValue(ScoreDoc i)
    {
        // TODO 自动生成方法存根
        return new Integer(sort[i.doc]);
    }
}
public class MySortComparatorSource implements SortComparatorSource
{
    private static final long serialVersionUID =-9189690812107968361L;
    public ScoreDocComparator newComparator(IndexReader reader,String fieldname)
            throwsIOException
    {
       if(fieldname.equals("sort"))
            return newMyScoreDocComparator("sort",reader,fieldname);
        return null;
    }
}

　　SearchSort1()输出的结果没有排序,SearchSort2()就排序了。

2.多域搜索MultiFieldQueryParser
　　如果想输入关键字而不想关心是在哪个Field里的就可以用MultiFieldQueryParser了
　　用它的构造函数即可后面的和一个Field一样。

MultiFieldQueryParser. parse(String[] queries, String[] fields,BooleanClause.Occur[] flags, Analyzeranalyzer)

第三个参数比较特殊这里也是与以前lucene1.4.3不一样的地方
看一个例子就知道了

String[] fields = {"filename", "contents", "description"};
 BooleanClause.Occur[] flags = {BooleanClause.Occur.SHOULD,
               BooleanClause.Occur.MUST,//在这个Field里必须出现的
               BooleanClause.Occur.MUST_NOT};//在这个Field里不能出现
 MultiFieldQueryParser.parse("query", fields, flags, analyzer);

1、lucene的索引不能太大，要不然效率会很低。大于1G的时候就必须考虑分布索引的问题

2、不建议用多线程来建索引，产生的互锁问题很麻烦。经常发现索引被lock，无法重新建立的情况

3、中文分词是个大问题，目前免费的分词效果都很差。如果有能力还是自己实现一个分词模块，用最短路径的切分方法，网上有教材和demo源码，可以参考。

4、建增量索引的时候很耗cpu，在访问量大的时候会导致cpu的idle为0

5、默认的评分机制不太合理，需要根据自己的业务定制

整体来说lucene要用好不容易，必须在上述方面扩充他的功能，才能作为一个商用的搜索引擎

完整例子：

package spring.lucene;

import java.io.File;
import java.util.Date;

import jre.io.JHFileUtils;

import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.standard.StandardAnalyzer;
import org.apache.lucene.document.Document;
import org.apache.lucene.document.Field;
import org.apache.lucene.document.NumericField;
import org.apache.lucene.index.IndexReader;
import org.apache.lucene.index.IndexWriter;
import org.apache.lucene.index.IndexWriterConfig;
import org.apache.lucene.index.IndexWriterConfig.OpenMode;
import org.apache.lucene.queryParser.QueryParser;
import org.apache.lucene.search.BooleanFilter;
import org.apache.lucene.search.Filter;
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.store.Directory;
import org.apache.lucene.store.FSDirectory;
import org.apache.lucene.util.Version;

/**
 * TODO
 * 
 * @date 2014-7-28 上午10:13:56
 * @author HongHua.Li
 * @package java_huage[spring.lucene]
 * @jar lucene-benchmark-3.6.2.jar lucene-core-3.6.2.jar
 *      lucene-highlighter-3.6.2.jar lucene-icu-3.6.2.jar lucene-join-3.6.2.jar
 *      lucene-memory-3.6.2.jar lucene-queries-3.6.2.jar
 *      lucene-queryparser-3.6.2.jar
 */
public class JHTextFileLucene {

    
    
    public static void main(String[] args) throws Exception {
        //sourceFile();
        indexFile();
    }

    /**
     * TODO 创建索引:将数据封装成lucene需要的索引文件
     * 
     * @filename JHTextLucene.java
     * @createDateTime 2014-7-28 上午10:19:01
     * @createAuthor HongHua.Li
     * @package java_huage[spring.lucene]
     */
    public static void sourceFile() throws Exception {
        /* 指明要索引文件夹的位置,这里是C盘的source文件夹下 */
        File fileDir = new File("E:\\desktop\\LUCENES\\source");
        /* 这里放索引文件的位置 */
        File indexDir = new File("E:\\desktop\\LUCENES\\index");
        /* 创建一个索引磁盘 */
        Directory dir = FSDirectory.open(indexDir);
        /* 创建分析器*/
        Analyzer analyzer = new StandardAnalyzer(Version.LUCENE_36);
        IndexWriterConfig config = new IndexWriterConfig(Version.LUCENE_36,analyzer);
        /* 创建索引文件,create:表示创建或者追加到已有索引库中*/
        config.setOpenMode(OpenMode.CREATE);
        /* 将内容写入索引库*/
        IndexWriter writer = new IndexWriter(dir,config);
        /* 得到需要创建索引的文件*/
        File[] files = fileDir.listFiles();
        long startTime=new Date().getTime();  
        for (File file : files) {
            if (file.isFile()&&file.getName().endsWith(".txt")) {  
                System.out.println(":;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;");  
                System.out.println("File"+file.getCanonicalPath()+"正在被索引...");  
                String temp=JHFileUtils.FileReaderAll(file.getCanonicalPath(),"GBK");  
                System.out.println("检索内容:"+temp);  
                Document document=new Document();  
                Field FieldPath=new Field("path",file.getPath(),Field.Store.YES,Field.Index.NO);  
                Field FieldBody=new Field("body",temp,Field.Store.YES,Field.Index.ANALYZED,Field.TermVector.WITH_POSITIONS_OFFSETS);  
                NumericField modifiField=new NumericField("modified");//所以key为modified  
                modifiField.setLongValue(fileDir.lastModified());  
                document.add(FieldPath);  
                document.add(FieldBody);  
                document.add(modifiField);  
                writer.addDocument(document);  
          }  
        }
        writer.close();  
        //计算一下索引的时间  
        long endTime=new Date().getTime();  
        System.out.println("花了"+(endTime-startTime)+"毫秒把文档添加到索引里面去"+fileDir.getPath());  

    }

    /**
     * TODO 查询索引库(索引文件内容)
     * @throws Exception void
     * @filename JHTextLucene.java
     * @createDateTime 2014-7-28 上午10:55:36
     * @createAuthor HongHua.Li
     * @package java_huage[spring.lucene]
     */
    public static void indexFile()throws Exception  {
        /* 搜索的索引文件 */
        File indexDir = new File("E:\\desktop\\LUCENES\\index");
        IndexReader reader = IndexReader.open(FSDirectory.open(indexDir)); 
        IndexSearcher searcher = new IndexSearcher(reader);
        ScoreDoc[] hits=null;  
        String queryString="测试";  //搜索的索引名称  
        Query query=null;  
        Analyzer analyzer=new StandardAnalyzer(Version.LUCENE_36);  
        try {  
            QueryParser qp=new QueryParser(Version.LUCENE_36,"body",analyzer);//用于解析用户输入的工具  
            query=qp.parse(queryString);  
        } catch (Exception e) {
            // TODO: handle exception  
        }  
        if (searcher!=null) {  
            TopDocs results=searcher.search(query, 10);//只取排名前十的搜索结果 
            hits=results.scoreDocs;  
            Document document=null;  
            if (hits.length>0) {  
                System.out.println("找到"+hits.length+"条结果");
            }  
            for (int i = 0; i < hits.length; i++) {  
                document=searcher.doc(hits[i].doc);  
                String body=document.get("body");  
                String path=document.get("path");  
                System.out.println("文件路径:"+path);   
                System.out.println("文件内容:"+body+"        ");   
            }  
            searcher.close();  
            reader.close();  
        }  
    }
    
}

posted @ 2015-04-20 00:41 243573295 阅读(947) 评论(0) 编辑收藏举报

刷新页面返回顶部

y酒味i