Lucene8.5.x全文检索工具

本文的资源展示:

hotword:是热词的文本,比如不是词语的中文,但是是什么人名或者公司名称的词语,需要分词成一个词语的将需要的加入hotword.dic
stopword:无意义的词放入的词典,或者禁用词,敏感词汇,进行创建索引的时候该词会被忽略不进行分词,不储存

全文检索简介

全文检索技术被广泛的应用于搜索引擎，查询检索等领域。我们在网络上的大部分搜索服务都用到了全文检索技术。

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。

简介地址：https://zh.wikipedia.org/wiki/Lucene

1.1   数据分类

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。

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。

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

1.2   结构化数据搜索

常见的结构化数据也就是数据库中的数据。在数据库中搜索很容易实现，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。

1.3   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。

1.4   如何实现全文检索

可以使用Lucene实现全文检索。Lucene是apache下的一个开放源代码的全文检索引擎工具包。提供了完整的查询引擎和索引引擎，部分文本分析引擎。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。

1.5   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。

使用Lucene进行全文检索

1.创建对应的索引

/**
     * 创建索引
     * @Created by 雨听风说
     * @throws IOException
     */
    @Test
    public void createIndex() throws IOException {
        //1.创建文档对象,指定索引库的放置位置
        Document document = new Document();
        //创建索引放在磁盘
        FSDirectory directory = FSDirectory.open(new File("F:\\project folder\\winter vacation\\Lucene\\temp").toPath());
        //2.基于Directory对象创建IndexWrite对象
        IndexWriter indexWriter = new IndexWriter(directory, new IndexWriterConfig());
        //3.读取本地文件
        File dir = new File("L:\\JAVA\\searchsource");
        File[] files = dir.listFiles();
        for (File file : files) {
            //获取文件的名称
            String name = file.getName();
            //获取文件的路径
            String path = file.getPath();
            //获取文件的内容
            String content = FileUtils.readFileToString(file, "utf-8");
            //获取文件的大小
            long size = FileUtils.sizeOf(file);

            //4.像文件中添加对象
            //参数1:域的名称,2:域里面的值,3:是否储存在磁盘上
            Field fieldName = new TextField("name", name, Field.Store.YES);
            Field fieldContent = new TextField("content", content, Field.Store.YES);
            Field fieldSize = new TextField("size", size + "", Field.Store.YES);
            Field fieldPath = new TextField("path", path, Field.Store.YES);

            //5.像文档对象中添加域
            document.add(fieldName);
            document.add(fieldContent);
            document.add(fieldSize);
            document.add(fieldPath);
            //6.将document写入磁盘
            indexWriter.addDocument(document);
        }
        //7.关闭IndexWrite
        indexWriter.close();
    }

2.查询索引内容

 /**
     * 查询索引内容
     *
     * @throws IOException
     * @Created by 雨听风说
     */
    @Test
    public void searchIndex() throws IOException {
        //1.指定文档的位置
        FSDirectory directory = FSDirectory.open(new File("F:\\project folder\\winter vacation\\Lucene\\temp").toPath());

        //2.创建IndexReader对象
        DirectoryReader reader = DirectoryReader.open(directory);

        //3.创建IndexSearch,搜索索引
        IndexSearcher searcher = new IndexSearcher(reader);
        //4.创建查询:参数含义1:域的名字    2:要查询的字段
        Query query = new TermQuery(new Term("name", "更新"));
        //5.执行查询:参数含义;1:查询的方式,,2查询的条数,此处,不管总数多少只显示10条
        TopDocs topDocs = searcher.search(query, 10);
        //获取查询的文档
        ScoreDoc[] scoreDocs = topDocs.scoreDocs;
        System.out.println("总条数 = " + topDocs.totalHits);
        //打印文档内容
        for (ScoreDoc doc : scoreDocs) {
            //取文档id
            int doc1 = doc.doc;
            Document document = searcher.doc(doc1);
            System.out.println(document.get("name"));
            System.out.println(document.get("path"));
            System.out.println(document.get("size"));
        }
        //关闭读取流
        reader.close();
    }

3.使用IKAnalyzer分词器创建索引

/**
     * 使用IKAnalyzer分词器创建索引
     *
     * @throws IOException
     * @Created by 雨听风说
     */
    @Test
    public void createIndexByIKAnalyzer() throws IOException {

        //创建文档对象
        Document document = new Document();

        //至此那个索引存储的位置
        Directory directory = FSDirectory.open(new File("F:\\project folder\\winter vacation\\Lucene\\temp").toPath());

        //使用IKAnalyzer分词器
        IndexWriterConfig indexWriterConfig = new IndexWriterConfig(new IKAnalyzer());
        //创建索引写流
        IndexWriter indexWriter = new IndexWriter(directory, indexWriterConfig);
        //读取写需要创建索引的文件
        File file = new File("L:\\JAVA\\searchsource");

        File[] files = file.listFiles();

        for (File file1 : files) {
            //获取文件的内容
            String content = FileUtils.readFileToString(file1, "UTF-8");

            //获取文件的路径
            String path = file1.getPath();

            //获取文件的大小
            long sizeOf = FileUtils.sizeOf(file1);

            //获取文件的名字
            String name = file1.getName();

            //设置域
            Field name1 = new TextField("name", name, Field.Store.YES);
            Field path1 = new TextField("path", path, Field.Store.YES);
            Field content1 = new TextField("content", content, Field.Store.YES);
            Field size = new TextField("size", sizeOf + "", Field.Store.YES);


            //向文档中添加域
            document.add(name1);
            document.add(path1);
            document.add(content1);
            document.add(size);

            //写入索引
            indexWriter.addDocument(document);
        }

        //关闭写的流
        indexWriter.close();
    }

4.创建索引通过IKAnalyze分词器,并用不同的域

 /**
     * 创建索引通过IKAnalyze分词器,并用不同的域
     *
     * @throws Exception
     * @Created by 雨听风说
     */
    @Test
    public void createIndexByIKAnalyzerAndKindField() throws Exception {
        //1、创建一个Director对象，指定索引库保存的位置。
        //把索引库保存在内存中
        //Directory directory = new RAMDirectory();
        //把索引库保存在磁盘
        Directory directory = FSDirectory.open(new File("F:\\project folder\\winter vacation\\Lucene\\temp").toPath());
        //2、基于Directory对象创建一个IndexWriter对象
        IndexWriterConfig config = new IndexWriterConfig(new IKAnalyzer());
        IndexWriter indexWriter = new IndexWriter(directory, config);
        //3、读取磁盘上的文件，对应每个文件创建一个文档对象。
        File dir = new File("L:\\JAVA\\searchsource");
        File[] files = dir.listFiles();
        for (File f :
                files) {
            //取文件名
            String fileName = f.getName();
            //文件的路径
            String filePath = f.getPath();
            //文件的内容
            String fileContent = FileUtils.readFileToString(f, "utf-8");
            //文件的大小
            long fileSize = FileUtils.sizeOf(f);
            //创建Field
            //参数1：域的名称，参数2：域的内容，参数3：是否存储
            Field fieldName = new TextField("name", fileName, Field.Store.YES);
            //Field fieldPath = new TextField("path", filePath, Field.Store.YES);
            Field fieldPath = new StoredField("path", filePath);
            Field fieldContent = new TextField("content", fileContent, Field.Store.YES);
            //Field fieldSize = new TextField("size", fileSize + "", Field.Store.YES);
            Field fieldSizeValue = new LongPoint("size", fileSize);
            Field fieldSizeStore = new StoredField("size", fileSize);
            //创建文档对象
            Document document = new Document();
            //向文档对象中添加域
            document.add(fieldName);
            document.add(fieldPath);
            document.add(fieldContent);
            //document.add(fieldSize);
            document.add(fieldSizeValue);
            document.add(fieldSizeStore);
            //5、把文档对象写入索引库
            indexWriter.addDocument(document);
        }
        //6、关闭indexwriter对象
        indexWriter.close();
    }

 

5.不同的域的解释   Field域的属性

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。

 

是否存储的标准：是否要将内容展示给用户

 

Field类	数据类型	Analyzed 是否分析	Indexed 是否索引	Stored 是否存储	说明
StringField(FieldName, FieldValue,Store.YES))	字符串	N	Y	Y或N	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，比如(订单号,姓名等) 是否存储在文档中用Store.YES或Store.NO决定
LongPoint(String name, long... point)	Long型	Y	Y	N	可以使用LongPoint、IntPoint等类型存储数值类型的数据。让数值类型可以进行索引。但是不能存储数据，如果想存储数据还需要使用StoredField。
StoredField(FieldName, FieldValue)	重载方法，支持多种类型	N	N	Y	这个Field用来构建不同类型Field 不分析，不索引，但要Field存储在文档中
TextField(FieldName, FieldValue, Store.NO) 或 TextField(FieldName, reader)	字符串 或 流	Y	Y	Y或N	如果是一个Reader, lucene猜测内容比较多,会采用Unstored的策略.

 

 对索引的增删改查操作

package cn.ytfs;

import org.apache.lucene.document.Document;
import org.apache.lucene.document.Field;
import org.apache.lucene.document.LongPoint;
import org.apache.lucene.document.TextField;
import org.apache.lucene.index.*;
import org.apache.lucene.queryparser.classic.ParseException;
import org.apache.lucene.queryparser.classic.QueryParser;
import org.apache.lucene.search.*;
import org.apache.lucene.store.Directory;
import org.apache.lucene.store.FSDirectory;
import org.junit.Before;
import org.junit.Test;
import org.wltea.analyzer.lucene.IKAnalyzer;

import java.io.File;
import java.io.IOException;

/**
 * @classname : LuceneManager
 * @description : Lucne的管理类
 * @date : 2020/4/24 13:43
 * @created by : 雨听风说
 */
public class LuceneManager {

    private IndexWriter indexWriter;
    private Directory directory;

    /**
     * 初始化IndexWrite
     * 初始化directory
     */
    @Before
    public void init() throws IOException {
        directory = FSDirectory.open(new File("F:\\project folder\\winter vacation\\Lucene\\temp").toPath());
        indexWriter = new IndexWriter(directory, new IndexWriterConfig(new IKAnalyzer()));

    }

    /**
     * 删除全部索引
     *
     * @throws IOException
     */
    @Test
    public void deleteAllIndex() throws IOException {

        try {
            indexWriter.deleteAll();
        } catch (IOException e) {
            e.printStackTrace();
        }

        indexWriter.close();
    }


    /**
     * 删除查询到的
     */
    @Test
    public void deleteIndexBySearch() {
        //查询条件
        Query query = new TermQuery(new Term("content", "spring"));
        //查询
        try {
            indexWriter.deleteDocuments(query);
            indexWriter.close();
        } catch (IOException e) {
            System.out.println("删除查询的失败");
        }

    }


    /**
     * 更新索引
     */
    @Test
    public void updateDocument() throws IOException {
        //创建文档
        Document doc = new Document();
        //向文档中添加不同的域
        doc.add(new TextField("content", "需要更新的文档context", Field.Store.YES));
        doc.add(new TextField("name", "需要更新的文档name", Field.Store.YES));

        //执行更新操作
        indexWriter.updateDocument(new Term("name", "apache"), doc);
        //关闭IndexWrite
        indexWriter.close();
    }


    /**
     * TermQuery查询
     *
     * @throws IOException
     */
    @Test
    public void searchByTermQuery() throws IOException {
        //创建TermQuery查询
        Query query = new TermQuery(new Term("content", "apache"));
        printResult(query);

    }

    /**
     * 结果的打印方法
     * @param query
     * @throws IOException
     */
    private void printResult(Query query) throws IOException {
        //打开索引库
        Directory directory = FSDirectory.open(new File("F:\\project folder\\winter vacation\\Lucene\\temp").toPath());

        //读取索引库
        IndexReader indexReader = DirectoryReader.open(directory);

        //创建查询,并指定对应的索引库
        IndexSearcher indexSearcher = new IndexSearcher(indexReader);
        //执行查询
        TopDocs topDocs = indexSearcher.search(query, 10);

        System.out.println("总条数 = " + topDocs.totalHits);

        //获取与文档的详情
        ScoreDoc[] docs = topDocs.scoreDocs;

        for (ScoreDoc doc : docs) {
            //获取文档的id
            int doc1 = doc.doc;
            Document document = indexSearcher.doc(doc1);
            System.out.println("document.get(\"name\") = " + document.get("name"));
//            System.out.println("document.get(\"content\") = " + document.get("content"));
            System.out.println("document.get(\"path\") = " + document.get("path"));
            System.out.println("document.get(\"size\") = " + document.get("size"));

        }
        //关闭读取的流
        indexReader.close();
    }


    /**
     * 根据范围查询
     * @throws IOException
     */
    @Test
    public void searchByRange() throws IOException {
        //创建范围查询(RangeQuery)
        Query query = LongPoint.newRangeQuery("size", 0, 1000);

        //打印结果
        printResult(query);


    }


    /**
     * QueryParser查询
     * @throws ParseException
     * @throws IOException
     */
    @Test

    public void searchByQueryParser() throws ParseException, IOException {


        //创建QueryParser对象
        QueryParser  queryParser = new QueryParser("content", new IKAnalyzer());

        Query query = queryParser.parse("Luene是一个Java开发搜索的工具包");

        printResult(query);
    }

}