Lucene全文检索学习笔记
Lucene全文检索
一.全文检索
1.1数据分类
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
1.3.1顺序扫描法
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。
1.3.2全文检索
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 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 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。
二. Lucene实现全文搜索的流程
2.1索引和搜索流程
2.2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,索引存储在索引库中。
2.2.1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。
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。
2.2.2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,文档中包括一个一个的域(Field),域中存储内容。
这里我们将磁盘上的一个文件当成一个document,Document中包括一些file_name 、file_path、 file_size file_content. eg:
注意:每个文档可以有多个Field,不同的Document可以有不同的Field,同一个Document可以有相同的Field(域名域值都相同)
每个文档都有唯一的编号,就是文档id
2.2.3分析文档
将原始文档内容创建为包含域的文档,需要再对语中的内容进行分析,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:
Lucene is a Java full-text search engine. Lucene is not a completeapplication, but rather a code library and API that can easily be usedto add search capabilities to applications.
分析后得到的单词:
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。
2.2.4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)。
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。
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。
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。
2.3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。
2.3.1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。
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。
2.3.2 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
2.3.3 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。
2.3.4 渲染结果
以一个友好的界面将查询结果展示给用户,用户根据搜索结果找自己想要的信息,为了帮助用户很快找到自己的结果,提供了很多展示的效果,比如搜索结果中将关键字高亮显示,百度提供的快照等。
三. 配置开发环境(以7.7.2为例)
3.1下载
官网下载解压后:
analysis文件夹为分析器包
core文件夹为lucene核心包
queryparser文件夹为查询分析器
版本:lucene-7.7.2 Jdk要求:1.8以上
3.2使用的jar包
lucene-core-7.7.2.jar
lucene-analyzers-common-7.7.2.jar
四. 入门程序
4.1 需求
实现一个文件的搜索功能,通过关键字搜索文件,凡是文件名或文件内容包括关键字的文件都需要找出来。还可以根据中文词语进行查询,并且需要支持多个条件查询。
4.2 创建索引
代码实现:
public void createIndex() throws Exception{
//把索引库保存到内存中
//Directory directory=new RAMDirectory();
//把索引库保存到磁盘
Directory directory= FSDirectory.open(new File("E:\\temp\\index").toPath());
//基于Directory对象创建一个IndexWriter对象
IndexWriter indexWriter=new IndexWriter(directory,new IndexWriterConfig());
//读取磁盘中的文件,对应每个文件创建一个文档对象
File dir=new File("E:\\temp\\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:域的值 参数3:是否存储到磁盘
Field fieldName=new TextField("name",filename,Field.Store.YES);
Field fieldPath=new TextField("path",filepath,Field.Store.YES);
Field fieldContent=new TextField( "content",fileContent,Field.Store.YES);
Field fieldSize=new TextField("size",filesize+"",Field.Store.YES);
//创建文档对象
Document document=new Document();
document.add(fieldName);
document.add(fieldPath);
document.add(fieldContent);
document.add(fieldSize);
//文档对象写入索引库
indexWriter.addDocument(document);
}
//关闭对象
indexWriter.close();
}
4.3 查询索引
代码实现:
public void searchIndex()throws Exception{
//创建一个Directory对象
Directory directory= FSDirectory.open(new File("E:\\temp\\index").toPath());
//创建一个IndexReader对象
IndexReader indexReader=DirectoryReader.open(directory);
//创建一个IndexSearcher对象,构造方法中的参数 indexreader对象
IndexSearcher indexSearcher=new IndexSearcher(indexReader);
//创建一个Query对象 ,TermQury
Query query=new TermQuery(new Term("content","spring"));
//执行查询 ,得到一个TopDocs对象
TopDocs topDocs=indexSearcher.search(query,10);
//取结果的总记录数
System.out.println("总记录数"+topDocs.totalHits);
//取文档列表
ScoreDoc [] scoreDocs=topDocs.scoreDocs;
//打印文档中的内容
for (ScoreDoc doc:scoreDocs
) {
int docid=doc.doc;
Document document=indexSearcher.doc(docid);
System.out.println(document.get("name"));
System.out.println(document.get("path"));
System.out.println(document.get("size"));
System.out.println(document.get("content"));
System.out.println("-------------------------");
}
indexReader.close();
}
五. 分析器
默认使用标准分析器StandardAnalyzer
new IndexWriterConfig()的源码如下
public IndexWriterConfig() {
this(new StandardAnalyzer());
}
5.1分析器的分析效果
使用Analyzer对象的tokenStream方法返回一个TokenStream对象,该对象中包含了最终分词效果
public void testTokenStream() throws Exception {
//创建一个Analyzer对象 ,StandardAnalyzer对象
Analyzer analyzer=new StandardAnalyzer();
//使用分析器对象的tokenStream方法获得一个TokenStream对象
TokenStream tokenStream= analyzer.tokenStream("","The Spring Freamwork provides a comprehensive programming and configration model .");
//向TokenStream对象中设置一个引用 ,相当于一个指针
CharTermAttribute charTermAttribute = tokenStream.addAttribute(CharTermAttribute.class);
//调用TokenStream对象的resst方法,如果不调用会抛异常
tokenStream.reset();
//遍历TokenStream对象
while (tokenStream.incrementToken()){
System.out.println(charTermAttribute.toString());
}
//关闭TokenStream对象
tokenStream.close();
}
5.2 中文分析器(IKAnalyzer)
标准分析器不能分析中文 这里使用IKAnalyzer中文分析器
使用方法:
1.把IKAnalyzer的jar包添加到工程中
2.把配置文件和扩展词典添加到工程的classpath下
注意:扩展词典严禁使用windows记事本,保证拓展词典的编码格式是utf-8 因为windows默认utf-8是utf-8+BOM
扩展词典:添加一些新词
停用词词典:无意义或敏感词
Analyzer analyzer=new IKAnalyzer();//使用仅需要把标准分析器改为IKAnalyzer即可
在创建索引时使用,源码如下:
public IndexWriterConfig(Analyzer analyzer) {
super(analyzer);
this.writer = new SetOnce();
}
正常代码中使用
IndexWriterConfig indexWriterConfig=new IndexWriterConfig(new IKAnalyzer());
IndexWriter indexWriter=new IndexWriter(directory,indexWriterConfig);
六. 索引库的维护
6.1 索引库的添加
6.1.1 Field域
是否分析:是否对域的内容进行分词处理。前提是我们要对鱼的内容进行查询。
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。例如:商品名称、商品简洁分析后进行索引,订单号、身份证号不用分析但也要索引,这些都可作为查询条件。
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/N | 此Field用于构建一个字符串Field,但是不会进行分析,会将整个串存储在索引中,比如(姓名,订单号)。 |
LongPoint(String name,long poing) | Long型 | Y | Y | N | 可以用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。但不能存储数据,如果想存储用StoredField |
StoredField(FieldName,FieldValue) | 重载方法,支持多种类型 | N | N | Y | 用来构建不同类型的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/N | 如果是一个Reader,lucene猜测内容比较多,会采用Unstored的策略 |
6.1.2 添加文档--代码实现
public void addDocument()throws Exception{
//创建一个IndexWriter对象
IndexWriterConfig cinfig=new IndexWriterConfig(new IKAnalyzer());
IndexWriter indexWriter=
new IndexWriter(FSDirectory.open(new File("E:\\temp\\index").toPath()),cinfig);
//创建一个Document对象
Document document=new Document();
document.add(new TextField("name","新加的文件", Field.Store.YES));
document.add(new TextField("content","新加的内容", Field.Store.NO ));
document.add(new StoredField("path","e:\\temp\\hello"));
indexWriter.addDocument(document);
indexWriter.close();
}
6.2 索引库的删除
//删除全部文档
indexWriter.deleteAll();
indexWriter.close();
//删除查询的文档用Term
indexWriter.deleteDocuments(new Term("name","apache"));
indexWriter.close();
//或者查询的文档用Query
//创建一个查询条件
Query query = new TermQuery(new Term("filename", "apache"));
indexWriter.deleteDocuments(query);
6.3 索引库的修改
//创建文档对象
Document document=new Document();
document.add(new TextField("name","更新后的文档", Field.Store.YES));
document.add(new TextField("name1","更新后的文档2", Field.Store.YES));
document.add(new TextField("name2","更新后的文档3", Field.Store.YES));
indexWriter.updateDocument(new Term("name","spring"),document);
indexWriter.close();
七.Lucene索引库查询
7.1 TermQuery
上面已说过,不再赘述
7.2 数值范围查询
/**
* 此方法能查询出来主要是之前使用LongPoint进行存储
*/
public void RangeQuery()throws Exception{
Query query = LongPoint.newRangeQuery("size", 0l, 10000l);
TopDocs topDocs = indexSearcher.search(query, 10);
System.out.println("总记录数"+topDocs.totalHits);
ScoreDoc[] scoreDocs = topDocs.scoreDocs;
for (ScoreDoc docs:scoreDocs
) {
int docid=docs.doc;
Document document=indexSearcher.doc(docid);
System.out.println(document.get("name"));
System.out.println(document.get("path"));
System.out.println(document.get("size"));
System.out.println(document.get("content"));
System.out.println("-------------------------");
}
indexReader.close();
}
7.3 使用queryparser查询
可以对要查询的内容进行分词,基于分词结果进行查询
需要添加一个jar包:lucene-queryparser-7.4.0.jar
//创建一个queryparser对象,两个参数
QueryParser queryParser=new QueryParser("name",new IKAnalyzer());
//参数一:默认搜索与;参数二:分析其对象
//使用queryparser对象创建一个query对象
Query query = queryParser.parse("lucene是一个Java开发的全文检索工具");
//执行查询
TopDocs topDocs = indexSearcher.search(query, 10);
System.out.println("总记录数"+topDocs.totalHits);
ScoreDoc[] scoreDocs = topDocs.scoreDocs;
for (ScoreDoc docs:scoreDocs
) {
int docid=docs.doc;
Document document=indexSearcher.doc(docid);
System.out.println(document.get("name"));
System.out.println(document.get("path"));
System.out.println(document.get("size"));
System.out.println(document.get("content"));
System.out.println("-------------------------");
}
indexReader.close();