Lucene&Solr学习笔记之一

Java
866

1.Lucene起步

1.1 lucene介绍

Lucene是一个全文检索引擎工具包，最初是apache软件基金会jakarta项目组的一个子项目，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，以及部分文本分析引擎。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例如站内搜索，或者是以此为基础建立起完整的全文检索引擎。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。

1.2 Lucen的功能

可扩展的高性能索引

  • 在现代硬件上超过150GB /小时
  • 小RAM要求 - 只有1MB堆
  • 增量索引与批量索引一样快
  • 索引大小约为索引文本大小的20-30％

强大，准确，高效的搜索算法

  • 排名搜索 - 首先返回最佳结果
  • 许多强大的查询类型：短语查询，通配符查询，邻近查询，范围查询等
  • 现场搜索（例如标题，作者，内容）
  • 按任何领域排序
  • 使用合并结果进行多索引搜索
  • 允许同时更新和搜索
  • 灵活的分面，突出显示，连接和结果分组
  • 快速，记忆效率高和错误容忍的建议
  • 可插拔排名模型，包括矢量空间模型和Okapi BM25
  • 可配置存储引擎（编解码器）

跨平台解决方案

  • 可作为Apache许可下的开源软件 使用，它允许您在商业和开源程序中使用Lucene
  • 100％-pure Java
  • 可用的其他编程语言中的实现是索引兼容的

Lucene文档地址：

http://lucene.apache.org/core/7_7_1/index.html

1.2 lucene全文检索的应用场景

对于数据量大，数据结果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，电商网站站内搜索，论坛站内搜索等。

1.3 Lucen实现全文索引的流程

在这里插入图片描述
在这里插入图片描述
1.红色表示所有过程，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.橙色表示搜索过程，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，从索引库查询 --> 渲染搜索结果

1.4 创建索引

1.4.1 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

本例中的原始内容就是磁盘上的文件，如下图所示：
在这里插入图片描述

  • 从互联网上、数据库、文件系统中等获取需要搜素的原始信息，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，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：
  • 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。
  • 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APl，可通过DOM，CSS以及类似于iQuery的操作方法来取出和操作数据。
  • heritrix（http:/sourceforge.net/proiects/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 POl 读取doc和xs的文件内容。

1.5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
（filename 文件名称、fle_path 文件路径、flesize文件大小、file_content文件内容），如下图：
在这里插入图片描述
在Lucene中的域就相当于数据库中的字段，可以有多个域，且域名称可以相同，一个域由域名称，域值组成类似域K,V键值对。每一个文档都有一个唯一的编号就是文档的id，与数据库的id类似，但是无法手动指定，是Lucene自增的。

1.6 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.Lucene is not a complete application，but rather a code library and API that can easily be used to add search capabilities to applications.…

分析后得到的语汇单元为：

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被当作是不同的term。tem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。

1.7 创建索引

​ 对所有文档分析得出的语汇单元进行素引，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）。

假设有文档A和文档B,文档A经过分词后包含spring,文档B经过分词后也包含spring,那么索引词spring会有一个count来计数，为了在搜索这个索引时能将count个文档返回，创建索引时就会多一个域来存储分词后对应的文档id。

注意：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，如下图：

在这里插入图片描述
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。

1.8查询索引

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。
在这里插入图片描述

1.9 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。

1.10 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。

1.11 渲染结果

在这里插入图片描述
Lucene 不提供制作用户搜索界面的功能，需要根据自的需求开发搜索界面。