荧客技荐学习 Lucene 原来可以那么简单！

Posted 2021-04-24 荧客网络

博客链接：https://my.oschina.net/u/3777556/blog/1647031

什么是Lucene？？

Lucene 是 apache 软件基金会发布的一个开放源代码的全文检索引擎工具包，由资深全文检索专家 Doug Cutting 所撰写,它是一个全文检索引擎的架构，提供了完整的创建索引和查询索引，以及部分文本分析的引擎。

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在全文检索领域是一个经典的祖先，现在很多检索引擎都是在其基础上创建的，思想是相通的。

Lucene是根据关健字来搜索的文本搜索工具，只能在某个网站内部搜索文本内容，不能跨网站搜索。

既然谈到了网站内部的搜索，那么我们就谈谈我们熟悉的百度、google那些搜索引擎又是基于什么搜索的呢....

 

 

 

 

从图上已经看得很清楚，baidu、google等搜索引擎其实是通过网络爬虫的程序来进行搜索的...

为什么我们要用Lucene？

在介绍Lucene的时候，我们已经说了：Lucene又不是搜索引擎，仅仅是在网站内部进行文本的搜索。那我们为什么要学他呢？？？

我们之前编写纳税服务系统的时候，其实就已经使用过SQL来进行站内的搜索..

既然SQL能做的功能，我们还要学Lucene，为什么呢？？？

我们来看看我们用SQL来搜索的话，有什么缺点：

• （1）SQL只能针对数据库表搜索，不能直接针对硬盘上的文本搜索

• （2）SQL没有相关度排名

• （3）SQL搜索结果没有关健字高亮显示

• （4）SQL需要数据库的支持，数据库本身需要内存开销较大，例如：Oracle

• （5）SQL搜索有时较慢，尤其是数据库不在本地时，超慢，例如：Oracle

 

 

我们来看看在baidu中搜索Lucene为关键字搜索出的内容是怎么样的：

 

 

以上所说的，我们如果使用SQL的话，是做不到的。因此我们就学习Lucene来帮我们在站内根据文本关键字来进行搜索数据！

我们如果网站需要根据关键字来进行搜索，可以使用SQL，也可以使用Lucene...那么我们Lucene和SQL是一样的，都是在持久层中编写代码的。。

 

 

一、快速入门

接下来，我们就讲解怎么使用Lucene了.....在讲解Lucene的API之前，我们首先来讲讲Lucene存放的究竟是什么内容...我们的SQL使用的是数据库中的内存，在硬盘中为DBF文件...那么我们Lucene内部又是什么东西呢？？

Lucene中存的就是一系列的二进制压缩文件和一些控制文件，它们位于计算机的硬盘上， 这些内容统称为索引库，索引库有二部份组成：

• （1）原始记录

• 存入到索引库中的原始文本，例如：我是钟福成

• （2）词汇表

• 按照一定的拆分策略（即分词器）将原始记录中的每个字符拆开后，存入一个供将来搜索的表

也就是说：Lucene存放数据的地方我们通常称之为索引库，索引库又分为两部分组成：原始记录和词汇表....

1.1原始记录和词汇表

当我们想要把数据存到索引库的时候，我们首先存入的是将数据存到原始记录上面去....

又由于我们给用户使用的时候，用户使用的是关键字来进行查询我们的具体记录。因此，我们需要把我们原始存进的数据进行拆分！将拆分出来的数据存进词汇表中。

词汇表就是类似于我们在学Oracle中的索引表，拆分的时候会给出对应的索引值。

一旦用户根据关键字来进行搜索，那么程序就先去查询词汇表中有没有该关键字，如果有该关键字就定位到原始记录表中，将符合条件的原始记录返回给用户查看。

我们查看以下的图方便理解：

 

 

到了这里，有人可能就会疑问：难道原始记录拆分的数据都是一个一个汉字进行拆分的吗？？然后在词汇表中不就有很多的关键字了？？？

其实，我们在存到原始记录表中的时候，可以指定我们使用哪种算法来将数据拆分，存到词汇表中.....我们的图是Lucene的标准分词算法，一个一个汉字进行拆分。我们可以使用别的分词算法，两个两个拆分或者其他的算法。

1.2编写第一个Lucene程序

首先，我们来导入Lucene的必要开发包：

• lucene-core-3.0.2.jar【Lucene核心】

• lucene-analyzers-3.0.2.jar【分词器】

• lucene-highlighter-3.0.2.jar【Lucene会将搜索出来的字，高亮显示，提示用户】

• lucene-memory-3.0.2.jar【索引库优化策略】

创建User对象，User对象封装了数据....

/**

 * Created by ozc on 2017/7/12.

 */

public class User {

    private String id ;

    private String userName;

    private String sal;

    public User() {

    }

    public User(String id, String userName, String sal) {

        this.id = id;

        this.userName = userName;

        this.sal = sal;

    }

    public String getId() {

        return id;

    }

    public void setId(String id) {

        this.id = id;

    }

    public String getUserName() {

        return userName;

    }

    public void setUserName(String userName) {

        this.userName = userName;

    }

    public String getSal() {

        return sal;

    }

    public void setSal(String sal) {

        this.sal = sal;

    }

}

我们想要使用Lucene来查询出站内的数据，首先我们得要有个索引库吧！于是我们先创建索引库，将我们的数据存到索引库中。

创建索引库的步骤：

• 1）创建JavaBean对象

• 2）创建Docment对象

• 3）将JavaBean对象所有的属性值，均放到Document对象中去，属性名可以和JavaBean相同或不同

• 4）创建IndexWriter对象

• 5）将Document对象通过IndexWriter对象写入索引库中

• 6）关闭IndexWriter对象

程序执行完，我们就会在硬盘中见到我们的索引库。

 

 

那我们现在是不知道记录是否真真正正存储到索引库中的，因为我们看不见。索引库存放的数据放在cfs文件下，我们也是不能打开cfs文件的。

于是，我们现在用一个关键字，把索引库的数据读取。看看读取数据是否成功。

根据关键字查询索引库中的内容：

• 1）创建IndexSearcher对象

• 2）创建QueryParser对象

• 3）创建Query对象来封装关键字

• 4）用IndexSearcher对象去索引库中查询符合条件的前100条记录，不足100条记录的以实际为准

• 5）获取符合条件的编号

• 6）用indexSearcher对象去索引库中查询编号对应的Document对象

• 7）将Document对象中的所有属性取出，再封装回JavaBean对象中去，并加入到集合中保存，以备将之用

效果：

 

1.3进一步说明Lucene代码

我们的Lucene程序就是大概这么一个思路：将JavaBean对象封装到Document对象中，然后通过IndexWriter把document写入到索引库中。当用户需要查询的时候，就使用IndexSearcher从索引库中读取数据，找到对应的Document对象，从而解析里边的内容，再封装到JavaBean对象中让我们使用。

 

 

二、对Lucene代码优化

我们再次看回我们上一篇快速入门写过的代码，我来截取一些有代表性的：

以下代码在把数据填充到索引库，和从索引库查询数据的时候，都出现了。是重复代码！

以下的代码其实就是将JavaBean的数据封装到Document对象中，我们是可以通过反射来对其进行封装....如果不封装的话，我们如果有很多JavaBean都要添加到Document对象中，就会出现很多类似的代码。

以下代码就是从Document对象中把数据取出来，封装到JavaBean去。如果JavaBean中有很多属性，也是需要我们写很多次类似代码....

2.1编写Lucene工具类

在编写工具类的时候，值得注意的地方：

• 当我们得到了对象的属性的时候，就可以把属性的get方法封装起来

• 得到get方法，就可以调用它，得到对应的值

• 在操作对象的属性时，我们要使用暴力访问

• 如果有属性，值，对象这三个变量，我们记得使用BeanUtils组件

2.2使用LuceneUtils改造程序

三、索引库优化

我们已经可以创建索引库并且从索引库读取对象的数据了。其实索引库还有地方可以优化的....

3.1合并文件

我们把数据添加到索引库中的时候，每添加一次，都会帮我们自动创建一个cfs文件...

 

 

这样其实不好，因为如果数据量一大，我们的硬盘就有非常非常多的cfs文件了.....其实索引库会帮我们自动合并文件的，默认是10个。

如果，我们想要修改默认的值，我们可以通过以下的代码修改：

3.2设置内存索引库

我们的目前的程序是直接与文件进行操作，这样对IO的开销其实是比较大的。而且速度相对较慢....我们可以使用内存索引库来提高我们的读写效率...

对于内存索引库而言，它的速度是很快的，因为我们直接操作内存...但是呢，我们要将内存索引库是要到硬盘索引库中保存起来的。当我们读取数据的时候，先要把硬盘索引库的数据同步到内存索引库中去的。

 

四、分词器

我们在前面中就已经说过了，在把数据存到索引库的时候，我们会使用某些算法，将原始记录表的数据存到词汇表中.....那么这些算法总和我们可以称之为分词器

分词器： ** 采用一种算法，将中英文本中的字符拆分开来，形成词汇，以待用户输入关健字后搜索**

对于为什么要使用分词器，我们也明确地说过：由于用户不可能把我们的原始记录数据完完整整地记录下来，于是他们在搜索的时候，是通过关键字进行对原始记录表的查询....此时，我们就采用分词器来最大限度地匹配相关的数据

 

 

4.1分词器流程

• 步一：按分词器拆分出词汇

• 步二：去除停用词和禁用词

• 步三：如果有英文，把英文字母转为小写，即搜索不分大小写

4.2分词器API

我们在选择分词算法的时候，我们会发现有非常非常多地分词器API，我们可以用以下代码来看看该分词器是怎么将数据分割的：

在实验完之后，我们就可以选择恰当的分词算法了....

4.3IKAnalyzer 分词器

这是一个第三方的分词器，我们如果要使用的话需要导入对应的jar包

• IKAnalyzer3.2.0Stable.jar

• 步二：将IKAnalyzer.cfg.xml和stopword.dic和xxx.dic文件复制到MyEclipse的src目录下，再进行配置，在配置时，首行需要一个空行

这个第三方的分词器有什么好呢？？？？他是中文首选的分词器...也就是说：他是按照中文的词语来进行拆分的!

五、对搜索结果进行处理

5.1搜索结果高亮

我们在使用SQL时，搜索出来的数据是没有高亮的...而我们使用Lucene，搜索出来的内容我们可以设置关键字为高亮...这样一来就更加注重用户体验了！

5.2搜索结果摘要

如果我们搜索出来的文章内容太大了，而我们只想显示部分的内容，那么我们可以对其进行摘要...

值得注意的是：搜索结果摘要需要与设置高亮一起使用

5.3搜索结果排序

我们搜索引擎肯定用得也不少，使用不同的搜索引擎来搜索相同的内容。他们首页的排行顺序也会不同...这就是它们内部用了搜索结果排序....

影响网页的排序有非常多种：

• head/meta/【keywords关键字】
  

• 网页的标签整洁
  

• 网页执行速度
  

• 采用div+css
  

• 等等等等
  

而在Lucene中我们就可以设置相关度得分来使不同的结果对其进行排序：

IndexWriter indexWriter = new IndexWriter(LuceneUtil.getDirectory(),LuceneUtil.getAnalyzer(),LuceneUtil.getMaxFieldLength());

//为结果设置得分

document.setBoost(20F);

indexWriter.addDocument(document);

indexWriter.close();

当然了，我们也可以按单个字段排序：

也可以按多个字段排序：在多字段排序中，只有第一个字段排序结果相同时，第二个字段排序才有作用 提倡用数值型排序

5.4条件搜索

在我们的例子中，我们使用的是根据一个关键字来对某个字段的内容进行搜索。语法类似于下面：

其实，我们也可以使用关键字来对多个字段进行搜索，也就是多条件搜索。我们实际中常常用到的是多条件搜索，多条件搜索可以使用我们最大限度匹配对应的数据！

QueryParser queryParser = new MultiFieldQueryParser(LuceneUtil.getVersion(),new String[]{"content","title"},LuceneUtil.getAnalyzer());

六、总结

• Lucene是全文索引引擎的祖先，后面的Solr、Elasticsearch都是基于Lucene的(后面会有一篇讲Elasticsearch的，敬请期待～)

• Lucene中存的就是一系列的二进制压缩文件和一些控制文件,这些内容统称为索引库,索引库又分了两个部分：

• 原始记录

• 词汇表

• 了解索引库的优化方式：1、合并文件 2、设置内存索引库

• Lucene的分词器有非常多种，选择自己适合的一种进行分词

• 查询出来的结果可对其设置高亮、摘要、排序

这篇这是Lucene的冰山一角，一般现在用的可能都是Solr、Elasticsearch的了，但想要更加深入了解Lucene可翻阅其他资料哦～

因排版问题，部分代码无法显示完全，完整代码请可以点击阅读原文或扫码进入查看：