lucene介绍

Posted 2020-12-05 myjavastudy

 Lucene

　　lucene 是全文检索的一种实现，是一种工具包 用于中小型应用实现对文本的全文检索，
　　　　solr 全文搜索服务器 大型应用
　　　　lucene api
　　　　　　　　增删改 IndexWriter(索引写入器)
　　　　　　　　查询 IndexSearcher(索引搜索器)

 　　　　索引目录（Directory）： 存储索引文件目录的抽象 ，里面放索引文件，Directory 是一个抽象类  要用他的子类FSDirectory（文件系统目录）来创建对象。

　　　　　　　　　　Directory directory = FSDirectory.open(Paths.get(Path));

　　  document  的crud

　　　　增加：indexWriter.addDocument(document1);//添加到缓冲区

　　　　修改：indexWriter.

　　　　删除： indexWriter.deleteAll();//删除所有

　　　　　　　indexWriter.deleteDocuments(new Term("content","lucence"))   ; //根据单词删除   这个单词是指某个字段中是否包含某个单词  content字段中包含lucence单词与否

　　　　　　　indexWriter.deleteDocuments(query)// 删除包含某个查询条件的

　　　　获取：Document document=indexSearcher.doc(docId);

　　　　查询：TopDocs topDocs=indexSearcher.search(query, n);//查询top  n个

Lucene倒排索引原理

　　这篇文章是转再载的，    转载地址：http://chinajweb.iteye.com/blog/2085870

Lucene是一个高性能的java全文检索工具包，它使用的是倒排文件索引结构。该结构及相应的生成算法如下： 
　　 
　　0）设有两篇文章1和2 
　　文章1的内容为：Tom lives in Guangzhou,I live in Guangzhou too. 
　　文章2的内容为：He once lived in Shanghai. 
　　 
　　1)由于lucene是基于关键词索引和查询的，首先我们要取得这两篇文章的关键词，通常我们需要如下处理措施 
　　a.我们现在有的是文章内容，即一个字符串，我们先要找出字符串中的所有单词，即分词。英文单词由于用空格分隔，比较好处理。中文单词间是连在一起的需要特殊的分词处理。 
　　b.文章中的”in”, “once” “too”等词没有什么实际意义，中文中的“的”“是”等字通常也无具体含义，这些不代表概念的词可以过滤掉 
　　c.用户通常希望查“He”时能把含“he”，“HE”的文章也找出来，所以所有单词需要统一大小写。 
　　d.用户通常希望查“live”时能把含“lives”，“lived”的文章也找出来，所以需要把“lives”，“lived”还原成“live” 
　　e.文章中的标点符号通常不表示某种概念，也可以过滤掉 
　　在lucene中以上措施由Analyzer类完成 
　　 
　　经过上面处理后 
　　 文章1的所有关键词为：[tom] [live] [guangzhou] [i] [live] [guangzhou] 
　　 文章2的所有关键词为：[he] [live] [shanghai] 
　　 
　　2) 有了关键词后，我们就可以建立倒排索引了。上面的对应关系是：“文章号”对“文章中所有关键词”。倒排索引把这个关系倒过来，变成：“关键词”对“拥有该关键词的所有文章号”。文章1，2经过倒排后变成 
　　关键词 文章号 
　　guangzhou 1 
　　he 2 
　　i 1 
　　live 1,2 
　　shanghai 2 
　　tom 1 
　　 
　　通常仅知道关键词在哪些文章中出现还不够，我们还需要知道关键词在文章中出现次数和出现的位置，通常有两种位置：a)字符位置，即记录该词是 文章中第几个字符（优点是关键词亮显时定位快）；b)关键词位置，即记录该词是文章中第几个关键词（优点是节约索引空间、词组（phase）查询 快），lucene 中记录的就是这种位置。 
　　 
　　加上“出现频率”和“出现位置”信息后，我们的索引结构变为： 
　　关键词 文章号[出现频率] 出现位置 
　　guangzhou 1[2] 3，6 
　　he 2[1] 1 
　　i 1[1] 4 
　　live 1[2],2[1] 2，5，2 
　　shanghai 2[1] 3 
　　tom 1[1] 1 
　　 
　　以live 这行为例我们说明一下该结构：live在文章1中出现了2次，文章2中出现了一次，它的出现位置为“2,5,2”这表示什么呢？我们需要结合文章号和出现 频率来分析，文章1中出现了2次，那么“2,5”就表示live在文章1中出现的两个位置，文章2中出现了一次，剩下的“2”就表示live是文章2中第 2个关键字。 
　　 
　　以上就是lucene索引结构中最核心的部分。我们注意到关键字是按字符顺序排列的（lucene没有使用B树结构），因此lucene可以用二元搜索算法快速定位关键词。 
　　 
　　实现时 lucene将上面三列分别作为词典文件（Term Dictionary）、频率文件(frequencies)、位置文件 (positions)保存。其中词典文件不仅保存有每个关键词，还保留了指向频率文件和位置文件的指针，通过指针可以找到该关键字的频率信息和位置信 息。 
　　 
　　 Lucene中使用了field的概念，用于表达信息所在位置（如标题中，文章中，url中），在建索引中，该field信息也记录在词典文件中，每个关键词都有一个field信息(因为每个关键字一定属于一个或多个field)。 
　　 
　　为了减小索引文件的大小，Lucene对索引还使用了压缩技术。首先，对词典文件中的关键词进行了压缩，关键词压缩为<前缀长度，后 缀>，例如：当前词为“阿拉伯语”，上一个词为“阿拉伯”，那么“阿拉伯语”压缩为<3，语>。其次大量用到的是对数字的压缩，数字只 保存与上一个值的差值（这样可以减小数字的长度，进而减少保存该数字需要的字节数）。例如当前文章号是16389（不压缩要用3个字节保存），上一文章号 是16382，压缩后保存7（只用一个字节）。 
　　 
　　 下面我们可以通过对该索引的查询来解释一下为什么要建立索引。 
　　假设要查询单词 “live”，lucene先对词典二元查找、找到该词，通过指向频率文件的指针读出所有文章号，然后返回结果。词典通常非常小，因而，整个过程的时间是毫秒级的。 
　　而用普通的顺序匹配算法，不建索引，而是对所有文章的内容进行字符串匹配，这个过程将会相当缓慢，当文章数目很大时，时间往往是无法忍受的。

lucene 入门实例

　　1 引入夹包 

　　maven  pom.xml

<dependency>
		<groupId>org.apache.lucene</groupId>
		<artifactId>lucene-core</artifactId>
		<version>5.3.1</version>
	  </dependency>
	  <!--一般分词器，适用于英文分词-->
	  <dependency>
		<groupId>org.apache.lucene</groupId>
		<artifactId>lucene-analyzers-common</artifactId>
		<version>5.3.1</version>
	 </dependency>
	 <!--中文分词器-->
	 <dependency>
		<groupId>org.apache.lucene</groupId>
		<artifactId>lucene-analyzers-smartcn</artifactId>
		<version>5.3.1</version>
	</dependency>
	 
	 <!--对分词索引查询解析-->
	 <dependency>
		<groupId>org.apache.lucene</groupId>
		<artifactId>lucene-queryparser</artifactId>
		<version>5.3.1</version>
	 </dependency>
	 <!--检索关键字高亮显示-->
	 <dependency>
		<groupId>org.apache.lucene</groupId>
		<artifactId>lucene-highlighter</artifactId>
		<version>5.3.1</version>
	</dependency>
		

　　夹包： core （核心包）  analyzers（分词）    queryparse （解析字符串） 这几个包相对重要

　　2 测试：

　　　　　　　1测试创建索引

　　　　

　　　　//索引目录
	private static final String Path = "D:\\lucene";
	//现在帖子的内容是写死在下面的  以后从数据库中读取
	static String  doc1="hello word";
	static String  doc2="hello java word";
	static String  doc3="hello lucene word";
	
	/*创建索引：
	 *     1  创建IndexWrite 	
	 *     2  把要创建索引的文本数据放入Document的字段中
	 *     3 通过indexWriter吧document写入
	 */
	
	/*  创建索引
	public static void main(String[] args) {
		
		try {
			// 1  创建IndexWrite 	
			
			//索引目录
			Directory arg0 = FSDirectory.open(Paths.get(Path));
			//对写入做配置 传入分词器
			IndexWriterConfig arg1=new IndexWriterConfig(new SimpleAnalyzer()); 
			IndexWriter indexWriter =new IndexWriter(arg0, arg1);
			System.out.println(indexWriter);
			
			//2  把要创建索引的文本数据放入Document的字段中
			Document document1=new Document();
			
			document1.add(new TextField("id", "1", Store.YES));
			document1.add(new TextField("title", "doc1", Store.YES));
			document1.add(new TextField("content", doc1, Store.YES));
			
			Document document2=new Document();
			
			document2.add(new TextField("id", "2", Store.YES));
			document2.add(new TextField("title", "doc2", Store.YES));
			document2.add(new TextField("content", doc2, Store.YES));
			
			Document document3=new Document();
			
			document3.add(new TextField("id", "3", Store.YES));
			document3.add(new TextField("title", "doc3", Store.YES));
			document3.add(new TextField("content", doc3, Store.YES));
			
			// 3 通过indexWriter吧document写入
			indexWriter.addDocument(document1);//添加到缓冲区
			indexWriter.addDocument(document2);
			indexWriter.addDocument(document3);
			indexWriter.commit();//
			indexWriter.close();
		} catch (Exception e) {
			// TODO Auto-generated catch block
			e.printStackTrace();
		} 
		
	}

　　　　　　　2测试搜索索引

/*
	 * 搜索索引：
	 * 		1 创建IndexSearch
	 * 		2 创建Query对象
	 * 		3 使用IndexSearch对象传入Query 进行搜索
	 * 		4 从结果中获取documentId  再通过他获取document
	 * 		5 把document转换成我们想要的东西进行返回
	 */

　　　　　　

　　　　　　//索引目录
　　　　　　private static final String Path = "D:\\lucene";

	public static void main(String[] args) throws Exception {
		// 1 创建IndexSearch
		
		//索引目录
		Directory directory = FSDirectory.open(Paths.get(Path));
		IndexReader r =DirectoryReader.open(directory);//索引读入器
		IndexSearcher indexSearcher=new IndexSearcher(r );//索引搜索器
		
		//2 创建Query对象   把特定字符串解析得到
		String paseStr="content:hello";
		//用它对搜索条件进行分词
		Analyzer a=new SimpleAnalyzer();
		String defaultField="content";//如果搜索字符串中没有设定 就使用默认的
		QueryParser paser=new QueryParser(defaultField, a);
		Query query=paser.parse(paseStr);
		
		//3 使用IndexSearch对象传入Query 进行搜索
		int n=1000;
		TopDocs topDocs=indexSearcher.search(query, n);//查询top  n个
		System.out.println("总命中数"+topDocs.totalHits);
		
		//4 从结果中获取documentId  再通过他获取document
		ScoreDoc[] scoreDocs=topDocs.scoreDocs;//命中纪录数据
		for(ScoreDoc scoreDoc:scoreDocs){
			int docId =scoreDoc.doc;//获取文档编号
			
			//5 把document转换成我们想要的东西进行返回
			Document document=indexSearcher.doc(docId);
			System.out.println("id=="+document.get("id"));
			System.out.println("title=="+document.get("title"));
			System.out.println("content=="+document.get("content"));
		}
	}