Lucene原理之概念

Posted 2021-01-05 chen--biao

概念：

　　　　数据分两种：

　　　　　　1、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。
　　　　　　2、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。（半结构化数据：如XML，html等，当根据需要可按结构化数据来处理，也可抽取出纯文本按非结构化数据来处理）

　　　　非结构化数据又一种叫法叫全文数据。因此：全文索引就是非结构化的数据索引。Lucene就是全文索引库。

 

　　　　 全文检索大体分两个过程，索引创建 (Indexing) 和搜索索引 (Search) 。
　　　　索引创建：将现实世界中所有的结构化和非结构化数据提取信息，创建索引的过程。
　　　　搜索索引：就是得到用户的查询请求，搜索创建的索引，然后返回结果的过程。
　　　　于是全文检索就存在三个重要问题：
　　　　　　1. 索引里面究竟存些什么？(Index)
　　　　　　2. 如何创建索引？(Indexing)
　　　　　　3. 如何对索引进行搜索？(Search)

一、索引结构：　　

　　索引由字典+倒排表组成。
　　　　字典：就是我们需要搜索的词。
　　　　倒排表：建立了字典和文档的映射。（每个字符串都指向包含本身的文档链表）

　　图：

　　　　

　　

 

 　　排序（平分）：

　　　　df:Document Frequency 即文档频次，表示总共有多少文件包含此词(Term)。
　　　　tf:Term Frequency 即词频率，表示此文件中包含了几个此词(Term)。

二、创建索引： 

　　创建索引的步骤：

　　　　1、需要索引的文档。
　　　　2、将文档分词（Tokenizer）
　　　　　　分词的需要做的事情：
　　　　　　1）、去除标点。
　　　　　　2）、去除停词（所谓停词就是一种语言中最普通的一些单词，由于没有特别的意义，因而大多数情况下不能成为搜索的关键词，因而创建索引时，这种词会被去掉而减少索引的大小）。
　　　　　　3）、分词得到词元（字典）。
　　　　3、将词元（Token）传递给语言处理组件（Linguistic Processor）。
　　　　　　对于英语，语言处理组件(Linguistic Processor) 一般做以下几点：
　　　　　　1）、变为小写(Lowercase) 。
　　　　　　2）、将单词缩减为词根形式，如“cars ”到“car ”等。这种操作称为：stemming 。
　　　　　　3）、将单词转变为词根形式，如“drove ”到“drive ”等。这种操作称为：lemmatization（词型还原） 。
　　　　4、将得到的词(Term)传给索引组件(Indexer)。
　　　　　　索引组件(Indexer)主要做以下几件事情：
　　　　　　1）、利用得到的词(Term)创建一个字典。
　　　　　　2）、对字典按字母顺序进行排序。
　　　　　　3）、合并相同的词(Term) 成为文档倒排(Posting List) 链表。

三、搜索索引：

 　　搜索的步骤：　　　

　　　　1、用户输入查询语句。举个例子，用户输入语句：lucene AND learned NOT hadoop。
　　　　2、对查询语句进行词法分析，语法分析，及语言处理。
　　　　　　1）、词法分析主要用来识别单词和关键字。
　　　　　　2）、语法分析主要是根据查询语句的语法规则来形成一棵语法树。
　　　　　　3）、语言处理同索引过程中的语言处理几乎相同。
　　　　3、搜索索引，得到符合语法树的文档。
　　　　　　此步骤有分几小步：
　　　　　　1）、首先，在反向索引表中，分别找出包含lucene，learn，hadoop的文档链表。
　　　　　　2）、其次，对包含lucene，learn的链表进行合并操作，得到既包含lucene又包含learn的文档链表。
　　　　　　3）、然后，将此链表与hadoop的文档链表进行差操作，去除包含hadoop的文档，从而得到既包含lucene又包含learn而且不包含hadoop的文档链表。
　　　　　　4）、最后，此文档链表就是我们要找的文档。
　　　　4、根据得到的文档和查询语句的相关性，对结果进行排序。
　　　　　　Term Frequency (tf)：即此Term在此文档中出现了多少次。tf 越大说明越重要。
　　　　　　Document Frequency (df)：即有多少文档包含次Term。df 越大说明越不重要。

 

 ref:

　　https://www.cnblogs.com/forfuture1978/category/300665.html