Lucene

Posted 2021-03-08 xuweiweiwoaini

1 什么是全文检索？

1.1 数据分类

• 我们生活中的数据总体分为两类：结构化数据和非结构化数据。
• 结构化数据：指的是具有固定格式和有限长度的数据。比如数据库的数据等。
• 非结构化数据：指的是不具有固定格式或非有限长度的数据，比如邮件、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由规律的，有行有列而且数据格式、长度都是固定的。

1.3 非结构化数据查询方法

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查询，对于每一个文档，从头看到尾，如果此文档包含此字符串，则此文档是我们要找的文件，接着看下一个文件，直到扫描完所有的文件。例如利用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

• 将非结构化数据的一部分信息提取出来，重新组织，使其变得具有一定的结构，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母的。这部分从非结构化数据中提取的然后重新组织的信息，我们称之为索引。
• 例如：字典。字典的拼音表和部首检查字表就相当于字典的索引，对于每一个字的解释是非结构化的，如果字典没有拼音表或部首查字表，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，便可找到我们非结构化的数据--对字的解释。

 

• 上面这种先建立索引，再对索引进行搜索的过程叫全文检索。
• 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 如何实现全文检索

• 可以使用Lucene实现全文检索。

1.5 全文检索的应用场景

• 对于数据量大、数据结构不固定的数据可采用全文检索的方式进行搜索，比如百度、Google等搜索引擎、论坛站内搜索、电商网站等等。

 

2 使用Lucene实现全文检索的流程

2.1 Lucene简介

• Lucene是Apache下的一个开源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，以方便在目标系统中实现全文检索的功能。

2.2 索引和搜索的流程图

• 绿色表示创建索引过程，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：获取文档-->构建文档对象-->分析文档（对内容分词）-->创建索引。
• 红色表示查询索引过程，从索引库中搜索内容，搜索过程包括：