Lucene学习总结

Posted 2020-07-23 和风细雨汪汪

在使用Lucene前，我们先大致熟悉下Lucene的几个核心类。

 

核心索引类：

 

• public class IndexWriter

　　索引过程的中心组件，把它想象成一个可以对索引进行写操作的对象。

• public abstract class Directry

　　Directory代表索引所在的位置，该抽象类有两个具体的子类实现。FSDirectory表示存储在文件系统的索引位置，RAMDirectory表示存储在内存中的索引位置。

　　

• public abstract class Analyzer

  分词组件。在建立索引前首先要对文档进行分词，Lucene默认有一些分词类的实现，自己实现的分词要继承该类。

• public final class Document

  Document类似于数据库中的一条记录，它由好几个字段Field组成。

• public final class Field

  Field用来描述文档的某个属性，例如文章的标题，内容等等。

核心搜索类：

• public class IndexSeacher

  用来在已经建好的索引上进行搜索操作

• public final class Term

  搜索的基本单元。Term对象有两个域组成。Term term = new Term("fieldName","queryWord");

• public abstract class Query

  抽象类，有很多具体实现类。该类主要作用把用户输入的查询语句转换为Lucene能够是别的query。

• public final class Hits（TopDocs）

  Hits是用来保存查询得到的结果的。最新版的Lucene中，TopDocs已代替了Hits。

　　 我们拿一张纸、一支笔，填写下面的表格：　　　　

 

序号	文件名	文件路径	文件类型	文件大小	修改时间	内容	……

    填完以后，搜索的时候就可以照着这张纸“按图索骥”了。

    在lucene中，这张纸叫做Directory（也就是索引保存的目录），这支笔叫做IndexWriter，表格中一条记录叫做Document，记录中的每项叫做Field。

 

下面我们来看第一个简单的Lucene实现索引的例子（Lucene版本为4.10.1）。

public class LuceneDemo {

    public static void main(String[] args){
    
        //RAMDirectory（内存路径）继承自Directory抽象类，另一个继承自该类的是FSDirectory(文件系统路径),Directory dir = FSDirectory.open(new File("此处写索引存储的位置，"));
        Directory dir = new RAMDirectory();
            
        //SimpleAnalyzer继承自抽象类Analyzer，是分词组件，不同语言有不同的分词组件包，也可以自己定义实现该抽象类
        Analyzer analyzer = new SimpleAnalyzer();
        
        //定义IndexWriterConfig
        IndexWriterConfig iwc = new IndexWriterConfig(Version.LATEST, analyzer);
        
        //定义document对象
        Document doc = new Document();
        
        try {
        
            //第一步，切词入库，创建索引。定义IndexWriter对索引进行“写”操作
            IndexWriter iw = new IndexWriter(dir, iwc);
            
            //Field对象的构造方法有四个参数，前两个参数表示要建立索引的name和value，name指索引的名称，value指要建立索引的“文档对象”，例如博客的标题、正文
            //Field.Store有YES和NO两个值，表示是否存储该Field
            //Field.Index有5个不同的取值,ANALYZED，ANALYZED_NO_NORMS，NOT_ANALYZED，NOT_ANALYZED_NO_NORMS，NO,根据不同情况选择是否分词
            doc.add(new Field("title", "james bonde", Field.Store.YES, Field.Index.ANALYZED));
            doc.add(new Field("content","He want to go to school next year.",Field.Store.YES,Field.Index.ANALYZED));
            doc.add(new Field("doc","He will go to his mother‘s home.",Field.Store.YES,Field.Index.ANALYZED));
            iw.addDocument(doc);
            iw.close();
            
            //第二步，查询索引，返回结果
            IndexReader ir = DirectoryReader.open(dir);
            
            //定义IndexSearcher
            IndexSearcher is = new IndexSearcher(ir);
            
            //定义Term，new Term("doc", "home")，第一个值表示要搜索的域，第二个则表示搜索值
            Term term = new Term("doc", "home");
            
            //TermQuery继承自Query抽象类，是Lucene最基本的查询
            Query query = new TermQuery(term);
            
            //执行查询，返回TopDocs对象结果集
            TopDocs td = is.search(query, 10);
            
            for(int i=0;i<td.scoreDocs.length;i++){
                Document d = is.doc(td.scoreDocs[i].doc);
                System.out.println("----------"+d.getField("title"));
                System.out.println("----------"+d.getField("content"));
                System.out.println("----------"+d.getField("doc"));
            }
            dir.close();
        } catch (IOException e) {
            // TODO Auto-generated catch block
            e.printStackTrace();
        }    
    }

}

 

索引的创建、修改和删除

首先，我们来看一个例子：开源中国社区每天都有人发布新的博客，同时也有很多人在进行修改和删除博客的操作。如果我们只更新博客数据而不更新对应的索引数据，这会带来那些问题呢？

新增的博客信息不能够及时被用户搜索到；

修改的博客信息查询时依然显示之前的内容；

删除的博客信息查询时存在但实际已被删除。

因此，为了提高系统搜索的准确性和实时性，我们在进行数据更新的同时，也会更新与之对应的索引数据，这样业务数据就可以保持与索引数据的一致，上面的几个问题也就随之解决了。

首先，我们来看新增索引的操作，这个比较简单，之前的例子里面已经有讲到：

//当新增博客时，索引也增量更新
public void addLuceneIndex(Blog blog){

    try {
        IndexWriter writer = new IndexWriter(directory, config);
        Document doc = new Document();
      
        //文章id，需要存储，查询结果的链接需要，但不需要检索
        doc.add(new Field("id",blog.getString("id"),Field.Store.YES,Field.Index.NO));
      
        //文章标题，需要存储也需要切词索引
        doc.add(new Field("title",blog.getString("title"),Field.Store.YES,Field.Index.ANALYZED));
      
        //文章内容一般会比较长，所以不需要存储，但需要切词索引
        doc.add(new Field("content",blog.getString("content"),Field.Store.NO,Field.Index.ANALYZED));
      
        //文章作者，需要存储，整体索引但不切词
        doc.add(new Field("author",blog.getString("author"),Field.Store.YES,Field.Index.NOT_ANALYZED));
        writer.addDocument(doc);
        writer.forceMerge(1);
        writer.commit();
  } catch (IOException e) {
      // TODO Auto-generated catch block
      e.printStackTrace();
  }
}
当博客被修改时，对应索引也执行更新操作，实际后台代码执行的是先删除再新增操作。

//索引更新操作
public void updateLuceneIndex(Blog blog){
    try {
        IndexWriter writer = new IndexWriter(directory, config);
        Document doc = new Document();
        writer.updateDocument(new Term("id", blog.getString("id")), doc);
        writer.forceMerge(1);
        writer.commit();
    } catch (IOException e) {
        // TODO Auto-generated catch block
        e.printStackTrace();
    }
}
当文章删除时，对应索引也执行删除操作

//索引删除操作
public void delLuceneIndex(Blog blog){
    try {
        indexWriter.deleteDocuments(new Term("id", blog.getString("id")));  // Document删除
    } catch (IOException e) {
        e.printStackTrace();
    }
}
最后说明一下，索引文件的增、删、改在实际应用过程中也是有很多策略的。比如对于搜索实时性要求比较高的系统，可以采取实时更新的策略，在更新记录时同时更新索引；如果系统对搜索的实时性要求不高，且服务器资源有限，可以设置一个定时任务，把白天更新的记录都标记出来，在凌晨服务器空闲的时候批量更新。总之，可以根据自己的需要去灵活的应用。



分词（切词）

分词也叫作切词，是指把文档的内容按照一定的规则切分成一个个独立的词语，通俗的说就是把句子切分成词语。分词是影响Lucene查询效率和查询准确率的关键因素。所有的分词器都继承自Lucene的Analyzer，今天介绍最流行和通用的中文分词器IKAnalyzer的使用。

Lucene默认实现的有英文分词。英文分词相对简单，主要是对每个单词的单复数，时态等做转换即可。而中文分词相对更复杂一些。因为中文的词库本身就非常庞杂，同一个句子可能有好几种分词法，不同的分词法可能就会导致不同的查询结果。IKAnalyzer为我们解决以上问题提供了很好的方案，它允许我们可以个性化定义扩展词库，而且分词效率极高。

下面我们来看下IKAnalyzer的配置文件IKAnalyzer.cfg.xml，把它放置到源文件根目录下面，系统会自动加载进来。

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd">  
<properties>  
    <comment>IKAnalyzer扩展配置</comment>
    
    <!--用户可以在这里配置自己的扩展字典-->
    <entry key="ext_dict">
        /com/jfinal/lucene/ext.dic; 
        /com/jfinal/lucene/ft_main2012.dic; 
        /com/jfinal/lucene/ft_quantifier.dic; 
    </entry>
    
    <!--用户可以在这里配置自己的扩展停止词字典-->
    <entry key="ext_stopwords">
        /com/jfinal/lucene/stop.dic
    </entry>
    
</properties>
ext.dic用来定义自己的扩展词库。比如特定的地名，人名，就相当于告诉分词器如果遇到这些词汇就把它们做单独分词；

stop.dic用来定义自己的扩展停止词字典，停止词就是指那些最普通的，没有特定含义的词。比如英语里面的a ，the，汉语里面的了，又等等。

把IKAnalyzer的jar包拷贝到lib下，使用时新建对象即可。

Analyzer analyzer = new IKAnalyzer()