Lunece介绍和简单实用-优快云博客

本文链接：https://blog.youkuaiyun.com/heshendian/article/details/121058824

Lunec是一种用于全文检索的开放源代码引擎工具包，适用于结构化和非结构化数据查询。本文详细介绍了Lunec的全文索引流程，包括数据分类、索引创建、查询步骤以及测试环境的配置，还涉及了分词器的选择和索引库的维护。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

文章目录

Lunece

Lunece

全文检索技术

什么是全文检索

数据分类

数据总体分为两类：

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。
非机构化数据：指不定场或无固定格式的数据，入邮件，worf文档等磁盘上的文件

结构化数据查询方法

数据库搜索

数据库中的搜索很容易实现，通常都是使用SQL语句进行查询，而且能很快得得到结果。

为什么数据库搜索很容易？

因为数据库中的数据存储是有规律的，有行有列而且数据格式、数据长度都是固定的。

非结构化数据查询方法

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看，对于每一个文档，从头看到尾，如果此文档包含此字符串，则此文档为我们要找的文件，接着看下一个文件，直到扫米啊完所有的文件，如利用windows的搜索也可以搜索文件内容，只是相当的慢。

2.全文检索

将非结果化数据中的一部分信息提取出来，重新组织，使其变得有一定结构，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目的。这部分从非结构化数据中提取出的然后重新组织的信息，我们称之索引。

这种先建立索引，再对苏音进行搜索的过程就叫全文索引。

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。

如何实现全文检索

可以使用Lunece实现全文检索。Lunece是apache下的一个开放源代码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。Lunece的目的是为软件开发人寰提供一个简单易用的工具包，以方便的在目标系统中实现全文检索的功能。

在这里插入图片描述

Lunece实现全文索引的流程

索引和搜索的流程图

在这里插入图片描述

1、绿色表示索引过程，对要搜索的原始内容进行索引构建一个索引口，索引过程包括：

确认原始内容即要搜索的内容采集文档、创建文档、分析文档、索引文档

2、红色表示搜索过程，从索引口中搜索内容，搜索过程包括：

用户通过搜索界面、创建查询、执行搜索，从索引口搜索渲染搜索结果

创建索引

对文档索引的过程，将用户要搜索的文档内容进行索引，索引存储在索引库中。

获取原始文档

原始文档是指要索引的搜索的内容。原始内容包括互联网上的网页，数据库中的数据，磁盘上的文件等。

从互联网上、数据库、文件系统中等获取需要搜索的原始信息，这个过程就是信息采集，信息采集的目的是为了对原始内容进行索引。

在Internet上采集信息的软件通常成为爬虫，也成为网络机器人，爬虫访问互联网上的每一个网页，获取到的网页内容存储起来。

此次，使用构造数据来模拟数据。

创建文档对象

获取原始内容的目的是为了索引，在索引前需要将原始内容创建成文档（Document）、文档中包括一个一个的域（Field），域中存储内容。

这里我们可以将磁盘上的一个文件当成一个document，Document中包括一些Field（file_name文件名称、file_path文件路径、file_size文件大小、file_content文件内容），如下：

在这里插入图片描述

注意：每个Document可以有多个Field，不同的Document可以有不同的Field，同一个Document可以有相同Field（域名和域值都相同）

每个文档都有一个唯一的编号，就是文档Id。

分析文档

将原始内容创建为包含域（Field）的文档（document），需要再对域中的内容进行分析，分析的过程是经过对原始文档提取单词、将字母转为小写、去除标点符号、去除停用词等过程最终的语汇单元，可以将语汇单元理解为一个一个的单词。

比如下边的文档经过分析如下：

原始文档内容：

Lunece is a Java full-text search rngine. Lunch is not a comlete application, but rather a code library and API that can easily be used to add search capabilities to applications.

分析后得到的语汇单元：

Lunece、Java、full、search、engine 。。。

每个单词叫做一个Term，不同的域中拆分出来的相同的单词是不同的term。term中包含两部分一部分是文档的路径，另一部分是单词的内容。

例如：文件名中包含apache和文件内容中包含apache是不同的term。

创建索引

对所有文档分析得出的语汇单元进行索引，索引的目的是为了搜索，最终要实现只搜索被索引的语汇单元从而找到Document（文档）

注意：创建索引是对语汇单词索引，通过词语找文档，这种索引的结构叫倒排索引结构。

传统方法是根据文件找到该文件内容，在文件内容中匹配搜索关键字，这种方法是顺序扫描方法，数据量大，搜索慢。

倒排索引结构也叫反向索引结构，包括索引和文档两部分，索引即词汇表，它的规模较小，而文档集合较大。

查询索引

查询索引也是搜索的过程，搜索就是用户输入关键字，从索引（index）中进行搜索的过程。根据关键字搜索索引，根据索引找到对应的文档，从而找到要搜索的内容。

用户查询接口

全文检索系统提供用户搜索界面供用户提交关键字，搜索完成展示搜索结果。

在这里插入图片描述

Lunece不提供制作用户搜索界面的功能，需要根据自己的需求开发搜索界面

创建查询

用户输入查询关键子执行搜索之前需要先构建一个查询对象，查询对象中可以指定要查询要搜索的Field文档域，查询关键字等，查询对象会生成具体的查询语法，

例如：

语法“filename：Lunece“表示要搜索Field域的内容为”Lunece“的文档

执行查询

搜索索引过程：

根据查询语法在倒排索引词典表中分别找出对应搜索的索引，从而找到索引所链接的文档列表。

比如搜索语法为“fileName：lunece”表示搜索出fileName域中包含Lunece的文档。

搜索过程就是在索引上查找域为filename，并且关键字为Lunece的term，并根据term找到文档id列表。

在这里插入图片描述

渲染结果

以一个友好的界面将查询结果展示给用户，用户根据搜索结果找到自己想要的信息，为了帮助用户很快找到自己的结果，提供了很多展示的效果，比如搜索结果中将关键字高亮显示，百度提供的酷爱等。

在这里插入图片描述

测试案例——配置开发环境

Lunece是开发全文检索功能的工具包，从官方网站上下载lunece-7.4.0，并解压

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-neafLoJH-1635609658982)(img/MyLunece/image-20201220195413939.png)]

官方网站：http://lucene.apache.org/

版本：lunece-7.4.0

jdk要求：1.8以上

或者使用maven

				<!--核心包-->
        <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>
        <!--编码转换 -->
        <!-- https://mvnrepository.com/artifact/commons-io/commons-io -->
        <dependency>
            <groupId>commons-io</groupId>
            <artifactId>commons-io</artifactId>
            <version>2.0</version>
        </dependency>

入门程序

需求：

实现一个搜索功能，通过关键字搜索文件。

模拟数据：


    // 模拟数据
    public static final List<Student> list =new ArrayList<Student>(
            Arrays.asList(new Student("1","张三",18,"北京市海淀区温泉镇","法外狂徒"),
                    new Student("2","李四",19,"北京市海底区东升镇","唱、跳、rap"),
                    new Student("3","王武",20,"北京市海淀区上庄镇","吸烟、喝酒、烫头"),
                    new Student("4","王五",21,"北京市海淀区苏家坨镇","点烟、倒酒、给别人烫头"),
                    new Student("5","麻六",18,"北京市海淀区西北旺镇","吃饭、喝酒"),
                    new Student("6","酸菜",17,"统一老坛酸菜牛肉面","带着酸菜"),
                    new Student("7","麻辣",10,"统一麻辣牛肉面","带着没有牛肉的牛肉面"),
                    new Student("8","老母鸡",14,"康师傅老母鸡汤面","没有老母鸡的老母鸡面"),
                    new Student("9","酱香",15,"酱香味小龙虾","88元一斤"),
                    new Student("10","蒜蓉",19,"蒜蓉味小龙虾","100元一斤")));

创建索引

1、创建一个Java程序。

2、创建一个indexWriter对象。

指定索引库的存放位置Directory对象(FSDirectory.open 来获取)

指定一个IndexWriterConfig对象(IndexWriterConfig需要analyzer对象)。

3、创建document对象。

4、创建field对象，将field对象添加到document对象中。

5、使用indexWriter对象将document对象写入索引库，此过程进行索引创建，并将索引和docuemnt对象写入索引库

6、关闭indexWriter对象。

代码：

//        2、创建一个indexWriter对象。
        IndexWriter indexWriter=new IndexWriter(FSDirectory.open(Paths.get(CreateIndexes.path)),new IndexWriterConfig(new StandardAnalyzer()));
//        	指定索引库的存放位置Directory对象
//        	指定一个IndexWriterConfig对象(IndexWriterConfig需要analyzer对象)。
//        3、创建document对象。
        Document document=null ;
//        4、创建field对象，将field对象添加到document对象中。
        List<Student> list1 = CreateIndexes.list;
        for (S