Lucene学习总结之二：Lucene的总体架构

 

Lucene总的来说是：

• 一个高效的，可扩展的，全文检索库。
• 全部用Java实现，无须配置。
• 仅支持纯文本文件的索引(Indexing)和搜索(Search)。
• 不负责由其他格式的文件抽取纯文本文件，或从网络中抓取文件的过程。

在Lucene in action中，Lucene 的构架和过程如下图，

说明Lucene是有索引和搜索的两个过程，包含索引创建，索引，搜索三个要点。

让我们更细一些看Lucene的各组件：

• 被索引的文档用Document对象表示。
• IndexWriter通过函数addDocument将文档添加到索引中，实现创建索引的过程。
• Lucene的索引是应用反向索引。
• 当用户有请求时，Query代表用户的查询语句。
• IndexSearcher通过函数search搜索Lucene Index。
• IndexSearcher计算term weight和score并且将结果返回给用户。
• 返回给用户的文档集合用TopDocsCollector表示。

 

那么如何应用这些组件呢？

让我们再详细到对Lucene API 的调用实现索引和搜索过程。

• 索引过程如下：
  • 创建一个IndexWriter用来写索引文件，它有几个参数，INDEX_DIR就是索引文件所存放的位置，Analyzer便是用来对文档进行词法分析和语言处理的。
  • 创建一个Document代表我们要索引的文档。
  • 将不同的Field加入到文档中。我们知道，一篇文档有多种信息，如题目，作者，修改时间，内容等。不同类型的信息用不同的Field来表示，在本例子中，一共有两类信息进行了索引，一个是文件路径，一个是文件内容。其中FileReader的SRC_FILE就表示要索引的源文件。
  • IndexWriter调用函数addDocument将索引写到索引文件夹中。
• 搜索过程如下：
  • IndexReader将磁盘上的索引信息读入到内存，INDEX_DIR就是索引文件存放的位置。
  • 创建IndexSearcher准备进行搜索。
  • 创建Analyer用来对查询语句进行词法分析和语言处理。
  • 创建QueryParser用来对查询语句进行语法分析。
  • QueryParser调用parser进行语法分析，形成查询语法树，放到Query中。
  • IndexSearcher调用search对查询语法树Query进行搜索，得到结果TopScoreDocCollector。

以上便是Lucene API函数的简单调用。

然而当进入Lucene的源代码后，发现Lucene有很多包，关系错综复杂。

然而通过下图，我们不难发现，Lucene的各源码模块，都是对普通索引和搜索过程的一种实现。

此图是上一节介绍的全文检索的流程对应的Lucene实现的包结构。(参照http://www.lucene.com.cn/about.htm中文章《开放源代码的全文检索引擎Lucene》)

• Lucene的analysis模块主要负责词法分析及语言处理而形成Term。
• Lucene的index模块主要负责索引的创建，里面有IndexWriter。
• Lucene的store模块主要负责索引的读写。
• Lucene的QueryParser主要负责语法分析。
• Lucene的search模块主要负责对索引的搜索。
• Lucene的similarity模块主要负责对相关性打分的实现。

了解了Lucene的整个结构，我们便可以开始Lucene的源码之旅了。

 

另：

优快云此文章链接为：http://blog.youkuaiyun.com/forfuture1978/archive/2009/10/30/4745802.aspx

Javaeye此文章链接为：http://forfuture1978.javaeye.com/blog/546808

 

 

读第二遍了，上次忘了写了，这次自己先写个评论。
Lucene只是搜索引擎的一个基本理论实现，创建倒排索引，然后查询索引。其中最重要的部分包括：分词、语言处理、索引存放、语法分析。分词之类的语言处理都可以通过优秀的算法来实现。最需要改变的就是索引的存放和搜索的过程了。若索引全部存放的某个服务器不太可能，大型应用的话需要将索引放在集群，NoSQL应该是一种不错的选择，这样就要改变索引文件的格式，进行分布式存储。如此则查询的过程也有很大的改变，不再是将索引文件全部加载到内存中了。现提出问题，看下篇了...