lucnen核心之查询

最新推荐文章于 2024-02-20 11:07:46 发布

原创最新推荐文章于 2024-02-20 11:07:46 发布 · 577 阅读

0 ·

CC 4.0 BY-SA版权

lucene 专栏收录该内容

1 篇文章

订阅专栏

本文详细介绍了Lucene的查询机制，包括基础查询如TermQuery、BooleanQuery和短语查询，以及高级查询如RangeQuery和FuzzyQuery。文章还探讨了Lucene的打分机制，解释了如何通过Similarity和查询策略改变得分。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

lucnen核心之查询

lucnen核心之查询

lucnen核心之查询

一、基础查询 Search Basics

lucene提供了很多的Query查询，这些查询大部分在org.apache.lucene.search这个包下，一部分在spans和queries模块下，这些实现可以进行多种组合，以此来实现复杂的查询功能。在下面第二部分查询类中，着重说明了几个更重要的查询类。在自定义查询部分，有更多的关于自定义你自己的查询类的说明。

执行查询时，我们需要调用的IndexSearcher的search方法：

IndexSearcher.search(Query,int)

一旦一个查询被创建并且被以参数的形式传给了IndexSearcher，就会对查询的结果进行打分，经过一些基础配置的设置之后，控制权将会被传递给Weight实现及其Scorer或者BulkScore实例。在下面算法部分将会有更多的解释。

二、查询类

1、TermQuery

在众多的Query实现中，TermQuery是最易理解也是在程序中最为常用的。TermQuery匹配包含指定Term的所有文档。一个Term是一个包含在特定的字段中的一个单词。因此，一个TermQuery会获取，包含Term指定的字段中的字符串（或者说单词）的文档，并对这些文档计算分数。构造一个TermQuery的方法如下：

TermQuery tq = new TermQuery(new Term("fieldName","term"));

在这个例子中，查询所有在fieldName字段中含有term这个单词的文档。

2、BooleanQuery

当你将多个TermQuery实例结合起来放到BooleanQuery中使用，就会发生非常有趣的事情。一个BooleanQuery中包含多个BooleanClause。每一个子句中包含一个子查询（查询实例）和一个操作符（来自于BooleanClause.Occur）用于描述子查询如何与其它的子句结合起来。下面介绍一下BooleanClause中的操作符。

构造一个布尔查询需要添加两个以上的BooleanClause实例。但是，如果添加了过多的子句（即BooleanClause），在查询时会抛出TooManyClauses异常。这种情况通常出现在将一个Query重写为包含许多TermQuery子句的BooleanQuery时。默认的可包含的子句的最大数量是1024个，但是，这个值可以通过BooleanQuery.setMaxClauseCount(int)方法改变。

	BooleanQuery.Builder builder = new BooleanQuery.Builder();
    builder.add(new TermQuery(new Term("contents","美国")), BooleanClause.Occur.MUST);
	builder.add(new TermQuery(new Term("contents","中国")), BooleanClause.Occur.MUST_NOT);

3、phrase(短语查询)

另外一部分查询是关于短语的，去查询文档是否包含指定的需要查询的单词，这部分被称为短语查询。主要有三种不同的处理方式：

[1]、PhraseQuery——匹配一系列的Term

PhraseQuery使用一个slop因子来决定在两个Term之间有多少个单词。比如我们有一个PhraseQuery查询：

PhraseQuery phraseQuery = new PhraseQuery(1,"fieldName","quick","fox");

这会匹配到“a quick brown fox”，但是并不能匹配到“the fox is quick”。为什么会这样呢？是因为我们在创建PhraseQuery时传入的两个term(即“quick”和“fox”)，以第一个term为基准。当我们设置slop = 1时，表示第二个term移动一次就能够达到第一个term的后一个位置。我们这里所说的一个位置就是一个term。在“a quick brown fox”中，“fox”向前移动一次就能到“quick”后面紧邻的位置，即“brown”所在的位置，而“the fox is quick”中，“fox”需要向后移动三次才能够到quick后面紧邻的位置，所以，将slop设置为1只能匹配到“a quick brown fox”。若是我们将slop设置为3，那么，我们就可以匹配到着两个短语，这是因为，移动次数只要小于slop设置的值即可。

[2]、MultiPhraseQuery——同位置多个Term查询

这是一种更为普遍的查询方式，它可以支持在同一个位置上有多个Term，例如，MultiPhraseQuery可以用来执行同义词查询

Term[] terms1 = new Term[]{new Term("contents","中国"),new Term("contents","北京")};
Term[] terms2 = new Term[]{new Term("contents","美国"),new Term("contents","美利坚"),new Term("contents","华盛顿")};
multiPhraseQuery.add(terms1);
multiPhraseQuery.add(terms2);
multiPhraseQuery.setSlop(1);
TopDocs results = indexSearcher.search(multiPhraseQuery.build(),100);

在这个例子中，“中国”与“北京”处在同一个位置上，“美国”与“华盛顿”处在同一个位置上，即把同一个Term[]中的所有Term看作是同义词。这个查询既能匹配到“中国与美国”，“中国与华盛顿”，也能匹配到“北京与美利坚”。通过setSlop()方法还能设置两个Term的slop，这里的slop指的是后面的slop移动次数。

[3]、SpanNearQuery——匹配其他SpanQuery实例的序列。

SpanNearQuery允许更复杂的短语查询，因为它是由其他SpanQuery实例构造的，而不仅仅只是由TermQuery实例构造。SpanNearQuery查询临近范围内的Term，可以指定两个Term之间跨度的最大值，即slop，也可以指定给出的Term是否是有序的。在SpanNearQuery中的slop使用与PhrasseQuery中的slop有所不同。这里的slop指的是两个Term中间的距离。看下面的例子：

SpanNearQuery.Builder builder = new SpanNearQuery.Builder("fieldName",true);
builder.addClause(new SpanTermQuery(new Term("contents","中国")));
builder.addClause(new SpanTermQuery(new Term("contents","美国")));
builder.setSlop(1);
TopDocs results = indexSearcher.search(builder.build(),100);

SpanNearQuery.Builder(“fieldName”,in-order)中的fieldName指的是索引中的字段，而in-order是一个Boolean值，为true表示通过addClause()传入的SpanQuery是有序的，false表示无序。上面的例子能够匹配到“中国与美国”，但是不能匹配“美国与中国”，而若是将in-order设置为false，则“美国与中国”也能匹配到。

4、TermRangeQuery

个人认为在中文查询中并没有什么实际的意义，可以用到英文查询中。TermRangeQuery可以查询指定的两个Term范围之间的Term，Term与Term之间的比较使用BytesRef.compareTo()比较字符的顺序。例如，使用这个Query可以匹配所有包含从a到d之间的字符的Term的文档。如果要查询数字范围，请使用PointRangeQuery。

5、PointRangeQuery

PointRangeQuery匹配在指定数字范围内的所有文档。若要使用PointRangeQuery,必须使用数值字段，比如IntPoint，LongPoint，FloatPoint或者DoublePoint。

PointRangeQuery pointRangeQuery = (PointRangeQuery) IntPoint.newRangeQuery("Num",1,8);
TopDocs results = indexSearcher.search(pointRangeQuery,10);

这个例子查询“Num”这个字段中保存的值在1到8这个范围内的文档。

6、PrefixQuery

PrefixQuery实现了前缀查询，在英文中可以有效的使用，但是，应用到中文搜索中，效果并不好，这是因为分词的原因，分词器并不能像我们预想的那样分词。比如，在文档中，一个学校的名字叫“中国工业大学”，一个短语是“中国工人”，如果我们将“中国工”作为前缀，那么这个查询既不能匹配到“中国工业大学”也不能匹配到“中国工人”。那是因为，分词器将“中国工业大学”分成立“中国”、“工业”、“大学”三个词，把“中国工人”分成了“中国”、“工人”两个词，所以，这个查询没有结果返回。在中文搜索中的前缀搜索应用需要在特定的场合中。

PrefixQuery prefixQuery  = new PrefixQuery(new Term("contents","Eas"));

“contents”是查询的字段名，“Eas”是要查询的前缀。

7、WildcardQuery

尽管PrefixQuery有不同的实现，但是它本质上还是一个WildcardQuery。PrefixQuery允许使用一个前缀查询文档。通配符查询WildcardQuery通过允许使用*(匹配0或更多字符)和?(只匹配一个字符)通配符。注意，WildcardQuery可能非常慢。还要注意，WildcardQuery不应该以*和?开头，因为它们非常慢。一些queryparser默认情况下可能不允许这样做，但是提供了一个setAllowLeadingWildcard方法来取消这个限制。RegexpQuery比WildcardQuery更通用，允许应用程序用正则表达式匹配符合条件的所有文档。

WildcardQuery wildcardQuery = new WildcardQuery(new Term("fieldName","wildcardExp"));

“fieldName”是查询的字段名，“wildcardExp”是你的正则表达式。

8、RegexpQuery

RegexpQuery基于org.apache.lucene.util.automaton包，提供基于匹配正则表达式的查询。 Term字典以一种智能的方式枚举，以避免比较。有关更多细节，请参见AutomatonQuery。受支持的语法记录在RegExp类中，有关lucene中使用的正则表达式语法，参加RegExp中的Description。注意，这可能与其他正则表达式实现不同。并且，以.*开头的查询可能很慢，因为它需要遍历许多项。为了防止RegexpQueries的低效率查询, Regexp查询语句不应该以.*开头，下面是RegexpQuery的使用方法：

RegexpQuery regexpQuery = new RegexpQuery(new Term("fieldName","regex"));

“fieldName”是查询的字段名，“regex”是你的正则表达式。

9、FuzzyQuery

FuzzyQuery实现了模糊搜索查询。相似性度量基于damero-Levenshtein(最优字符串对齐)算法，不过可以通过将transposition设置为false来选择使用经典的Levenshtein算法。

FuzzyQuery fuzzyQuery = new FuzzyQuery(new Term("contents","rise"));

三、打分

打分机制介绍

Lucene的打分机制是Lucene被广泛使用的核心。它的计算速度很快，并且用户不需要了解它内部复杂的细节。简而言之，这种打分机制非常有效，
Lucene计分支持多种可插拔的信息检索模型，包括:

在lucene中，我们可以使用IndexSearcher.explain(Query,doc)方法来理解某一个匹配到的文档是如何被计算得分的。通常，Query决定哪些文档匹配，而Similarity决定如何为匹配的文档分配分数。

在lucene中，我们打分的对象是Document。一个Document是一个field的集合。每一个field都包含各自的信息，这些信息包括这个field是如何创建于存储的。需要注意的是，lucene在field层面计算分数，然后将分数合并返回到文档中。这个机制非常重要，因为，如果有两个相同的文档，但是一个文档的文本在两个field中，而另一个文档只有一个field，由于长度归一化，对于同一个查询，两个文档的得分可能不同。

另外，Lucene允许通过使用BoostQuery来影响查询的各个部分的得分贡献。

通过Similarity改变得分

通过改变Similarity来影响得分是一个简单方式，这个行为在索引建立的阶段使用IndexWriteConfig.setSimilarity(Similarity)，也在查询的阶段，使用IndexSearcher.setSimilarity(Similarity)来改变Similarity。注意，在查询时需要使用与创建索引时相同的Similarity，只有这样，Lucene才能正确的进行相关的操作。

你可以通过配置不同的内置Similarity实现来影响评分，或者通过调整其参数、子类化它来覆盖行为。一些实现还提供了一个模块化API，你可以通过插入不同的组件(例如term frequency normalizer)来扩展它。最后，您可以直接扩展低级Similarity，以实现新的检索模型，或者使用特定于应用程序的外部评分因子。例如，自定义Similarity可以通过NumericDocValues访问每个文档的值，并将它们集成到分数中。

参见org.apache.lucene.search.similarities包中的文档，用于提供关于内置可用评分模型和扩展或更改Similarity的信息。

通过改变查询打分策略来改变得分

DoubleValuesSource doubleValuesSource = DoubleValuesSource.constant(0);
FunctionScoreQuery query = new FunctionScoreQuery(booleanQuery,doubleValuesSource);