Lucene的简介与入门

一、什么是全文检索

1.数据分类

• 结构化数据

指具有固定格式或有限长度的数据，如Oracle或Mysql中的数据。
使用SQL语句查询结构化数据，速度快
数据量大时，可以在数据库中建立索引，但此时创建的索引不支持模糊查询，需要创建另外一套索引库。

• 非结构化数据

指不定长度和固定格式的数据，如邮件、word文档等磁盘上的文件。

2.结构化数据搜索

常见的结构化数据也就是数据库只能够的数据。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，而且能够很快的得到查询结果。

• 为什么数据库搜索很容易呢？

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

3.非结构化数据搜索的方法

• 顺序扫描法

所谓的顺序检索，就是在查找某一个字符串文件时，会一个一个文档去一一查看，对于每一个文档都会从头看到尾，直到找到某文档包含该字符串，则返回此文档，速度是相当的慢。

• 全文检索

将非结构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目的。
这种先建立索引，再对索引进行搜索的过程叫做全文搜索。

4.如何实现全文检索

Lucene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，Lucene的目的是为软件开发人员提供一个简单易用的工具包，以方便的在目标系统中实现全文检索的功能。

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搜索
• 比如百度、搜狗、360、论坛站内搜索、京东、淘宝、电商网站站内搜索等等。

二、Lucene实现全文检索

1.Lucene实现全文检索的流程

• 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库，索引过程包括

确定原始内容–>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，从索引库中搜索内容，搜索过程包括

用户通过搜索界面–>创建查询–>执行搜索–>渲染搜索结果

2.Lucene实现全文检索的流程2

1）创建索引

• 获取源文档
  • 什么是源文档？

  场景一：搜索引擎：指的是互联网上的所有网页
  场景二：站内搜索：指的是磁盘上的文件或表中的数据

  • 获取源文档的方式？

  场景一：搜索引擎：网络爬虫
  场景二：站内搜索：IO流、SQL查询

2）构建文档对象

一个Document对象中放的是：一个网页内容、一个文件内容、或表中某行某列的数据、

3）对内容进行分词

• ①、一个文件包含的信息：
  document
  1、文件名称
  2、文件大小
  3、文件路径
  4、文件内容
• ②、一个网页包含的信息：
  document
  1、网络地址URL
  2、网页标题
  3、网页内容
• ③、一条数据包含的信息：
  document
  一条数据每个列的内容
  有多少列就应该创建多少个域
• 分词效果：
  原内容：The Spring Framework provides a comprehensive programming and configuration model.
• 分词的处理方式：
  1、按空格分词
  2、处理大小写
  3、停用词
  4、标点符号
• 最后的效果：
  term
  name:spring
  content:spring
  content:framework
  content:provides
  content:comprehensive
  content:programming
  content:configuration
  content:model

4）创建索引（存储）

• 分词后的格式：
  name: spring

自定义的域名称、spring是此域中的值、name: spring就是一个词汇term
一个文档中可以有多个域，不同的文档可以有不同的域
创建索引是对语汇单元索引，通过词语找文档，这种索引的结构叫做倒排索引结构，比如新华字典。

查询索引

1）用户查询接口：就是用户输入关键字的位置
2）创建查询
3）执行查询
4）渲染结果

三、Lucene入门案例

1.配置开发环境

• 不需要什么安装，只需要在创建项目时导入一下相应的jar包即可。
• lucene-core-4.10.3.jar
• lucene-analyzers-common-4.10.3.jar
• commons-io.jar
  
  导入以上几个jar包即可，普通的Java项目。
• 创建索引库 : indexRepo
• 创建被创建的文档库： searchsource

2.创建索引

场景：给磁盘的文件创建索引
步骤：

1、指定索引库位置   Directory
2、创建写入索引的对象   IndexWriter
3、获取源文档IO流
4、把文档写入索引库  indexWriter.addDocument(doc);
5、关闭资源IndexWriter

package com.lucene.demo;
import java.io.File;
import java.io.IOException;
import org.apache.commons.io.FileUtils;
import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.standard.StandardAnalyzer;
import org.apache.lucene.document.Document;
import org.apache.lucene.document.Field;
import org.apache.lucene.document.Field.Store;
import org.apache.lucene.document.TextField;
import org.apache.lucene.index.IndexWriter;
import org.apache.lucene.index.IndexWriterConfig;
import org.apache.lucene.store.Directory;
import org.apache.lucene.store.FSDirectory;
import org.apache.lucene.util.Version;

public class IndexWriterTest {
public static void main(String[] args) throws IOException {
	// 1.指定索引库位置
	Directory directory = FSDirectory.open(new File("/Users/xiayubao/Desktop/indexRepo"));
	// 创建一个 标准的分词器
	Analyzer analyzer = new StandardAnalyzer();
	// 第二个参数，分析器对象
	IndexWriterConfig config = new IndexWriterConfig(Version.LATEST, analyzer);
	// 2.创建写入索引IndexWriter对象
	IndexWriter indexWriter = new IndexWriter(directory, config);
	// 3.获取源文档
	File srcFile = new File("/Users/xiayubao/Desktop/searchsource");

	File[] listFiles = srcFile.listFiles();

	for (File file : listFiles) {
		Document doc = new Document();
		// 获取文件名称
		String fileName = file.getName();
		// 创建文件名域
		// 第一个参数：域的名称
		// 第二个参数：域的内容
		// 第三个参数：是否存储
		Field nameFiled = new TextField("name", fileName, Store.YES);
		doc.add(nameFiled);

		// 获取文件大小
		long fileSize = FileUtils.sizeOf(file);
		Field sizeField = new TextField("size", fileSize + "", Store.YES);
		doc.add(sizeField);

		// 获取文件路径
		String filePath = file.getPath();
		Field PathField = new TextField("path", filePath, Store.YES);
		doc.add(PathField);

		// 获取文件内容
		String fileContent = FileUtils.readFileToString(file);
		Field contentField = new TextField("content", fileContent, Store.YES);
		doc.add(contentField);

		// 4.把文档写入索引库
		indexWriter.addDocument(doc);

	}
	// 5.关闭资源indexWriter
	indexWriter.close();
}
}

使用luke工具查看索引文件

3.查询索引

1.查询索引实现步骤

1、指定索引库的位置 Directory
2、创建读取索引对象 IndexWriter
3、创建查询索引对象 IndexSearcher
4、执行查询方法  search方法
5、获取查询结果 TopDocs
6、关闭资源IndexWriter

package com.lucene.demo;
import java.io.File;
import java.io.IOException;
import org.apache.lucene.document.Document;
import org.apache.lucene.index.DirectoryReader;
import org.apache.lucene.index.IndexReader;
import org.apache.lucene.index.Term;
import org.apache.lucene.search.IndexSearcher;
import org.apache.lucene.search.Query;
import org.apache.lucene.search.ScoreDoc;
import org.apache.lucene.search.TermQuery;
import org.apache.lucene.search.TopDocs;
import org.apache.lucene.store.Directory;
import org.apache.lucene.store.FSDirectory;

public class IndexReaderTest {
public static void main(String[] args) throws IOException {
	// 指定索引库位置
	Directory directory = FSDirectory.open(new File("/Users/xiayubao/Desktop/indexRepo"));
	// 创建读取索引对象IndexReader
	IndexReader indexReader = DirectoryReader.open(directory);
	// 创建查询索引对象
	IndexSearcher indexsearcher = new IndexSearcher(indexReader);
	// 创建查询,指定条件，查询数据量的限制
	Query query = new TermQuery(new Term("content", "spring"));
	// 执行查询，第一个参数是查询对象，第二个参数是查询结果返回的最大值
	TopDocs topDocs = indexsearcher.search(query, 10);
	// 查询结果的总记录数
	System.out.println("总记录数：" + topDocs.totalHits);

	// 遍历查询结果
	ScoreDoc[] scoreDocs = topDocs.scoreDocs;
	for (ScoreDoc scoreDoc : scoreDocs) {
		//scoreDoc.doc属性就是document对象的ID
		int docID = scoreDoc.doc;
		//根据document的ID找到document对象
		Document doc = indexsearcher.doc(docID);
		// 获取文档的内容
		System.out.println("文件名：" + doc.get("name"));
		System.out.println("文件大小" + doc.get("size"));
		System.out.println("文件路径" + doc.get("path"));
		//System.out.println("文件内容" + doc.get("content"));

	}
	// 关闭资源indexReader对象
	indexReader.close();
}
}

三、分词器的使用

1.分析器（Analyzer）的执行过程

2.lucene自带的分析器的分词效果

package com.lucene.demo;
import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.TokenStream;
import org.apache.lucene.analysis.standard.StandardAnalyzer;
import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;

public class AnalyzerTest {
	public static void main(String[] args) throws Exception {
		//英文按照空格分词，中文一个字一个字分词效果
		Analyzer analyzer = new StandardAnalyzer();
		//获取TokenStream对象，第一个参数：域名，随便起。第二个参数：要分析的文本内容
		TokenStream tokenStream=analyzer.tokenStream("test", "The Java Spring MyBatis Hibernate SpringMVC Jedis so is very easy ");
		//添加一个引用.可以获得每个关键词
		CharTermAttribute charTermAttribute=tokenStream.addAttribute(CharTermAttribute.class);
		//将指针调整到列表的头部
		tokenStream.reset();
		//遍历关键词列表，通过incrementToken方法判断列表是否结束
		while (tokenStream.incrementToken()) {
			System.out.println(charTermAttribute);
		}
	}
}