搜索引擎lucene实现

eric_chen

 

搜索引擎lucene实现

写这个东西就是两个目的，一是让自己头脑清醒，一是让别人把咱的头脑弄清醒。技术这个东西跟本能一个样，只要你愿意用成就本能的方式去学习技术，谁都可以成就自己。

因为咱不是文科出身，工作了六年，也没有那些牛逼人士的韧力和魄力，曾经就想着能多写写技术博客，但总是没有坚持下去（深叹一口气，你可别像我这样。。）。前些日子又看了一下《康熙王朝》（陈道明演的），被里面的一句话（一言之虚，百患丛生； 一事之虚，遗害终生。）给击蒙了，于是重新想着坚持下去。刚好要跟同事分享lucene，那么也就多学，多看，多想，多写了。

OK，言归正传，到底搜索引擎有多神秘？

对我来说，lucene的出现，没有多少影响，因为当初我还在一个小公司里面糊里糊涂地混日子，而虽然听说过这个东西，但没有用过，仅了解了一下。但自从去了那个网络公司之后，要做搜索系统，我就切实地接触到了这个开源神器。至少在一定程度上讲，让我觉得Google，百度不是那么神奇的公司了。因为他们就是用超大规模的爬虫，倒排表，超大规模的缓存和我不知道的超大的things。

小差时刻：作为一个非计算机专业的从业人员，从一定程度上讲，个人表示很惭愧。尽管有编程之热情，但却没有彻底地钻研从业用到的每个组成部分，这实在有点非专业的风格。我想这个浮躁的社会可能会让很多人变成（编程）这样，Matrix造就了我们追求成果不管原理的工作方式。（抱怨一下，但这是自我深深的反省。）

看一段lucene官网的示例代码：

 1 import org.apache.lucene.analysis.Analyzer;
 2 import org.apache.lucene.analysis.standard.StandardAnalyzer;
 3 import org.apache.lucene.document.Document;
 4 import org.apache.lucene.document.Field;
 5 import org.apache.lucene.document.TextField;
 6 import org.apache.lucene.index.DirectoryReader;
 7 import org.apache.lucene.index.IndexWriter;
 8 import org.apache.lucene.index.IndexWriterConfig;
 9 import org.apache.lucene.queryparser.classic.QueryParser;
10 import org.apache.lucene.search.IndexSearcher;
11 import org.apache.lucene.search.Query;
12 import org.apache.lucene.search.ScoreDoc;
13 import org.apache.lucene.store.Directory;
14 import org.apache.lucene.store.RAMDirectory;
15 import org.apache.lucene.util.Version;
16 
17 public final class TestLucene {
18 
19     public static void main(String[] args) throws Exception{
20         Analyzer analyzer = new StandardAnalyzer(Version.LUCENE_CURRENT);
21 
22         // Store the index in memory:
23         Directory directory = new RAMDirectory();
24         // To store an index on disk, use this instead:
25         //Directory directory = FSDirectory.open("/tmp/testindex");
26         IndexWriterConfig config = new IndexWriterConfig(Version.LUCENE_CURRENT, analyzer);
27         IndexWriter iwriter = new IndexWriter(directory, config);
28         Document doc = new Document();
29         String text = "This is the text to be indexed.";
30         doc.add(new Field("fieldname", text, TextField.TYPE_STORED));
31         iwriter.addDocument(doc);
32         iwriter.close();
33         
34         // Now search the index:
35         DirectoryReader ireader = DirectoryReader.open(directory);
36         IndexSearcher isearcher = new IndexSearcher(ireader);
37         // Parse a simple query that searches for "text":
38         QueryParser parser = new QueryParser(Version.LUCENE_CURRENT, "fieldname", analyzer);
39         Query query = parser.parse("text");
40         ScoreDoc[] hits = isearcher.search(query, null, 1000).scoreDocs;
41         // Iterate through the results:
42         for (int i = 0; i < hits.length; i++) {
43           Document hitDoc = isearcher.doc(hits[i].doc);
44           System.out.println(hitDoc.get("fieldname"));
45         }
46         ireader.close();
47         directory.close();
48     }
49     
50 }

声明：以上这段代码，main里面的代码都是取自lucene官网的。但也要特别说明一下，在maven pom.xml里面，对于lucene4.0版本的依赖配置如下：

<dependency>
<groupId>org.apache.lucene</groupId>
<artifactId>lucene-core</artifactId>
<version>4.0.0</version>
</dependency>
<dependency>
<groupId>org.apache.lucene</groupId>
<artifactId>lucene-analyzers-common</artifactId>
<version>4.0.0</version>
</dependency>
<dependency>
<groupId>org.apache.lucene</groupId>
<artifactId>lucene-queryparser</artifactId>
<version>4.0.0</version>
</dependency>

好像3.x版本的不需要这么多配置的吧（好像又好久没跟进lucene测试了。。呵呵）

仅仅从这个demo的import里面，我们能看到lucene的基本功能结构分割：

Lucene是一个文本内容的全文检索系统，从上图我们也可以看出lucene的确有比较明确且抽象的架构设计。

IndexWriter：接收业务数据，并将索引好的数据写入到Store中。IndexWriter在接收数据时，主要依靠封装了文本内容及其元数据的Document（org.apache.lucene.document，夹缝中引用一下，实在是委屈了Document，它也是具有皇室直系血统的类，非常重要。），它在org.apache.lucene.index包中。index包主要管理索引创建阶段用到的各种类，如IndexReader, IndexWriter....(还有很多底层类，不一一列举，但后面在详细说明时，会一一分析。)

Store：这是一个相对底层的组织，对应包为org.apache.lucene.store，其主要包含与索引数据文件读写管理相关的各种类。

IndexSearcher： 这个是使用Query数据对索引数据进行检索的类。猜得出来，它在org.apache.lucene.search中。

QueryParser：它也是存在于org.apache.lucene.search中，并且其主要职责是解析用户的输入字符串，并返回Query对象，然后供IndexSearcher使用，其对IndexSearcher的重要性跟Docment之于IndexWriter有的一拼。

Analyzer：最后才说到Analyzer，并不是说它不重要，相反它极其重要。Analyzer类主要用户对文本内容进行分词处理，而分词质量的好坏关系到搜索结果的相关度，所以也就有了针对不同文化和语言的各种Analyzer。正如图中展现的，建立和查询索引时都要用到它，是居家旅行的必备良药。

对于网络用户来说，他们只需要关心query data（就是他们想搜的关键词或者句子），经过Parser解析成关键字的query（queryparser的结果），经由IndexSearcher来查询Indexed Data，并返回结果。而我们在对目标数据建索引的过程，则是经由IndexWriter来解析和分解处理，然后将解析的结果（这是个big problem）保存成Indexed Data。

这里要区分一下，网络用户他们只想查找关心的数据，所以他们输入：关键词；而我们开发者则有业务数据。这里就是说，在使用lucene时，是否需要想想以下几个方面：

数据获取：提供用于接收业务数据的接口，搜索请求处理接口；

lucene封装：组装索引Document的接口，返回结果的封装接口，更重要的是log接口（统计和实验）；

瞻前顾后，咱会从Analyzer，Document，Index，Search and Store几个方面，给各位分享一下lucene的情况。

一点点来，不着急。。。。。

 

 

 

分类: java及框架

标签: java lucene