什么是全文检索
将数据分为两类,
结构化数据和非结构化数据
结构化数据:
有固定格式和有限长度, 比如关系型数据库中的数据,
查询的方式: sql
在数据量特别大的时候,可以考虑使用全文检索技术
非结构化数据:
没有固定格式和没有规定长度,比如电脑上的文档:txt,word
查询方式: 对于少量数据可以肉眼查找
对于大量数据可以使用全文检索技术
二.什么是全文检索技术
全文检索: 先建立索引,再对索引进行搜索的过程就叫做全文检索技术
三. 全文检索适用场景
分为三种情形
- 搜索引擎: 谷歌 百度 360 搜狗 搜搜
- 站内搜索: 网站内部进行搜索,如京东,淘宝,天涯,微博,猫扑
- 垂直搜索: 视屏网站的搜索,比如在优酷中可以搜索到腾讯的视频
四. 如何实现全文检索
在这里可以使用lucene进行实现
五. 什么是lucene?
lucene 是apache提供用来实现全文检索的一套类库,jar,并不是框架
需要使用的坐标
|
第一步：导入jar
必须的包：lucene-core-4.10.3.jar
lucene-analyzers-common-4.10.3.jar 分词器
commons-io.jar
junit.jar
<dependency>
<groupId>org.apache.lucene</groupId>
<artifactId>lucene-analyzers-common</artifactId>
<version>4.10.3</version>
</dependency>
<dependency>
<groupId>commons-io</groupId>
<artifactId>commons-io</artifactId>
<version>2.6</version>
</dependency>
<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>4.12</version>
</dependency>
|
六. lucene创建索引
创建索引,三步
- 获取原始文档
- 构建索引文档对象
- 分析文档(分词)
- 创建索引
分词示例:
分词：spring.txt
The Spring Framework provides a comprehensive programming and configuration model.
1、去除所有标点符号
2、把所有大写改成小写
3、根据空格分词
4、去除停用词
fileName:spring
fileName:txt
fileContent:spring
fileContent:framework
fileContent:provides
fileContent:comprehensive
fileContent:programming
fileContent:configuration
fileContent:model
以上数据就是在索引库中存储讲的最小单元:term包含域名和关键字
代码示例
public static void createIndex() throws IOException {
/*
* 实现步骤分析
* 1. 创建一个java工程,并且导入依赖
* 2. 创建一个indexwriter对象
* 2.1 指定索引库的存放位置Directory对象
* 2.2 指定一个分析器,对文档内容进行分析
* 3. 创建document对象
* 4. 创建field对象,将field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document对象写入索引库
* 6. 关闭indexwirter对象
* */
// * 1. 创建一个java工程,并且导入依赖
// * 2. 创建一个indexwriter对象
// * 2.1 指定索引库的存放位置Directory对象
Directory directory= FSDirectory.open(new File("D:\Documents\Downloads\day02_lucene\索引存放位置"));
// * 2.2 指定一个分析器,对文档内容进行分析 标准分析器
Analyzer analyzer=new IKAnalyzer();
//2.3 将标准分析器对象封装到分析器对象中
// 两个参数: 1. lucene的版本信息 Version.LATEST,表示最新的版本
// 2. 分析器对象
IndexWriterConfig indexWriterConfig=new IndexWriterConfig(Version.LATEST,analyzer);
IndexWriter indexWriter=new IndexWriter(directory,indexWriterConfig);
indexWriter.deleteAll();
File file=new File("D:\Documents\Downloads\day02_lucene\资料\上课用的查询资料searchsource");
File[] files = file.listFiles();
for (File file1 : files) {
//小插曲,将遍历到的文件对象封装成字符串对象,和Long对象
String fileContent= FileUtils.readFileToString(file1);
String filePath=file1.getPath();
String fileName=file1.getName();
Long fileSize=file1.length();
// * 3. 创建document对象
Document document=new Document();
// * 4. 创建field对象,将field添加到document对象中
//field.store.Yes 表示将文本内容写入索引文件中
//TextField 和 StringField的区别:textfield会被分割为很多关键字
Field fileContentField=new TextField("filecontent",fileContent,Field.Store.YES);
Field filePathField=new StringField("filepath",filePath,Field.Store.YES);
Field fileNameField=new TextField("filename",filePath,Field.Store.YES);
Field filesizeField=new LongField("filesize",fileSize,Field.Store.YES);
document.add(fileContentField);
document.add(filePathField);
document.add(fileNameField);
document.add(filesizeField);
// * 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document对象写入索引库
indexWriter.addDocument(document);
}
// * 6. 关闭indexwirter对象
indexWriter.close();
}
|
七.lucene查询索引:
1. 创建用户查询接口,提供一个输入关键字的地方
2. 创建查询
3. 执行查询
4. 渲染结果
具体代码示例:
|
/***
* //查询索引分析
// 1.创建一个Directory对象,也就是索引库存放的位置
// 2. 创建一个indexReader对象,需要制定Directory对象
// 3. 创建一个indexSearcher对象,需要指定indexReader对象
// 4. 创建一个TremQuery对象,制定查询的域和查询的关键字
// 5. 执行查询
// 6. 返回查询结果,遍历查询结果并输出
// 7. 关闭indexReader对象
*/
public static void selectIndex(String keywords) throws IOException {
//查询索引分析
// 1.创建一个Directory对象,也就是索引库存放的位置
Directory directory=FSDirectory.open(new File("D:\Documents\Downloads\day02_lucene\索引存放位置"));
// 2. 创建一个indexReader对象,需要指定Directory对象
IndexReader indexReader=
DirectoryReader.open(directory);
// 3. 创建一个indexSearcher对象,需要指定indexReader对象
IndexSearcher indexSearcher=new IndexSearcher(indexReader);
// 4. 创建一个TremQuery对象,制定查询的域和查询的关键字
Query termQuery=new TermQuery(new Term("filename",keywords));
// 5. 执行查询
TopDocs search =
indexSearcher.search(termQuery, 10);
// 6. 返回查询结果,遍历查询结果并输出
//查询结果的总条数
System.out.println("查询结果的总条数"+search.totalHits);
//遍历查询结果
for (ScoreDoc scoreDoc : search.scoreDocs) {
//scoreDoc.doc就是document的id
Document
document=indexSearcher.doc(scoreDoc.doc);
//通过document对象展示出所有结果信息
System.out.println("filename="+document.get("filename"));
System.out.println("filepath="+document.get("filepath"));
System.out.println("filesize="+document.get("filesize"));
//
System.out.println("filecontent="+document.get("filecontent"));
//来一个分割符
System.out.println("=================================================");
}
// 7. 关闭indexReader对象
indexReader.close();
}
|
八.分词器
如果检索的是英文,分词器使用标准的就可以,但是外国人编写的中文分词器总是不成功,
这里使用IK-analyzer
StandardAnalyzer：一个字一个字的
CJKAnalyzer：两个字两个字 需要添加 lucene-analyzers-smartcn依赖
SmartChineseAnalyzer：对中文的支持还算可以，但是英文有缺失字母的情况
第三方分词器：IK-analyzer
依赖是：
|
<dependency>
<groupId>com.janeluo</groupId>
<artifactId>ikanalyzer</artifactId>
<version>2012_u6</version>
<exclusions>
<exclusion>
<groupId>org.apache.lucene</groupId>
<artifactId>lucene-queryparser</artifactId>
</exclusion>
</exclusions>
</dependency>
|
需要三个配置文件
IKAnalyzer.cfg.xml 核心配置文件
ext.dic 扩展词典
stopword.dic 停用词典
九. 使用分词器进行查询
public static void selectIndex(String keywords) throws IOException, ParseException {
//查询索引分析
// 1.创建一个Directory对象,也就是索引库存放的位置
Directory directory=FSDirectory.open(new File("D:\Documents\Downloads\day02_lucene\索引存放位置"));
// 2. 创建一个indexReader对象,需要指定Directory对象
IndexReader indexReader= DirectoryReader.open(directory);
// 3. 创建一个indexSearcher对象,需要指定indexReader对象
IndexSearcher indexSearcher=new IndexSearcher(indexReader);
// 4. 创建一个TremQuery对象,制定查询的域和查询的关键字
//创建一个分词器
Analyzer analyzer=new IKAnalyzer();
//几种查询
//精确查询
// Query termQuery=new TermQuery(new Term("filename",keywords));
// //通配符查询,只要包含关键字都可以
// Query termQuery=new WildcardQuery(new Term("filename","*"+keywords+"*"));
// //模糊查询,容错性高
// Query termQuery=new FuzzyQuery(new Term("filename",keywords));
/* //通配符查询,只要包含关键字都可以
Query termQuery1=new WildcardQuery(new Term("filename","*"+keywords+"*"));
//模糊查询,容错性高
Query termQuery2=new FuzzyQuery(new Term("filename",keywords));
//BooleanQuery 查询,可以查询多个条件
BooleanQuery termQuery=new BooleanQuery();
termQuery.add(termQuery1, BooleanClause.Occur.MUST);//must表示必须满足
termQuery.add(termQuery2, BooleanClause.Occur.SHOULD);//其他条件查询完,如果满足本条件,则添加
//must_not 表示必须不满足才执行*/
//分词查询
//1. 一个域的查询,如上
//2. 多个域的查询
QueryParser queryParser=new MultiFieldQueryParser(new String[]{"filename","filecontent"},analyzer);
Query termQuery=queryParser.parse(keywords);
// 5. 执行查询
TopDocs search = indexSearcher.search(termQuery, 10);
// 6. 返回查询结果,遍历查询结果并输出
//查询结果的总条数
System.out.println("查询结果的总条数"+search.totalHits);
//遍历查询结果
for (ScoreDoc scoreDoc : search.scoreDocs) {
//scoreDoc.doc就是document的id
Document document=indexSearcher.doc(scoreDoc.doc);
//通过document对象展示出所有结果信息
System.out.println("filename="+document.get("filename"));
System.out.println("filepath="+document.get("filepath"));
System.out.println("filesize="+document.get("filesize"));
// System.out.println("filecontent="+document.get("filecontent"));
//来一个分割符
System.out.println("=================================================");
}
// 7. 关闭indexReader对象
indexReader.close();
}
|
十. 打分
关键字占的比重及权重
举例说明
关键字占的比例即权重
spring.txt 分词后的结果：spring txt 50%
spring_README.txt 分词后的结果：spring README txt 33%
spring的简介.txt 分词后的结果：spring 简介 简 介 txt 20%
spring是个非常流行的框架.txt
spring是个开发中非常流行的框架.txt
问题
为什么百度搜索时权重较低的广告可以排在最前面?
设置权重
可以设置boost值 默认是1.0
在添加索引的时候设置权重
Field fileContentField=new TextField("filecontent",fileContent,Field.Store.YES);
//权重默认是1.0,越大权重越高
fileContentField.setBoost(1.5f);
Field filePathField=new StringField("filepath",filePath,Field.Store.YES);
Field fileNameField=new TextField("fileName",fileName,Field.Store.YES);
Field filesizeField=new LongField("filesize",fileSize,Field.Store.YES);
|