开源全文搜索工具包Lucene2.9.1的使用。
1. 搭建Lucene的开发环境：在classpath中添加lucene-core-2.9.1.jar包
2. 全文搜索的两个工作: 建立索引文件,搜索索引.
3. Lucene的索引文件逻辑结构
1) 索引(Index)由若干块(片段)(Segment)组成
★2) 块由若干文档(Document)组成: 一个文件映射成一个文档。数据库表中的一条记录映射成一个文档。
★3) 文档由若干域(Field)组成：文件的属性(文件路径，文件的内容)映射成一个域。记录的某个字段映射成一个域。
☆4) 域由若干词(关键字)(Term)组成：文件的属性的内容中某个字符串映射成一个词。
4. Lucene包结构
1) analysis模块：负责词法分析及语言处理而形成Term(词)。提供了一些内置的分析器：最常用的是StandardAnalyzer
2) index模块：负责索引的读写。 对索引文件的segment进行写、合并、优化的IndexWriter类。对索引进行读取和删除操作的IndexReader类。
3) store模块：负责索引的存储。提供索引的各种存储类：FSDirectory，RAMDirectory等。
4) document模块：索引文件内部的基础存储结构封装。如：Document类和Field类等。
5) search模块：负责对索引的搜索。提供了索引搜索器IndexSearcher类和各种Query类，如TermQuery、BooleanQuery等。
6) queryParser模块：负责查询语句的语法分析。提供了解析查询语句的QueryParser类
7) util模块：包含一些公共工具类。
5. 创建索引
1) IndexWriter：索引写出器
a) 构造方法：
IndexWriter(Directory d, Analyzer a, IndexWriter.MaxFieldLength mfl)
如果索引不存在，就会被创建。如果索引存在,就追加.
IndexWriter(Directory d, Analyzer a, boolean create, IndexWriter.MaxFieldLength mfl)
create为true时，原索引文件不存在就创建，存在就覆盖。
create为false时，原索引文件不存在就报错，存在就追加。
b) 常用方法:
void addDocument(Document doc); //把指定文档添加到索引写出器中
void iw.close(); //关闭索引写出器,此时才把索引写到目标存储地
2) Directory: 索引存放地。
a) 文件系统:FSDirectory: FSDirectory.open(File file);
b) 内存RAMDirectory: new RAMDirectory();
3) Analyzer: 分词器。
a) StandardAnalyzer: 标准分词器。对英文采用空白, 标点符号进行分词。对中文采用单字分词。
b) SmartChineseAnalyzer: 智能中文分词器。(LUCENE_HOME/contrib/analyzers/smartcn/lucene-smartcn-2.9.1.jar)
C) 第三方的中文分词器：如PaodingAnalyzer、IKAnalyzer
4) IndexWriter.MaxFieldLength: 指定域值的最大长度。
a) UNLIMITED 无限制的。
b) LIMITED 有限制的。值为10000
5) Document: 索引的组成单元. 一组Field的集合.
a) 构造方法: Document();
b) 常用方法: void add(Field f); //添加指定域到这个文档中
6) Field: 域,代表文档的某个索引域.
a) 构造方法: Field(String name, String value, Field.Store.YES, Field.Index.ANALYZED)
name: 域的名称, 只能是字符串.
value: 域的值, 只能是字符串.
Field.Store: 指定Field的值是否存储或怎样存储. NO(不存储), YES(存储),COMPRESS(压缩后存储)
Field.Index: 指定Field是否被索引或怎么被索引. NO(不索引), ANALYZED(分词后索引), NOT_ANALYZED(不分词直接索引)
7) 示例代码:
//src要创建索引的文件，destDir索引存放的目录
public static void createIndex(File src, File destDir){
Analyzer analyzer = new StandardAnalyzer(Version.LUCENE_CURRENT); //创建一个语法分析器
IndexWriter iwriter = null;
Directory directory = null;
try {
directory = FSDirectory.open(destDir); //把索引文件存储到磁盘目录
//创建一个IndexWriter(存放索引文件的目录,分析器,Field的最大长度)
iwriter = new IndexWriter(directory, analyzer,true, IndexWriter.MaxFieldLength.UNLIMITED);
//iwriter.setUseCompoundFile(true);//使用复合文件
Document doc = new Document(); //创建一个Document对象
//把文件路径作为"path"域：不分词,索引,保存
doc.add(new Field("path", src.getCanonicalPath(), Field.Store.YES, Field.Index.NOT_ANALYZED));
StringBuilder sb = new StringBuilder();
BufferedReader br = new BufferedReader(new FileReader(src));
for(String str = null; (str = br.readLine())!=null;){
sb.append(str).append(System.getProperty("line.separator"));
}
//文件内容作为"content"域：分词,索引,保存
doc.add(new Field("contents", sb.toString(), Field.Store.YES, Field.Index.ANALYZED));
iwriter.addDocument(doc); //把Document存放到IndexWriter中
iwriter.optimize(); //对索引进行优化
} catch (IOException e) {
e.printStackTrace();
} finally {
if (iwriter != null) {
try {
iwriter.close(); //关闭IndexWriter时,才把内存中的数据写到文件
} catch (IOException e) {
e.printStackTrace();
}
}
if (directory != null) {
try {
directory.close(); //关闭索引存放目录
} catch (IOException e) {
e.printStackTrace();
}
}
}
}
//src要创建索引的文件，destDir索引存放的目录
public static void createIndex(File src, File destDir){
Analyzer analyzer = new StandardAnalyzer(Version.LUCENE_CURRENT); //创建一个语法分析器
IndexWriter iwriter = null;
Directory directory = null;
try {
directory = FSDirectory.open(destDir); //把索引文件存储到磁盘目录
//创建一个IndexWriter(存放索引文件的目录,分析器,Field的最大长度)
iwriter = new IndexWriter(directory, analyzer,true, IndexWriter.MaxFieldLength.UNLIMITED);
//iwriter.setUseCompoundFile(true);//使用复合文件
Document doc = new Document(); //创建一个Document对象
//把文件路径作为"path"域：不分词,索引,保存
doc.add(new Field("path", src.getCanonicalPath(), Field.Store.YES, Field.Index.NOT_ANALYZED));
StringBuilder sb = new StringBuilder();
BufferedReader br = new BufferedReader(new FileReader(src));
for(String str = null; (str = br.readLine())!=null;){
sb.append(str).append(System.getProperty("line.separator"));
}
//文件内容作为"content"域：分词,索引,保存
doc.add(new Field("contents", sb.toString(), Field.Store.YES, Field.Index.ANALYZED));
iwriter.addDocument(doc); //把Document存放到IndexWriter中
iwriter.optimize(); //对索引进行优化
} catch (IOException e) {
e.printStackTrace();
} finally {
if (iwriter != null) {
try {
iwriter.close(); //关闭IndexWriter时,才把内存中的数据写到文件
} catch (IOException e) {
e.printStackTrace();
}
}
if (directory != null) {
try {
directory.close(); //关闭索引存放目录
} catch (IOException e) {
e.printStackTrace();
}
}
}
}
6. 查询索引
1) IndexSearcher: 索引查询器
a) 构造器: IndexSearcher(Directory path, boolean readOnly)
b) 常用方法:
TopDocs search(Query query, Filter filter, int n); //执行查询。n指的是最多返回的Document的数量。
Document doc(int 文件内部编号); //根据文档的内部编号获取到该Document
void close(); //关闭查询器
2) Query: 查询对象。把用户输入的查询字符串封装成Lucene能够识别的Query对象。
3) Filter: 用来过虑搜索结果的对象。
4) TopDocs: 代表查询结果集信息对象。它有两个属性：
a) totalHits: 查询命中数。
b) scoreDocs: 查询结果信息。它包含符合条件的Document的内部编号(doc)及评分(score)。
5) 示例代码:
//keyword要搜索的关键字。indexDir索引存放的目录
public static void searcher(String keyword, File indexDir){
IndexSearcher isearcher = null;
Directory directory = null;
try{
Analyzer analyzer = new StandardAnalyzer(Version.LUCENE_CURRENT);
directory = FSDirectory.open(indexDir);
//创建解析器
QueryParser parser = new QueryParser(Version.LUCENE_CURRENT, "contents", analyzer);
Query query = parser.parse(keyword);//获取查询对象
// Query query1 = new TermQuery(new Term("contents", keyword));
// Query query2 = new TermQuery(new Term("contents", keyword2));
// BooleanQuery query = new BooleanQuery();
// query.add(query1, Occur.SHOULD);
// query.add(query2, Occur.SHOULD);
// QueryParser parser = new MultiFieldQueryParser(Version.LUCENE_CURRENT, new String[]{"path", "contents"}, analyzer);
// Query query = parser.parse(keyword);
isearcher = new IndexSearcher(directory, true); //创建索引搜索器
TopDocs ts = isearcher.search(query, null, 100); //执行搜索，获取查询结果集对象
int totalHits = ts.totalHits; //获取命中数
System.out.println("命中数：" + totalHits);
ScoreDoc[] hits = ts.scoreDocs; //获取命中的文档信息对象
for (int i = 0; i < hits.length; i++) {
Document hitDoc = isearcher.doc(hits[i].doc); //根据命中的文档的内部编号获取该文档
System.out.println(hitDoc.getField("contents").stringValue()); //输出该文档指定域的值
}
} catch (IOException e) {
e.printStackTrace();
} catch (ParseException e) {
e.printStackTrace();
} finally {
if (isearcher != null) {
try {
isearcher.close(); //关闭搜索器
} catch (IOException e) {
e.printStackTrace();
}
}
if (directory != null) {
try {
directory.close(); //关闭索引存放目录
} catch (IOException e) {
e.printStackTrace();
}
}
}
}
//keyword要搜索的关键字。indexDir索引存放的目录
public static void searcher(String keyword, File indexDir){
IndexSearcher isearcher = null;
Directory directory = null;
try{
Analyzer analyzer = new StandardAnalyzer(Version.LUCENE_CURRENT);
directory = FSDirectory.open(indexDir);
//创建解析器
QueryParser parser = new QueryParser(Version.LUCENE_CURRENT, "contents", analyzer);
Query query = parser.parse(keyword);//获取查询对象
// Query query1 = new TermQuery(new Term("contents", keyword));
// Query query2 = new TermQuery(new Term("contents", keyword2));
// BooleanQuery query = new BooleanQuery();
// query.add(query1, Occur.SHOULD);
// query.add(query2, Occur.SHOULD);
// QueryParser parser = new MultiFieldQueryParser(Version.LUCENE_CURRENT, new String[]{"path", "contents"}, analyzer);
// Query query = parser.parse(keyword);
isearcher = new IndexSearcher(directory, true); //创建索引搜索器
TopDocs ts = isearcher.search(query, null, 100); //执行搜索，获取查询结果集对象
int totalHits = ts.totalHits; //获取命中数
System.out.println("命中数：" + totalHits);
ScoreDoc[] hits = ts.scoreDocs; //获取命中的文档信息对象
for (int i = 0; i < hits.length; i++) {
Document hitDoc = isearcher.doc(hits[i].doc); //根据命中的文档的内部编号获取该文档
System.out.println(hitDoc.getField("contents").stringValue()); //输出该文档指定域的值
}
} catch (IOException e) {
e.printStackTrace();
} catch (ParseException e) {
e.printStackTrace();
} finally {
if (isearcher != null) {
try {
isearcher.close(); //关闭搜索器
} catch (IOException e) {
e.printStackTrace();
}
}
if (directory != null) {
try {
directory.close(); //关闭索引存放目录
} catch (IOException e) {
e.printStackTrace();
}
}
}
}
7. 删除索引
IndexWriter提供deleteDocuments(Term term); //会删除索引文件里含有指定Term的所有Document。
IndexReader也提供了deleteDocuments(Term term);
8. 更新索引
IndexWriter提供updateDocument(Term term, Document doc); //实际上是先删除再创建索引。
9. 常用查询器
1) TermQuery : 按Term（关键字）查询。构造方法：TermQuery(Term t)
Query query = new TermQuery(new Term("contents", keyword));
isearcher = new IndexSearcher(FSDirectory.open(indexDir), true);
TopDocs ts = isearcher.search(query, null, 100);
Query query = new TermQuery(new Term("contents", keyword));
isearcher = new IndexSearcher(FSDirectory.open(indexDir), true);
TopDocs ts = isearcher.search(query, null, 100);
2) BooleanQuery: 布尔查询。组合多个查询器。
Query query1 = new TermQuery(new Term("contents", keyword));
Query query2 = new TermQuery(new Term("contents", keyword2));
BooleanQuery query = new BooleanQuery();
query.add(query1, Occur.SHOULD);
query.add(query2, Occur.SHOULD);
isearcher = new IndexSearcher(directory, true);
TopDocs ts = isearcher.search(query, null, 100);
Query query1 = new TermQuery(new Term("contents", keyword));
Query query2 = new TermQuery(new Term("contents", keyword2));
BooleanQuery query = new BooleanQuery();
query.add(query1, Occur.SHOULD);
query.add(query2, Occur.SHOULD);
isearcher = new IndexSearcher(directory, true);
TopDocs ts = isearcher.search(query, null, 100);
3) MultiFieldQueryParser: 多Field中查询。
QueryParser parser = new MultiFieldQueryParser(Version.LUCENE_CURRENT, new String[]{"path", "contents"}, analyzer);
Query query = parser.parse(keyword);
isearcher = new IndexSearcher(FSDirectory.open(indexDir), true);
TopDocs ts = isearcher.search(query, null, 100);
QueryParser parser = new MultiFieldQueryParser(Version.LUCENE_CURRENT, new String[]{"path", "contents"}, analyzer);
Query query = parser.parse(keyword);
isearcher = new IndexSearcher(FSDirectory.open(indexDir), true);
TopDocs ts = isearcher.search(query, null, 100);
10. 高亮器Highlighter：在网页中对搜索结果予以高亮显示。
1) 在classpath添加contrib/highlighter/lucene-highlighter-2.9.1.jar
2) 示例伪代码
SimpleHTMLFormatter shf = new SimpleHTMLFormatter("<span style="color:red" mce_style="color:red">", "</span>"); //默认是<b>..</b>
// 构造高亮器:指定高亮的格式,指定查询计分器
Highlighter highlighter = new Highlighter(shf, new QueryScorer(query));
//设置块划分器
highlighter.setTextFragmenter(new SimpleFragmenter(Integer.MAX_VALUE));
String content = highlighter.getBestFragment(Analyzer, "fieldName", "fieldValue");
SimpleHTMLFormatter shf = new SimpleHTMLFormatter("<span style="color:red" mce_style="color:red">", "</span>"); //默认是<b>..</b>
// 构造高亮器:指定高亮的格式,指定查询计分器
Highlighter highlighter = new Highlighter(shf, new QueryScorer(query));
//设置块划分器
highlighter.setTextFragmenter(new SimpleFragmenter(Integer.MAX_VALUE));
String content = highlighter.getBestFragment(Analyzer, "fieldName", "fieldValue");
11. 优化
1) 使用IndexWriter须注意
修改索引后，需flush()或close()方能生效
2) 使用IndexSearcher须注意
一旦打开，不会搜索到以后添加的索引
线程安全，多个线程仅需一个实例
3) 最佳实践
多个线程共享一个IndexSearcher, 只有当索引修改后才重新打开IndexSearcher
多个线程共享一个IndexWriter并严格同步
异步修改索引提高性能(JMS)
为每个Document创建单独的索引目录
12. 在emall项目中整合Lucene对产品的ID,名称和描述进行全文搜索。
13. 使用Compass简化Lucene操作。(未完待续)