zoukankan      html  css  js  c++  java
  • Lucene全文检索学习笔记

    Lucene全文检索

    一.全文检索

    1.1数据分类

    结构化数据和非结构化数据

    结构化数据:指具有固定格式或有限长度的数据,如数据库,元数据等。

    非结构化数据:指不定长或无固定格式的数据,如邮件,word文档等磁盘上的文件

    1.2 结构化数据搜索

    常见的结构化数据也就是数据库中的数据。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,而且能很快的得到查询结果。

    为什么数据库搜索很容易?

    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。

    1.3 非结构化数据查询

    1.3.1顺序扫描法

    所谓顺序扫描,比如要找内容包含某一个字符串的文件,就是一个文档一个文档的看,对于每一个文档,从头看到尾,如果此文档包含此字符串,则此文档为我们要找的文件,接着看下一个文件,直到扫描完所有的文件。如利用windows的搜索也可以搜索文件内容,只是相当的慢。

    1.3.2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。这部分从非结构化数据中提取出的然后重新组织的信息,我们称之索引

    例如:字典。字典的拼音表和部首检字表就相当于字典的索引,对每一个字的解释是非结构化的,如果字典没有音节表和部首检字表,在茫茫辞海中找一个字只能顺序扫描。然而字的某些信息可以提取出来进行结构化处理,比如读音,就比较结构化,分声母和韵母,分别只有几种可以一一列举,于是将读音拿出来按一定的顺序排列,每一项读音都指向此字的详细解释的页数。我们搜索时按结构化的拼音搜到读音,然后按其指向的页数,便可找到我们的非结构化数据——也即对字的解释。

    这种先建立索引,再对索引进行搜索的过程就叫全文检索(Full-text Search)。

    虽然创建索引的过程也是非常耗时的,但是索引一旦创建就可以多次使用,全文检索主要处理的是查询,所以耗时间创建索引是值得的。

    1.4 实现全文检索

    可以使用Lucene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。

    1.5 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方式搜索,比如百度、Google等搜索引擎、论坛站内搜索、电商网站站内搜索等。

    二. Lucene实现全文搜索的流程

    2.1索引和搜索流程

    img

    2.2创建索引

    对文档索引的过程,将用户要搜索的文档内容进行索引,索引存储在索引库中。

    2.2.1获得原始文档

    原始文档是指要索引和搜索的内容。原始内容包括互联网上的网页、数据库中的数据、磁盘上的文件等。

    从互联网上、数据库、文件系统中等获取需要搜索的原始信息,这个过程就是信息采集,信息采集的目的是为了对原始内容进行索引。

    在Internet上采集信息的软件通常称为爬虫或蜘蛛,也称为网络机器人,爬虫访问互联网上的每一个网页,将获取到的网页内容存储起来。

    本案例我们要获取磁盘上文件的内容,可以通过文件流来读取文本文件的内容,对于pdf、doc、xls等文件可通过第三方提供的解析工具读取文件内容,比如Apache POI读取doc和xls的文件内容。

    2.2.2创建文档对象

    获取原始内容的目的是为了索引,在索引前需要将原始内容创建成文档,文档中包括一个一个的域(Field),域中存储内容。

    这里我们将磁盘上的一个文件当成一个document,Document中包括一些file_name 、file_path、 file_size file_content. eg:

    img

    注意:每个文档可以有多个Field,不同的Document可以有不同的Field,同一个Document可以有相同的Field(域名域值都相同)

    每个文档都有唯一的编号,就是文档id

    2.2.3分析文档

    将原始文档内容创建为包含域的文档,需要再对语中的内容进行分析,分析的过程是经过对原始文档提取单词、将字母转为小写、去除标点符号、去除停用词等过程生成最终的语汇单元,可以将语汇单元理解为一个一个的单词。

    比如下边的文档经过分析如下:

    Lucene is a Java full-text search engine. Lucene is not a completeapplication, but rather a code library and API that can easily be usedto add search capabilities to applications.

    分析后得到的单词:

    lucene java full search engine

    每个单词叫做一个Term,不同的域中拆分出来的相同的单词是不同的term。term中包含两部分一部分是文档的域名,另一部分是单词的内容。

    例如:文件名中包含apache和文件内容中包含的apache是不同的term。

    2.2.4创建索引

    对所有文档分析得出的语汇单元进行索引,索引的目的是为了搜索,最终要实现只搜索被索引的语汇单元从而找到Document(文档)。

    创建索引是对语汇单元索引,通过词语找文档,这种索引的结构叫倒排索引结构

    传统方法是根据文件找到该文件的内容,在文件内容中匹配搜索关键字,这种方法是顺序扫描方法,数据量大、搜索慢。

    倒排索引结构是根据内容(词语)找文档

    img

    倒排索引结构也叫反向索引结构,包括索引和文档两部分,索引即词汇表,它的规模较小,而文档集合较大。

    2.3查询索引

    查询索引也是搜索的过程。搜索就是用户输入关键字,从索引中进行搜索的过程。根据关键字搜索索引,根据索引找到对应的文档,从而找到要搜索的内容。

    2.3.1用户查询接口

    全文检索系统提供用户搜索的界面供用户提交搜索的关键字,搜索完成展示搜索结果。

    Lucene不提供制作用户搜索界面的功能,需要根据自己的需求开发搜索界面。

    2.3.2 创建查询

    用户输入查询关键字执行搜索之前需要先构建一个查询对象,查询对象中可以指定查询要搜索的Field文档域、查询关键字等,查询对象会生成具体的查询语法,

    例如:

    语法 “fileName:lucene”表示要搜索Field域的内容为“lucene”的文档

    2.3.3 执行查询

    搜索索引过程:

    根据查询语法在倒排索引词典表中分别找出对应搜索词的索引,从而找到索引所链接的文档链表。

    比如搜索语法为“fileName:lucene”表示搜索出fileName域中包含Lucene的文档。

    搜索过程就是在索引上查找域为fileName,并且关键字为Lucene的term,并根据term找到文档id列表。

    2.3.4 渲染结果

    以一个友好的界面将查询结果展示给用户,用户根据搜索结果找自己想要的信息,为了帮助用户很快找到自己的结果,提供了很多展示的效果,比如搜索结果中将关键字高亮显示,百度提供的快照等。

    三. 配置开发环境(以7.7.2为例)

    3.1下载

    官网下载解压后:

    analysis文件夹为分析器包

    core文件夹为lucene核心包

    queryparser文件夹为查询分析器

    版本:lucene-7.7.2 Jdk要求:1.8以上

    3.2使用的jar包

    lucene-core-7.7.2.jar

    lucene-analyzers-common-7.7.2.jar

    四. 入门程序

    4.1 需求

    实现一个文件的搜索功能,通过关键字搜索文件,凡是文件名或文件内容包括关键字的文件都需要找出来。还可以根据中文词语进行查询,并且需要支持多个条件查询。

    4.2 创建索引

    代码实现:

    public void createIndex() throws Exception{
            //把索引库保存到内存中
            //Directory directory=new RAMDirectory();
            //把索引库保存到磁盘
            Directory directory= FSDirectory.open(new File("E:\temp\index").toPath());
            //基于Directory对象创建一个IndexWriter对象
            IndexWriter indexWriter=new IndexWriter(directory,new IndexWriterConfig());
            //读取磁盘中的文件,对应每个文件创建一个文档对象
            File dir=new File("E:\temp\searchsource");
            File [] files= dir.listFiles();
            for (File f:
                    files) {
                //取文件名
                String filename=f.getName();
                //文件的路径
                String filepath=f.getPath();
                //文件的内容
                String fileContent = FileUtils.readFileToString(f, "utf-8");
                //文件的大小
                long filesize = FileUtils.sizeOf(f);
                //创建Field 参数1:域的名称 参数2:域的值 参数3:是否存储到磁盘
                Field fieldName=new TextField("name",filename,Field.Store.YES);
                Field fieldPath=new TextField("path",filepath,Field.Store.YES);
                Field fieldContent=new TextField( "content",fileContent,Field.Store.YES);
                Field fieldSize=new TextField("size",filesize+"",Field.Store.YES);
                //创建文档对象
                Document document=new Document();
                document.add(fieldName);
                document.add(fieldPath);
                document.add(fieldContent);
                document.add(fieldSize);
                //文档对象写入索引库
                indexWriter.addDocument(document);
            }
            //关闭对象
            indexWriter.close();
        }
    

    4.3 查询索引

    代码实现:

     public void searchIndex()throws Exception{
            //创建一个Directory对象
            Directory directory= FSDirectory.open(new File("E:\temp\index").toPath());
            //创建一个IndexReader对象
            IndexReader indexReader=DirectoryReader.open(directory);
            //创建一个IndexSearcher对象,构造方法中的参数 indexreader对象
            IndexSearcher indexSearcher=new IndexSearcher(indexReader);
            //创建一个Query对象 ,TermQury
            Query query=new TermQuery(new Term("content","spring"));
            //执行查询 ,得到一个TopDocs对象
            TopDocs topDocs=indexSearcher.search(query,10);
            //取结果的总记录数
            System.out.println("总记录数"+topDocs.totalHits);
            //取文档列表
            ScoreDoc [] scoreDocs=topDocs.scoreDocs;
            //打印文档中的内容
            for (ScoreDoc doc:scoreDocs
                 ) {
                int docid=doc.doc;
                Document document=indexSearcher.doc(docid);
                System.out.println(document.get("name"));
                System.out.println(document.get("path"));
                System.out.println(document.get("size"));
                System.out.println(document.get("content"));
                System.out.println("-------------------------");
            }
            indexReader.close();
        }
    

    五. 分析器

    默认使用标准分析器StandardAnalyzer

    new IndexWriterConfig()的源码如下

    public IndexWriterConfig() {
            this(new StandardAnalyzer());
        }
    

    5.1分析器的分析效果

    使用Analyzer对象的tokenStream方法返回一个TokenStream对象,该对象中包含了最终分词效果

    public void testTokenStream() throws Exception {
            //创建一个Analyzer对象 ,StandardAnalyzer对象
            Analyzer analyzer=new StandardAnalyzer();
            //使用分析器对象的tokenStream方法获得一个TokenStream对象
            TokenStream tokenStream= analyzer.tokenStream("","The Spring Freamwork provides a comprehensive programming and configration model .");
            //向TokenStream对象中设置一个引用 ,相当于一个指针
            CharTermAttribute charTermAttribute = tokenStream.addAttribute(CharTermAttribute.class);
            //调用TokenStream对象的resst方法,如果不调用会抛异常
            tokenStream.reset();
            //遍历TokenStream对象
            while (tokenStream.incrementToken()){
                System.out.println(charTermAttribute.toString());
            }
            //关闭TokenStream对象
            tokenStream.close();
    
        }
    

    5.2 中文分析器(IKAnalyzer)

    标准分析器不能分析中文 这里使用IKAnalyzer中文分析器

    使用方法:

    1.把IKAnalyzer的jar包添加到工程中

    2.把配置文件和扩展词典添加到工程的classpath下

    注意:扩展词典严禁使用windows记事本,保证拓展词典的编码格式是utf-8 因为windows默认utf-8是utf-8+BOM

    扩展词典:添加一些新词

    停用词词典:无意义或敏感词

    Analyzer analyzer=new IKAnalyzer();//使用仅需要把标准分析器改为IKAnalyzer即可
    

    在创建索引时使用,源码如下:

    public IndexWriterConfig(Analyzer analyzer) {    
        super(analyzer);    
        this.writer = new SetOnce();
    }
    

    正常代码中使用

     IndexWriterConfig indexWriterConfig=new IndexWriterConfig(new IKAnalyzer());
     IndexWriter indexWriter=new IndexWriter(directory,indexWriterConfig);
    

    六. 索引库的维护

    6.1 索引库的添加

    6.1.1 Field域

    是否分析:是否对域的内容进行分词处理。前提是我们要对鱼的内容进行查询。

    是否索引:将Field分析后的词或整个Field值进行索引,只有索引方可搜索到。例如:商品名称、商品简洁分析后进行索引,订单号、身份证号不用分析但也要索引,这些都可作为查询条件。

    是否存储:将Field值存储在文档中,存储在文档中的Field才可以从Document中获取。比如:商品名称、订单号凡是将来要从Document中获取的Field都要存储。

    是否存储的标准:是否要将内容展示给用户

    Field类 数据类型 Analyzed是否分析 Indexed是否索引 Stored是否存储 说明
    StringField(FieldName,FieldValue,Store.YES) 字符串 N Y Y/N 此Field用于构建一个字符串Field,但是不会进行分析,会将整个串存储在索引中,比如(姓名,订单号)。
    LongPoint(String name,long poing) Long型 Y Y N 可以用LongPoint、intPoint等类型存储数值类型的数据。让数值类型可以进行索引。但不能存储数据,如果想存储用StoredField
    StoredField(FieldName,FieldValue) 重载方法,支持多种类型 N N Y 用来构建不同类型的Field,不分析,不索引,但要Field存储在文档中
    TextField(FieldName,FieldValue,Store.NO)或TextField(FieldName,reader) 字符串或流 Y Y Y/N 如果是一个Reader,lucene猜测内容比较多,会采用Unstored的策略

    6.1.2 添加文档--代码实现

    public void addDocument()throws Exception{
            //创建一个IndexWriter对象
            IndexWriterConfig cinfig=new IndexWriterConfig(new IKAnalyzer());
            IndexWriter indexWriter=
                    new IndexWriter(FSDirectory.open(new File("E:\temp\index").toPath()),cinfig);
            //创建一个Document对象
            Document document=new Document();
            document.add(new TextField("name","新加的文件", Field.Store.YES));
            document.add(new TextField("content","新加的内容", Field.Store.NO ));
            document.add(new StoredField("path","e:\temp\hello"));
            indexWriter.addDocument(document);
            indexWriter.close();
        }
    

    6.2 索引库的删除

     //删除全部文档
            indexWriter.deleteAll();
            indexWriter.close();
    //删除查询的文档用Term
            indexWriter.deleteDocuments(new Term("name","apache"));
            indexWriter.close();
    //或者查询的文档用Query
    //创建一个查询条件	
    Query query = new TermQuery(new Term("filename", "apache"));
    indexWriter.deleteDocuments(query);
    

    6.3 索引库的修改

    //创建文档对象
            Document document=new Document();
            document.add(new TextField("name","更新后的文档", Field.Store.YES));
            document.add(new TextField("name1","更新后的文档2", Field.Store.YES));
            document.add(new TextField("name2","更新后的文档3", Field.Store.YES));
            indexWriter.updateDocument(new Term("name","spring"),document);
            indexWriter.close();
    

    七.Lucene索引库查询

    7.1 TermQuery

    上面已说过,不再赘述

    7.2 数值范围查询

     /**
         * 此方法能查询出来主要是之前使用LongPoint进行存储
         */
        public void RangeQuery()throws Exception{
            Query query = LongPoint.newRangeQuery("size", 0l, 10000l);
            TopDocs topDocs = indexSearcher.search(query, 10);
            System.out.println("总记录数"+topDocs.totalHits);
            ScoreDoc[] scoreDocs = topDocs.scoreDocs;
            for (ScoreDoc docs:scoreDocs
                 ) {
                int docid=docs.doc;
                Document document=indexSearcher.doc(docid);
                System.out.println(document.get("name"));
                System.out.println(document.get("path"));
                System.out.println(document.get("size"));
                System.out.println(document.get("content"));
                System.out.println("-------------------------");
            }
            indexReader.close();
        }
    

    7.3 使用queryparser查询

    可以对要查询的内容进行分词,基于分词结果进行查询

    需要添加一个jar包:lucene-queryparser-7.4.0.jar

     //创建一个queryparser对象,两个参数
            QueryParser queryParser=new QueryParser("name",new IKAnalyzer());
            //参数一:默认搜索与;参数二:分析其对象
            //使用queryparser对象创建一个query对象
            Query query = queryParser.parse("lucene是一个Java开发的全文检索工具");
            //执行查询
            TopDocs topDocs = indexSearcher.search(query, 10);
            System.out.println("总记录数"+topDocs.totalHits);
            ScoreDoc[] scoreDocs = topDocs.scoreDocs;
            for (ScoreDoc docs:scoreDocs
                    ) {
                int docid=docs.doc;
                Document document=indexSearcher.doc(docid);
                System.out.println(document.get("name"));
                System.out.println(document.get("path"));
                System.out.println(document.get("size"));
                System.out.println(document.get("content"));
                System.out.println("-------------------------");
            }
            indexReader.close();
    
    作者:Loserfromlazy
    本文版权归作者和博客园共有,欢迎转载,但必须给出原文链接,并保留此段声明,否则保留追究法律责任的权利。
  • 相关阅读:
    Shell-01-脚本开头实现自动添加注释
    Linux中通过SHELL发送邮件
    linux服务器修改密码登录Failed to restart ssh.service: Unit ssh.service not found
    ffmpeg+java实现五秒钟剪辑80个视频
    Vue学习-watch 监听用法
    springboot添加定时任务
    Spring异常:java.lang.NoClassDefFoundError: org/springframework/core/OrderComparator$OrderSourceProvider
    多线程实战-龟兔赛跑
    Git分支管理(二)
    android studio bug : aidl is missing 解决方案
  • 原文地址:https://www.cnblogs.com/yhr520/p/12450672.html
Copyright © 2011-2022 走看看