Lucene全文检索入门
什么是全文检索
我们生活中的数据总体分为两种：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。 非结构化数据：指不定长或无固定格式的数据，如word文档等磁盘上的文件 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。
非结构化数据查询方法
1.顺序扫描法 就是一个文档一个文档的看
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。 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)。
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。
Lucene实现全文检索的流程
创建索引
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
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（Document），文档中包括一个一个的域（Field），域中存储内容。 我们可以将磁盘上的一个文件当成一个document，Document中包括一些Field（file_name文件名称、file_path文件路径、file_size文件大小、file_content文件内容。 每个Document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（域名和域值都相同）每个文档都有一个唯一的编号，就是文档id。
分析文档
将原始内容创建为包含域（Field）的文档（document），需要再对域中的内容进行分析，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。 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。
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）。 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。 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。
查询索引
创建查询
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（index）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（这里指磁盘上的文件）。
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。
java代码实现
创建索引库
@Test
public void createIndex() throws Exception{
//创建一个director对象，指定索引库保存位置
//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:\\Download\\index").toPath());
//基于director对象创建一个IndexWriter对象
//使用中文分析器
IndexWriterConfig config=new IndexWriterConfig(new IKAnalyzer());
IndexWriter indexWriter=new IndexWriter(directory,config);
//读取磁盘上的文件，对应每个文件创建一个文档对象
File dir=new File("E:\\Download\\Lucene\\lucene\\searchsource");
//获取文件列表
File[] files = dir.listFiles();
for(File f:files){
//取文件名
String fileName = f.getName();
//取文件路径
String filePath = f.getPath();
//文件的内容
String fileContent = FileUtils.readFileToString(f, "utf-8");
//文件大小
long fileSize = FileUtils.sizeOf(f);
//创建Field
//参数一 域的名称 参数二 域的内容 参数三 是否存储
Field fieldName=new TextField("name",fileName,Field.Store.YES);
// Field fieldPath=new TextField("path",filePath,Field.Store.YES);
Field fieldPath=new StoredField("path",filePath);
Field fieldContent=new TextField("content",fileContent,Field.Store.YES);
//Field fielSize=new TextField("size",fileSize+"",Field.Store.YES);
//存储长整型 仅作运算 不存储
Field fielSizeValue=new LongPoint("size",fileSize);
//如果存储 存储值 只存储
Field fielSizeStore=new StoredField("size",fileSize);
//创建文档对象
Document document=new Document();
//向文档对象中添加域
document.add(fieldName);
document.add(fieldPath);
document.add(fieldContent);
//document.add(fielSize);
document.add(fielSizeValue);
document.add(fielSizeStore);
//把文档对象写入索引库
indexWriter.addDocument(document);
}
//关闭indexwriter对象
indexWriter.close();
}查询索引
@Test
public void serchIndex() throws Exception{
//1.创建一个Director对象，指定索引库的位置
Directory directory= FSDirectory.open(new File("E:\\Download\\index").toPath());
//2.创建一个IndexReader对象
IndexReader indexReader=DirectoryReader.open(directory);
//3.创建一个IndexSearcher对象，构造方法中的参数indexReader对象
IndexSearcher indexSearcher=new IndexSearcher(indexReader);
//4.创建一个Query对象TerQuery
Query query=new TermQuery(new Term("content","spring"));
//5.执行查询得到一个TopDocs对象
//参数一查询对象 参数二 查询结果返回的最大记录数
TopDocs topDocs = indexSearcher.search(query, 10);
//6.取查询结果的总记录条数
System.out.println("查询总记录数"+topDocs.totalHits);
//7.取文档列表
ScoreDoc[] scoreDocs = topDocs.scoreDocs;
//8.打印文档中的内容
for (ScoreDoc doc:scoreDocs ) {
//取文档id
int docId = doc.doc;
//根据id取文档对象
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();
}腾讯云开发者
