Lucene全文检索技术

不愿意做鱼的小鲸鱼

发布于 2022-09-24 10:02:51

6950

发布于 2022-09-24 10:02:51

文章被收录于专栏：web全栈web全栈

一.什么是全文检索

1. 数据的分类

1)结构化数据
    格式回定、长度固定、数据类型固定。
    例如数据库中的数据
2)非结构化数据
    word文档。pdf文档。邮件。htnl. txt
    格式不因定、长度不圆定。数据类型不固定。

2. 数据的查询

1)结构化数据的查询
    SQL语句。查询结构化数据的方法。简单、速度快。
2)非结构化数据的查询
    从文本文件中找出包含spring单词的文件。
    1.目测
    2.使用程序吧文档读取到内存中，然后匹配字符申。顺序扫描。
    3.把非地构化数据交成结构化数据
        先跟根据空格进行字符串拆分，得到一一个单词列表，基于单词列表创末一个室引.
        然后查询索引，根据单词和文档的对应关系找到文档列表。这个过程叫做全文检索。
        索引: 一个为了提高查询速度，创建某种微据结构的集合。

3.全文检索

先创建索引然后查询索引的过程叫做全文检索
索引一次创丰可以多次使用。表现为每次查询速度很快。

二、全文检索的应用场景

1. 搜索引擎

百度、360搜索、谷歌、搜狗 2. 站内搜索论坛搜索、微博、文章搜索 3. 电商搜索淘宝搜索，京东搜索 4. 只要是有搜索的地方就可以使用全文检索技术。

三、什么是Lucene

Lucene是-个基于Java开发全文检室工具包。

四、Lucene实现全文检索的流程

1. 创建案引

1)获得文档

原始文档:奏基于那些数据来进行搜索，那么这些数据就是原始文档。
搜索引章:使用爬虫获得原始文档
站内搜索:数据库中的数据。
案例:直接使用io流读取磁盘上的文件。

2)构建文档对象

对应每个原始文档创建一个Docunent对象
每个document对象中包含各个域(field)
域中保存就是原始文档效据。
    域的名称
    域的值
每个文档都有一个唯一的编号， 就是文档id
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）

3)分析文档

就是分词的过程
1.根据空格进行字符事拆分，得到一个单词列表
2.把单词统一转换成小写.
3.去除标点符号
4.去除停用词
停用词:无意义的词
每个关键词都封装成一个Term对象中。
    Term中包含两部分内容:
        关键词所在的域
        关键词本身
    不同的域中拆分出来的相同的关键词是不同的Term.

4)创建索引

基于关键词列表创建一个索引。保存到索引库中。
索引库中:
    索引
    document对象
    关键词和文档的对应关系
通过词语找文档，这种震引的结构叫倒排震引结构。

2、查询索引

1)用户查询接口

用户输入查询条件的地方
例如:百度的搜索框

2)把关键词封装成一个查询对象

要查询的域
要搜索的关键词

3)执行查询

根据要查询的关键词到对应的域上进行搜索。
找到关键词，根据关键词找到对应的文档

4)渲染结果

根据文档的id找到文档对象
对关键词进行高亮显示
分页处理
最终展示给用户看

五、入门程序

1.创建索引

所有环境资源文末会给出下载

环境:
    需要下载Lucene
    http://lucene.apache.org/
    最低要求jdk1.8
工程搭建:
    创建一-个java工程
    添加jar:
        lucene-analyzers-common-7.4.0.jar
        lucene-core-7.4.0.jar
        commons-io.jar
步骤:
    1.创建一个Director对象， 指定索引库保存的位置。
    2.基于Directory对象创建一个 Indexwriter对象
    3、读取磁盘上的文件，对应每个文件创建-一个文档对象。
    4、向文档对象中添加域
    5.把文档对象写入索引库
    6、关闭indexwriter对象

原始内容就是磁盘上的文件，如下图：

代码实现

@Test
    public void createIndex() throws Exception {
        //1、创建一个Director对象，指定索引库保存的位置。
        //把索引库保存在内存中
        //Directory directory = new RAMDirectory();
        //把索引库保存在磁盘
        Directory directory = FSDirectory.open(new File("E:\\JavaWeb\\lucene\\Code_lucene\\index").toPath());
        //2、基于Directory对象创建一个IndexWriter对象
        IndexWriterConfig config = new IndexWriterConfig(new IKAnalyzer());
        IndexWriter indexWriter = new IndexWriter(directory, config);
        //3、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:\\JavaWeb\\lucene\\02.参考资料\\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：域的内容，参数3：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 fieldSize = new TextField("size", fileSize + "", Field.Store.YES);
            Field fieldSizeValue = new LongPoint("size", fileSize);
            Field fieldSizeStore = 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(fieldSize);
            document.add(fieldSizeValue);
            document.add(fieldSizeStore);
            //5、把文档对象写入索引库
            indexWriter.addDocument(document);
        }
        //6、关闭indexwriter对象
        indexWriter.close();
    }

结果如下

2.使用luke查看索引库中的内容

3.查询索引库

步骤:
    1、创是一个Director对象，指定索引库的位置
    2、创建一个IndexReader对象
    3、创建一个IndexSearcher对象。 构造方法中的参数indexReader对象。
    4、创建一个Query对象，TermQuery
    5、执行查询，得到一个TopDocs对 象
    6、取查询结果的总记录数
    7、取文档列表
    8、打印文档中的内容
    9、关闭IndexReader对象

代码实现

@Test
    public void searchIndex() 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:\\JavaWeb\\lucene\\Code_lucene\\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，TermQuery
        Query query = new TermQuery(new Term("name", "apache"));
        //5、执行查询，得到一个TopDocs对象
        //参数1：查询对象 参数2：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("-----------------寂寞的分割线");
        }
        //9、关闭IndexReader对象
        indexReader.close();
    }

结果如下

六、分析器

默认使用的数标准分析器StandardAnalyzer

1.查看分析器的分析效果

使用Analyzer对象的tokenStream方法返回一个TokenStream对象。词对象中包含了最终分词结果。
实现步骤:
    1)创述一个Analyzer对象，standardAnalyzer对象
    2)使用分析器对象的tokenStream方法获得一个TokenStream对象
    3)向TokenStrean对象中设置一个引用，相当于数一个指针
    4)调用TokenStrean对象的rest方法。如果不调用抛异常
    5)使用while循环遗历TokenStream对象
    6)关闭TokenStrean对象

2. IKAnalyze的使用方法

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记事本编辑保证扩展词典的编码格式是utf-8I
扩展词典:添加一些新词
停用词词典:无意义的词或者是敏感词汇

3. 代码实现

 @Test
    public void testTokenStream() throws Exception {
        //1）创建一个Analyzer对象，StandardAnalyzer对象
        //Analyzer analyzer = new StandardAnalyzer();
        Analyzer analyzer = new IKAnalyzer();
        //2）使用分析器对象的tokenStream方法获得一个TokenStream对象
        TokenStream tokenStream = analyzer.tokenStream("", "2017年12月14日 - 公安局买了否冷传智播客Lucene概述公安局Lucene是一款高性能的、可扩展的信息检索(IR)工具库。信息检索是指文档搜索、文档内信息搜索或者文档相关的元数据搜索等操作。");
        //3）向TokenStream对象中设置一个引用，相当于数一个指针
        CharTermAttribute charTermAttribute = tokenStream.addAttribute(CharTermAttribute.class);
        //4）调用TokenStream对象的rest方法。如果不调用抛异常
        tokenStream.reset();
        //5）使用while循环遍历TokenStream对象
        while (tokenStream.incrementToken()) {
            System.out.println(charTermAttribute.toString());
        }
        //6）关闭TokenStream对象
        tokenStream.close();
    }

结果如下（手动在扩展词典里面加了新词：“买了否冷”，“传智播客”）

注意：如果有新词可以自己手动在扩展词典（hotword.dic）最后添加；如果有其他的无用词或者敏感词汇，也可以自己在停用词词典（stopword.dic）末尾补充

七、索引库维护

1.Field域的属性

是否分析：是否对域的内容进行分词处理。前提是我们要对域的内容进行查询。
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。
比如：商品名称、商品简介分析后进行索引，订单号、身份证号不用分析但也要索引，这些将来都要作为查询条件。
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

2.添加文档

代码实现

private IndexWriter indexWriter;

    @Before
    public void init() throws Exception {
        //创建一个IndexWriter对象，需要使用IKAnalyzer作为分析器
        indexWriter =
                new IndexWriter(FSDirectory.open(new File("E:\\JavaWeb\\lucene\\Code_lucene\\index").toPath()),
                        new IndexWriterConfig(new IKAnalyzer()));
    }
    @Test
    public void addDocument() throws Exception {
        //创建一个IndexWriter对象，需要使用IKAnalyzer作为分析器
        /*IndexWriter indexWriter =
                new IndexWriter(FSDirectory.open(new File("E:\\JavaWeb\\lucene\\Code_lucene\\index").toPath()),
                new IndexWriterConfig(new IKAnalyzer()));*/
        //创建一个Document对象
        Document document = new Document();
        //向document对象中添加域
        document.add(new TextField("name", "新添加的文件", Field.Store.YES));
        document.add(new TextField("content", "新添加的文件内容", Field.Store.NO));
        document.add(new StoredField("path", "E:\\JavaWeb\\lucene\\Code_lucene\\helo"));
        // 把文档写入索引库
        indexWriter.addDocument(document);
        //关闭索引库
        indexWriter.close();
    }

3.删除文档

1)删除全部.
2)根据查询、关键词删除文档

代码实现

@Test
    public void deleteAllDocument() throws Exception {
        //删除全部文档
        indexWriter.deleteAll();
        //关闭索引库
        indexWriter.close();
    }

    @Test
    public void deleteDocumentByQuery() throws Exception {
        //根据查询删除
        indexWriter.deleteDocuments(new Term("name", "apache"));
        indexWriter.close();
    }

3.修改文档

修改的原理是先删除后添加

 @Test
    public void updateDocument() throws Exception {
        //创建一个新的文档对象
        Document document = new Document();
        //向文档对象中添加域
        document.add(new TextField("name", "更新之后的文档", Field.Store.YES));
        document.add(new TextField("name1", "更新之后的文档2", Field.Store.YES));
        document.add(new TextField("name2", "更新之后的文档3", Field.Store.YES));
        //更新操作（先删除后添加）
        indexWriter.updateDocument(new Term("name", "spring"), document);
        //关闭索引库
        indexWriter.close();
    }

八、索引库查询

1.使用Query的子类

1) TermQuery

根据关键词进行查询。
需要指定要查询的城及要查询的关键词

代码实现

@Test
    public void searchIndex() 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:\\JavaWeb\\lucene\\Code_lucene\\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，TermQuery
        Query query = new TermQuery(new Term("name", "apache"));
        //5、执行查询，得到一个TopDocs对象
        //参数1：查询对象 参数2：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("-----------------寂寞的分割线");
        }
        //9、关闭IndexReader对象
        indexReader.close();
    }

2) RangeQuery 范围查询代码实现

private IndexReader indexReader;
    private IndexSearcher indexSearcher;
    @Before
    public void init() throws Exception {
        indexReader = DirectoryReader.open(FSDirectory.open(new File("E:\\JavaWeb\\lucene\\Code_lucene\\index").toPath()));
        indexSearcher = new IndexSearcher(indexReader);
    }

    @Test
    public void testRangeQuery() throws Exception {
        //创建一个Query对象
        Query query = LongPoint.newRangeQuery("size", 0l, 100);
        printResult(query);
    }

    private void printResult(Query query) throws Exception {
        //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 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("-----------------寂寞的分割线");
        }
        indexReader.close();
    }

2.使用QueryPaser进行查询

可以对要查询的内容先分词，然后基于分词的结果进行查询.
添加一一个jar包
lucene-queryparser-7.4.0.jad

代码实现

@Test
    public void testQueryParser() throws Exception {
        //创建一个QueryPaser对象，两个参数
        QueryParser queryParser = new QueryParser("name", new IKAnalyzer());
        //参数1：默认搜索域，参数2：分析器对象
        //使用QueryPaser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包");
        //执行查询
        printResult(query);
    }

九、lucene的jar包和相关资源下载

点击下载链接：https://pan.baidu.com/s/1qK030WQlKbOoSBudb__H8A 提取码：14zz

本文参与腾讯云自媒体同步曝光计划，分享自作者个人站点/博客。

如有侵权请联系 cloudcommunity@tencent.com 删除

全文检索

lucene/solr

本文分享自作者个人站点/博客前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体同步曝光计划，欢迎热爱写作的你一起参与！

全文检索

lucene/solr

登录后参与评论

0 条评论

热度