java lucene全文检索工具包的理解与使用.pdf

申明：原文来自html 1 lucene 简介 1.1 什么是 lucene Lucene 是一个全文搜索框架，而不是应用产品。因此它并不像 或者 google Desktop 那么拿来就能用，它只是提供了一种工具让你能实现这些产品。 1.2 lucene 能做什么 要 回答这个问题，先要了解lucene 的本质。实际上lucene 的功能很单一，说到底，就是你 给它若干个字符串，然后它为你提供一个全文搜索服务，告诉你 你要搜索的关键词出现在 哪里。知道了这个本质，你就可以发挥想象做任何符合这个条件的事情了。你可以把站内新 闻都索引了，做个资料库；你可以把一个数据库 表的若干个字段索引起来，那就不用再担 心因为“%like%”而锁表了；你也可以写个自己的搜索引擎…… 1.3 你该不该选择 lucene 下面给出一些测试数据，如果你觉得可以接受，那么可以选择。 测试一：250 万记录，300M 左右文本，生成索引 380M 左右，800 线程下平均处理时间 300ms 。 测试二：37000 记录，索引数据库中的两个 varchar 字段，索引文件 2.6M ，800 线程下平均 处理时间 1.5ms。 2 lucene 的工作方式 lucene 提供的服务实际包含两部分：一入一出。所谓入是写入，即将你提供的源（本质是字 符串）写入索引或者将其从索引中删除；所谓出是读出，即向用户提供全文搜索服务，让用 户可以通过关键词定位源。 2.1 写入流程 源字符串首先经过 analyzer 处理，包括：分词，分成一个个单词；去除 stopword （可选）。 将源中需要的信息加入 Document 的各个Field 中，并把需要索引的Field 索引起来，把需要 存储的 Field 存储起来。 将索引写入存储器，存储器可以是内存或磁盘。 2.2 读出流程 用户提供搜索关键词，经过 analyzer 处理。 对处理后的关键词搜索索引找出对应的 Document 。 用户根据需要从找到的 Document 中提取需要的Field 。 3 一些需要知道的概念 lucene 用到一些概念，了解它们的含义，有利于下面的讲解。 3.1 analyzer Analyzer 是分析器，它的作用是把一个字符串按某种规则划分成一个个词语，并去除其中 的无效词语，这里说的无效词语是指英文中的“of”、 “the” ，中文中的 “ 的”、“地”等词语， 这些词语在文章中大量出现，但是本身不包含什么关键信息，去掉有利于缩小索引文件、提 高效率、提高命中率。 分词的规则千变万化，但目的只有一个：按语义划分。这点在英文中比较容易实现，因为英 文本身就是以单词为单位的，已经用空格分开；而中文则必须以某种方法将连成一片的句子 划分成一个个词语。具体划分方法下面再详细介绍，这里只需了解分析器的概念即可。 3.2 document 用户提供的源是一条条记录，它们可以是文本文件、字符串或者数据库表的一条记录等等。 一条记录经过索引之后，就是以一个 Document 的形式存储在索引文件中的。用户进行搜索， 也是以 Document 列表的形式返回。 3.3 field 一个 Document 可以包含多个信息域，例如一篇文章可以包含“标题”、“正文”、“最后修改时 间”等信息域，这些信息域就是通过 Field 在 Document 中存储的。 Field 有两个属性可选：存储和索引。通过存储属性你可以控制是否对这个 Field 进行存储； 通过索引属性你可以控制是否对该 Field 进行索引。这看起来似乎有些废话，事实上对这两 个属性的正确组合很重要，下面举例说明： 还 是以刚才的文章为例子，我们需要对标题和正文进行全文搜索，所以我们要把索引属性 设置为真，同时我们希望能直接从搜索结果中提取文章标题，所以我们把标题 域的存储属 性设置为真，但是由于正文域太大了，我们为了缩小索引文件大小，将正文域的存储属性设 置为假，当需要时再直接读取文件；我们只是希望能从搜索解 果中提取最后修改时间，不 需要对它进行搜索，所以我们把最后修改时间域的存储属性设置为真，索引属性设置为假。 上面的三个域涵盖了两个属性的三种组合，还 有一种全为假的没有用到，事实上 Field 不 允许你那么设置，因为既不存储又不索引的域是没有意义的。 3.4 term term 是搜索的最小单位，它表示文档的一个词语，term 由两部分组成：它表示的词语和这 个词语所出现的 fie