Java培訓(xùn)實(shí)戰(zhàn)教程之lucene初探

全文檢索場景
當(dāng)你在使用百度、Google搜索信息時，當(dāng)你在淘寶、京東搜索商品時你知道這些都是使用的什么技術(shù)可以很快搜索你想要的東東嗎？正是全文檢索技術(shù)。
全文檢索概念
全文檢索是將整本書、整篇文章中的任意內(nèi)容信息查找出來的檢索。它可以根據(jù)需要獲得全文中有關(guān)章、節(jié)、段、句、詞等信息，計算機(jī)程序通過掃描文章中的每一個詞，對每一個詞建立一個索引，指明該詞在文章中出現(xiàn)的次數(shù)和位置，當(dāng)用戶查詢時根據(jù)建立的索引查找，類似于通過字典的檢索字表查字的過程。
經(jīng)過幾年的發(fā)展，全文檢索從最初的字符串匹配程序已經(jīng)演進(jìn)到能對超大文本、語音、圖像、活動影像等非結(jié)構(gòu)化數(shù)據(jù)進(jìn)行綜合管理的大型軟件。
什么是Lucene
Lucene是apache下的一個開放源代碼的全文檢索引擎工具包。提供了完整的搜索引擎和索引引擎。Lucene的目的是為軟件開發(fā)人員提供一個簡單易用的工具包，以方便的在目標(biāo)系統(tǒng)中實(shí)現(xiàn)全文檢索的功能。
案例描述
我們以一個案例來研究全文檢索過程：實(shí)現(xiàn)一個資源管理器的搜索功能，通過關(guān)鍵字搜索文件，凡是文件名或文件內(nèi)容包括關(guān)鍵字的文件都需要找出來。
開發(fā)環(huán)境
從Lucene官方網(wǎng)站（http://lucene.apache.org/）下載Lucene4.3.10，并解壓。
 
Lucene4.3.10要求Jdk使用1.7以上，本教程使用1.7.0_72版本。
開發(fā)工具：eclipse indigo
 
Lucene包：
lucene-core-4.10.3.jar---Lucene核心包
lucene-analyzers-common-4.10.3.jar----Lucene分析包
lucene-queryparser-4.10.3.jar ---Lucene查詢包
 
其它：
commons-io-2.4.jar ---用于讀取磁盤文件內(nèi)容
junit-4.9.jar---用于單元測試
 
 
Lucene全文檢索過程
全文檢索包括索引和搜索兩個過程，先對要搜索的信息創(chuàng)建索引，再從索引中搜索信息。
如下圖：
1、黃色表示索引過程，對要搜索的原始內(nèi)容進(jìn)行索引構(gòu)建一個索引庫，索引過程包括：
確定原始內(nèi)容即要搜索的內(nèi)容--》采集文檔--》創(chuàng)建文檔--》分析文檔--》索引文檔
        
2、藍(lán)色表示搜索過程，從索引庫中搜索內(nèi)容，搜索過程包括：
用戶通過搜索界面--》創(chuàng)建查詢--》執(zhí)行搜索，從索引庫搜索--》渲染搜索結(jié)果
   
第一步：確定原始內(nèi)容
原始內(nèi)容是指要索引和搜索的內(nèi)容。原始內(nèi)容包括互聯(lián)網(wǎng)上的網(wǎng)頁、數(shù)據(jù)庫中的數(shù)據(jù)、磁盤上的文件等。
本案例中的原始內(nèi)容就是磁盤上的文件（本教程只搜索.txt文件），如下圖： 第二步：獲取原始內(nèi)容
從互聯(lián)網(wǎng)上、數(shù)據(jù)庫、文件系統(tǒng)中等獲取需要搜索的原始信息，這個過程就是信息采集，信息采集的目的是為了對原始內(nèi)容進(jìn)行索引。
         Lucene本身不提供信息采集的功能，這里我們通過Java流程讀取磁盤文件的內(nèi)容。
 
        
第三步：創(chuàng)建文檔
獲取原始內(nèi)容的目的是為了索引，在索引前需要將原始內(nèi)容創(chuàng)建成文檔（Document），文檔中包括一個一個的域（Field），域中存儲內(nèi)容。
這里我們可以將磁盤上的一個文件當(dāng)成一個document，Document中包括一些Field（file_name文件名稱、file_path文件路徑、file_size文件大小、file_content文件內(nèi)容），如下圖：
   
注意：每個Document可以有多個Field，不同的Document可以有不同的Field，同一個Document可以有相同的Field（域名和域值都相同）
 
下邊代碼實(shí)現(xiàn)了從磁盤讀取文件并創(chuàng)建文檔的過程：
 
// 從文件創(chuàng)建Document
   public static List<Document> file2Document(String folderPath)
           throws IOException {
 
       List<Document> list = new ArrayList<Document>();
 
       File folder = new File(folderPath);
       if (!folder.isDirectory()) {
           return null;
       }
       // 獲取目錄 中的所有文件
       File[] files = folder.listFiles();
       for (File file : files) {
           //文件名稱
           String fileName = file.getName();
           System.out.println(fileName);
           if (fileName.lastIndexOf(".txt") > 0) {
 
              // 文件內(nèi)容
              String fileContent = FileUtils.readFileToString(file);
              //文件路徑
              String filePath = file.getAbsolutePath();
              //文件大小
              long fileSize = FileUtils.sizeOf(file);
             
              //創(chuàng)建文檔
              Document doc = new Document();
 
              //創(chuàng)建各各Field域
              //文件名
              Field field_fileName = new StringField("fileName", fileName, Store.YES);
              //文件內(nèi)容
              Field field_fileContent = new TextField("fileContent", fileContent, Store.NO);
                    
              //文件大小
              Field field_fileSize = new LongField("fileSize", fileSize, Store.YES);
              //文件路徑
              Field field_filePath = new StoredField("filePath", filePath, Store.YES);
 
             
              //將各各Field添加到文檔中
              doc.add(field_fileName);
              doc.add(field_fileContent);
              doc.add(field_fileSize);
              doc.add(field_filePath);
              list.add(doc);
             
           }
       }
 
       return list;
 
    }
 
 
第四步：分析文檔
 
將原始內(nèi)容創(chuàng)建為包含域（Field）的文檔（document），需要再對域中的內(nèi)容進(jìn)行分析，分析的過程是經(jīng)過對原始文檔提取單詞、將字母轉(zhuǎn)為小寫、去除標(biāo)點(diǎn)符號、去除常用詞等過程生成最終的語匯單元，可以將語匯單元理解為一個一個的單詞。
比如下邊的文檔經(jīng)過分析如下：
原文檔內(nèi)容：
Lucene is a Java full-text search engine.  Lucene is not a complete
application, but rather a code library and API that can easily be used
to add search capabilities to applications.
 
分析后得到的語匯單元：
lucene、java、full、search、engine。。。。
 
第五步：創(chuàng)建索引
 
對所有文檔分析得出的語匯單元進(jìn)行索引，索引的目的是為了搜索，最終要實(shí)現(xiàn)只搜索被索引的語匯單元從而找到Document（文檔）。
注意：創(chuàng)建索引是對語匯單元索引，通過詞語找文檔，這種索引的結(jié)構(gòu)叫倒排索引結(jié)構(gòu)。
傳統(tǒng)方法是根據(jù)文件找到該文件的內(nèi)容，在文件內(nèi)容中匹配搜索關(guān)鍵字，這種方法是順序掃描方法，數(shù)據(jù)量大、搜索慢。
倒排索引結(jié)構(gòu)是根據(jù)內(nèi)容（詞語）找文檔，如下圖：  
根據(jù)左邊的索引詞典可以找到詞對應(yīng)的文檔。“springmvc.txt”這個詞在Document1(springmvc.txt) ，“web”和“spring”在Document1、Document2中都存在，詞是通過Field和Document文檔聯(lián)系起來的。
 
倒排索引結(jié)構(gòu)也叫反向索引結(jié)構(gòu)，包括索引和文檔兩部分，索引即詞匯表，它的規(guī)模較小，而文檔集合較大。
 
使用分析器分析并創(chuàng)建索引過程代碼如下：
 
 
public class IndexTest {
 
    // 索引源，即源數(shù)據(jù)目錄
    private static String searchSource = "F:\\develop\\lucene\\searchsource";
 
    // 索引目標(biāo)地址
    private static String indexFolder = "F:\\develop\\lucene\\indexdata";
 
    @Test
    public void testCreateIndex() {
 
       try {
 
          //從目錄中讀取文件內(nèi)容并創(chuàng)建Document文檔
           List<Document> docs = IndexUtils.file2Document(searchSource);
           //創(chuàng)建分析器，standardAnalyzer標(biāo)準(zhǔn)分析器
           Analyzer standardAnalyzer = new IKAnalyzer();
           // 指定索引存儲目錄
           Directory directory = FSDirectory.open(new File(indexFolder));
           //創(chuàng)建索引操作配置對象
           IndexWriterConfig indexWriterConfig = new IndexWriterConfig(Version.LUCENE_4_10_3,
                  standardAnalyzer);
                    
           // 定義索引操作對象indexWriter
           IndexWriter indexWriter = new IndexWriter(directory,indexWriterConfig);
          
           // 遍歷目錄 下的文件生成的文檔，調(diào)用indexWriter方法創(chuàng)建索引
           for (Document document : docs) {
              indexWriter.addDocument(document);
           }
           // 索引操作流關(guān)閉
           indexWriter.close();
 
       } catch (IOException e) {
           e.printStackTrace();
       }
 
    }
}
 
第六步：搜索文件
根據(jù)文件名稱搜索文件，需要經(jīng)過以下步驟：
1）指定索引目錄地址，搜索就是從索引中搜索匹配的詞語
// 指定索引目錄地址，
    private static String indexFolder = "F:\\develop\\lucene\\indexdata";
 
2）創(chuàng)建Query構(gòu)建查詢語法 （可以理解為和關(guān)系數(shù)據(jù)庫的Sql作用一樣）
// 創(chuàng)建查詢對象，根據(jù)文件名稱域搜索匹配文件名稱的文檔
       Query query = new TermQuery(new Term("fileName", "springmvc_test.txt"));
 
3）創(chuàng)建IndexReader讀取索引文件
// 指定索引目錄
       Directory directory = FSDirectory.open(new File(indexFolder));
 
       // 定義IndexReader
       IndexReader reader = DirectoryReader.open(directory);
 
 
4）創(chuàng)建IndexSearcher執(zhí)行搜索
// 創(chuàng)建indexSearcher
       IndexSearcher indexSearcher = new IndexSearcher(reader);
       // 執(zhí)行搜索
       TopDocs topDocs = indexSearcher.search(query, 100);
 
 
5）通過TopDocs獲取搜索結(jié)果
// 提取搜索結(jié)果
       ScoreDoc[] scoreDocs = topDocs.scoreDocs;
 
6）遍歷結(jié)果，從Document中獲取Field內(nèi)容
for (ScoreDoc scoreDoc : scoreDocs) {
           // 文檔id
           int docID = scoreDoc.doc;
           // 得到文檔
           Document doc = indexSearcher.doc(docID);
           // 輸出 文件內(nèi)容
           System.out.println("------------------------------");
           System.out.println("文件名稱 =" + doc.get("fileName"));
           System.out.println("文件大小 =" + doc.get("fileSize"));
           System.out.println("文件內(nèi)容 =" + doc.get("fileContent"));
       }
 
完整代碼如下：
public class SearchTest {
    // 指定索引目錄地址，
    private static String indexFolder = "F:\\develop\\lucene\\indexdata";
 
    //查詢方法
    @Test
    public void testTermQuery() throws IOException {
 
       // 創(chuàng)建查詢對象，根據(jù)文件名稱域搜索匹配文件名稱的文檔
       Query query = new TermQuery(new Term("fileName", "springmvc_test.txt"));
 
       // 指定索引目錄
       Directory directory = FSDirectory.open(new File(indexFolder));
 
       // 定義IndexReader
       IndexReader reader = DirectoryReader.open(directory);
       // 創(chuàng)建indexSearcher
       IndexSearcher indexSearcher = new IndexSearcher(reader);
       // 執(zhí)行搜索
       TopDocs topDocs = indexSearcher.search(query, 100);
       // 提取搜索結(jié)果
       ScoreDoc[] scoreDocs = topDocs.scoreDocs;
 
       System.out.println("共搜索到總記錄數(shù)：" + topDocs.totalHits);
 
       for (ScoreDoc scoreDoc : scoreDocs) {
           // 文檔id
           int docID = scoreDoc.doc;
           // 得到文檔
           Document doc = indexSearcher.doc(docID);
           // 輸出 文件內(nèi)容
           System.out.println("------------------------------");
           System.out.println("文件名稱 =" + doc.get("fileName"));
           System.out.println("文件大小 =" + doc.get("fileSize"));
           System.out.println("文件內(nèi)容 =" + doc.get("fileContent"));
       }
 
    }