Luncene 学习入门
Lucene是apache组织的一个用java实现全文搜索引擎的开源项目。 其功能非常的强大,api也很简单。总得来说用Lucene来进行建立 和搜索和操作数据库是差不多的(有点像),Document可以看作是 数据库的一行记录,Field可以看作是数据库的字段。用lucene实 现搜索引擎就像用JDBC实现连接数据库一样简单。http://apache.justdn.org/lucene/java/
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www.baidu.com 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。
2 lucene的工作方式
lucene提供的服务实际包含两部分:一入一出。
写入流程
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。
2.3 工作原理
倒排结构及相应的算法:
1:分词(Analyzer类)(词典文件)
英文空格分词,中文特殊分词处理;过滤不代表概念的词;关联模糊词;
2:出现次数,关键字位置,出现频率,(频率文件)
3:二元搜索算法快速定位关键词(位置文件)
4:按字符排序
5:field概念定义关键字信息和位置,每个关键字定义一个或者多个field
6:压缩技术(大量使用在对数字的压缩,保留与上一个值的差值)
3 一些需要知道的概念
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field。
3.5 tocken
tocken是term的一次出现,它包含trem文本和相应的起止偏移,以及一个类型字符串。一句话中可以出现多次相同的词语,它们都用同一个term表示,但是用不同的tocken,每个tocken标记该词语出现的地方。
3.6 segment
添加索引时并不是每个document都马上添加到同一个索引文件,它们首先被写入到不同的小文件,然后再合并成一个大索引文件,这里每个小文件都是一个segment。
索引库
将索引写进Lucene自己的数据库中,它存放的位置是可自己定义的
IndexWriter()
分析器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。
作用是对文本进行分析,判断如何进行切词
StandarAnalyzer(),SimpleAnalyzer(), StopAnalyzer()等
库文档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
Document相当于二维表中一行数据一样。Document里包含的是Field字段,Field相当于数据库中一列,也就是一个属性,一个字段
信息域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结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。
搜索单位term
term
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field。
范围tocken
tocken是term的一次出现,它包含trem文本和相应的起止偏移,以及一个类型字符串。一句话中可以出现多次相同的词语,它们都用同一个term表示,但是用不同的tocken,每个tocken标记该词语出现的地方
索引文件segment
添加索引时并不是每个document都马上添加到同一个索引文件,它们首先被写入到不同的小文件,然后再合并成一个大索引文件,这里每个小文件都是一个segment。
优化索引库
最后应该对IndexWriter进行优化,方法很简单,就是writer.optimize().
索引查询
IndexSearcher:所遇数据库位置
Query:索引搜索,三个参数:查询内容,查询字段,分析器
Hits:查询结果
4 如何建索引
4.1 最简单的能完成索引的代码片断
- IndexWriter writer = new IndexWriter(“/data/index/”, new StandardAnalyzer(), true);
- Document doc = new Document();
- doc.add(new Field("title", "lucene introduction", Field.Store.YES, Field.Index.TOKENIZED));
- doc.add(new Field("content", "lucene works well", Field.Store.YES, Field.Index.TOKENIZED));
- writer.addDocument(doc);
- writer.optimize();
- writer.close();
下面我们分析一下这段代码。
首先我们创建了一个writer,并指定存放索引的目录为“/data/index”,使用的分析器为StandardAnalyzer,第三个参数说明如果已经有索引文件在索引目录下,我们将覆盖它们。然后我们新建一个document。
我们向document添加一个field,名字是“title”,内容是“lucene introduction”,对它进行存储并索引。再添加一个名字是“content”的field,内容是“lucene works well”,也是存储并索引。
然后我们将这个文档添加到索引中,如果有多个文档,可以重复上面的操作,创建document并添加。
添加完所有document,我们对索引进行优化,优化主要是将多个segment合并到一个,有利于提高索引速度。
随后将writer关闭,这点很重要。
对,创建索引就这么简单!
当然你可能修改上面的代码获得更具个性化的服务。
4.2 索引文本文件
如果你想把纯文本文件索引起来,而不想自己将它们读入字符串创建field,你可以用下面的代码创建field:
- Field field = new Field("content", new FileReader(file));
这里的file就是该文本文件。该构造函数实际上是读去文件内容,并对其进行索引,但不存储。
例子一 :
1、在windows系统下的的C盘,建一个名叫s的文件夹,在该文件夹里面随便建三个txt文件,随便起名啦,就叫"1.txt","2.txt"和"3.txt"啦
其中1.txt的内容如下:
中华人民共和国
全国人民
2006年
而"2.txt"和"3.txt"的内容也可以随便写几写,这里懒写,就复制一个和1.txt文件的内容一样吧
2、下载lucene包,放在classpath路径中
建立索引:
- package lighter.javaeye.com;
- import java.io.BufferedReader;
- import java.io.File;
- import java.io.FileInputStream;
- import java.io.IOException;
- import java.io.InputStreamReader;
- import java.util.Date;
- import org.apache.lucene.analysis.Analyzer;
- import org.apache.lucene.analysis.standard.StandardAnalyzer;
- import org.apache.lucene.document.Document;
- import org.apache.lucene.document.Field;
- import org.apache.lucene.index.IndexWriter;
- /** */ /**
- * author lighter date 2006-8-7
- */
- public class TextFileIndexer {
- public static void main(String[] args) throws Exception {
- /**/ /* 指明要索引文件夹的位置,这里是C盘的S文件夹下 */
- File fileDir = new File( " c:\\s " );
- /**/ /* 这里放索引文件的位置 */
- File indexDir = new File( " c:\\index " );
- Analyzer luceneAnalyzer = new StandardAnalyzer();
- IndexWriter indexWriter = new IndexWriter(indexDir, luceneAnalyzer,
- true );
- File[] textFiles = fileDir.listFiles();
- long startTime = new Date().getTime();
- // 增加document到索引去
- for ( int i = 0 ; i < textFiles.length; i ++ ) {
- if (textFiles[i].isFile()
- && textFiles[i].getName().endsWith( " .txt " )) {
- System.out.println(" File " + textFiles[i].getCanonicalPath()
- + " 正在被索引. " );
- String temp = FileReaderAll(textFiles[i].getCanonicalPath(),
- " GBK " );
- System.out.println(temp);
- Document document = new Document();
- Field FieldPath = new Field( " path ", textFiles[i].getPath(),
- Field.Store.YES, Field.Index.NO);
- Field FieldBody = new Field( " body ", temp, Field.Store.YES,
- Field.Index.TOKENIZED,
- Field.TermVector.WITH_POSITIONS_OFFSETS);
- document.add(FieldPath);
- document.add(FieldBody);
- indexWriter.addDocument(document);
- }
- }
- // optimize()方法是对索引进行优化
- indexWriter.optimize();
- indexWriter.close();
- // 测试一下索引的时间
- long endTime = new Date().getTime();
- System.out
- .println(" 这花费了"
- + (endTime - startTime)
- + " 毫秒来把文档增加到索引里面去! "
- + fileDir.getPath());
- }
- public static String FileReaderAll(String FileName, String charset)
- throws IOException {
- BufferedReader reader = new BufferedReader( new InputStreamReader(
- new FileInputStream(FileName), charset));
- String line = new String();
- String temp = new String();
- while ((line = reader.readLine()) != null) {
- temp += line;
- }
- reader.close();
- return temp;
- }
- }
索引的结果:
- File C:\s\ 1 .txt正在被索引.
- 中华人民共和国全国人民2006年
- File C:\s\ 2 .txt正在被索引.
- 中华人民共和国全国人民2006年
- File C:\s\ 3 .txt正在被索引.
- 中华人民共和国全国人民2006年
- 这花费了297 毫秒来把文档增加到索引里面去 ! c:\s
3、建立了索引之后,查询啦....
- package lighter.javaeye.com;
- import java.io.IOException;
- import org.apache.lucene.analysis.Analyzer;
- import org.apache.lucene.analysis.standard.StandardAnalyzer;
- import org.apache.lucene.queryParser.ParseException;
- import org.apache.lucene.queryParser.QueryParser;
- import org.apache.lucene.search.Hits;
- import org.apache.lucene.search.IndexSearcher;
- import org.apache.lucene.search.Query;
- public class TestQuery {
- public static void main(String[] args) throws IOException, ParseException {
- Hits hits = null ;
- String queryString = " 中华 ";
- Query query = null ;
- IndexSearcher searcher = new IndexSearcher( " c:\\index " );
- Analyzer analyzer = new StandardAnalyzer();
- try {
- QueryParser qp = new QueryParser( " body ", analyzer);
- query = qp.parse(queryString);
- } catch (ParseException e) {
- }
- if (searcher != null ) {
- hits = searcher.search(query);
- if (hits.length() > 0 ) {
- System.out.println(" 找到: " + hits.length() + " 个结果! " );
- }
- }
- }
- }
其运行结果:
- 找到: 3 个结果!
Lucene 其实很简单的,它最主要就是做两件事:建立索引和进行搜索
来看一些在lucene中使用的术语,这里并不打算作详细的介绍,只是点一下而已----因为这一个世界有一种好东西,叫搜索。
- IndexWriter:lucene中最重要的的类之一,它主要是用来将文档加入索引,同时控制索引过程中的一些参数使用。
- Analyzer:分析器,主要用于分析搜索引擎遇到的各种文本。常用的有StandardAnalyzer分析器,StopAnalyzer分析器,WhitespaceAnalyzer分析器等。
- Directory:索引存放的位置;lucene提供了两种索引存放的位置,一种是磁盘,一种是内存。一般情况将索引放在磁盘上;相应地lucene提供了FSDirectory和RAMDirectory两个类。
- Document:文档;Document相当于一个要进行索引的单元,任何可以想要被索引的文件都必须转化为Document对象才能进行索引。
- Field:字段。
- IndexSearcher:是lucene中最基本的检索工具,所有的检索都会用到IndexSearcher工具;
- Query:查询,lucene中支持模糊查询,语义查询,短语查询,组合查询等等,如有TermQuery,BooleanQuery,RangeQuery,WildcardQuery等一些类。
- QueryParser: 是一个解析用户输入的工具,可以通过扫描用户输入的字符串,生成Query对象。
- Hits:在搜索完成之后,需要把搜索结果返回并显示给用户,只有这样才算是完成搜索的目的。在lucene中,搜索的结果的集合是用Hits类的实例来表示的。
上面作了一大堆名词解释,下面就看几个简单的实例吧:
1、简单的的StandardAnalyzer测试例子
- package lighter.javaeye.com;
- import java.io.IOException;
- import java.io.StringReader;
- import org.apache.lucene.analysis.Analyzer;
- import org.apache.lucene.analysis.Token;
- import org.apache.lucene.analysis.TokenStream;
- import org.apache.lucene.analysis.standard.StandardAnalyzer;
- public class StandardAnalyzerTest
- {
- // 构造函数,
- public StandardAnalyzerTest()
- {
- }
- public static void main(String[] args)
- {
- // 生成一个StandardAnalyzer对象
- Analyzer aAnalyzer = new StandardAnalyzer();
- // 测试字符串
- StringReader sr = new StringReader( "lighter javaeye com is the are on ");
- // 生成TokenStream对象
- TokenStream ts = aAnalyzer.tokenStream( " name ", sr);
- try {
- int i = 0 ;
- Token t = ts.next();
- while (t != null )
- {
- // 辅助输出时显示行号
- i++ ;
- // 输出处理后的字符
- System.out.println(" 第 " + i + " 行: " + t.termText());
- // 取得下一个字符
- t= ts.next();
- }
- } catch (IOException e) {
- e.printStackTrace();
- }
- }
- }
显示结果:
- 第1行:lighter
- 第2行:javaeye
- 第3行:com
提示一下:
StandardAnalyzer是lucene中内置的"标准分析器",可以做如下功能:
- 1、对原有句子按照空格进行了分词
- 2、所有的大写字母都可以能转换为小写的字母
- 3、可以去掉一些没有用处的单词,例如"is","the","are"等单词,也删除了所有的标点
查看一下结果与"newStringReader("lighter javaeye com is the are on")"作一个比较就清楚明了。
这里不对其API进行解释了,具体见lucene的官方文档。需要注意一点,这里的代码使用的是lucene2的API,与1.43版有一些明显的差别。
2、看另一个实例,简单地建立索引,进行搜索
- package lighter.javaeye.com;
- import org.apache.lucene.analysis.standard.StandardAnalyzer;
- import org.apache.lucene.document.Document;
- import org.apache.lucene.document.Field;
- import org.apache.lucene.index.IndexWriter;
- import org.apache.lucene.queryParser.QueryParser;
- import org.apache.lucene.search.Hits;
- import org.apache.lucene.search.IndexSearcher;
- import org.apache.lucene.search.Query;
- import org.apache.lucene.store.FSDirectory;
- public class FSDirectoryTest {
- // 建立索引的路径
- public static final String path = " c:\\index2 ";
- public static void main(String[] args) throws Exception {
- Document doc1 = new Document();
- doc1.add( new Field( " name " , "lighter javaeye com " ,Field.Store.YES,Field.Index.TOKENIZED));
- Document doc2 = new Document();
- doc2.add(new Field( " name " , " lighter blog ",Field.Store.YES,Field.Index.TOKENIZED));
- IndexWriter writer = new IndexWriter(FSDirectory.getDirectory(path, true), new StandardAnalyzer(), true );
- writer.setMaxFieldLength(3 );
- writer.addDocument(doc1);
- writer.setMaxFieldLength(3 );
- writer.addDocument(doc2);
- writer.close();
- IndexSearcher searcher = new IndexSearcher(path);
- Hits hits = null ;
- Query query = null ;
- QueryParser qp = new QueryParser( " name " , new StandardAnalyzer());
- query = qp.parse( " lighter " );
- hits = searcher.search(query);
- System.out.println(" 查找\ " lighter\ " 共 " + hits.length() + " 个结果 " );
- query = qp.parse( " javaeye " );
- hits = searcher.search(query);
- System.out.println(" 查找\ " javaeye\ " 共 " + hits.length() + " 个结果 " );
- }
- }
运行结果:
- 查找 " lighter " 共2个结果
- 查找 " javaeye " 共1个结果
到现在我们已经可以用lucene建立索引了
下面介绍一下几个功能来完善一下:
1.索引格式
其实索引目录有两种格式,
一种是除配置文件外,每一个Document独立成为一个文件(这种搜索起来会影响速度)。
另一种是全部的Document成一个文件,这样属于复合模式就快了。
2.索引文件可放的位置:
索引可以存放在两个地方1.硬盘,2.内存
放在硬盘上可以用FSDirectory(),放在内存的用RAMDirectory()不过一关机就没了
- FSDirectory.getDirectory(File file, boolean create)
- FSDirectory.getDirectory(String path, boolean create)
两个工厂方法返回目录New RAMDirectory()就直接可以再和
- IndexWriter(Directory d, Analyzer a, boolean create)
一配合就行了
如:
- IndexWrtier indexWriter = new IndexWriter(FSDirectory.getDirectory(“c:\\index”, true ), new StandardAnlyazer(), true );
- IndexWrtier indexWriter = new IndexWriter( new RAMDirectory(), new StandardAnlyazer(),true );
3.索引的合并
这个可用
- IndexWriter.addIndexes(Directory[] dirs)
将目录加进去.来看个例子:
- public void UniteIndex() throws IOException
- {
- IndexWriter writerDisk = new IndexWriter(FSDirectory.getDirectory( " c:\\indexDisk" , true ), new StandardAnalyzer(), true );
- Document docDisk = new Document();
- docDisk.add(new Field( " name " , " 程序员之家 " ,Field.Store.YES,Field.Index.TOKENIZED));
- writerDisk.addDocument(docDisk);
- RAMDirectory ramDir = new RAMDirectory();
- IndexWriter writerRam = new IndexWriter(ramDir, new StandardAnalyzer(), true );
- Document docRam = new Document();
- docRam.add(new Field( " name " , " 程序员杂志 " ,Field.Store.YES,Field.Index.TOKENIZED));
- writerRam.addDocument(docRam);
- writerRam.close();// 这个方法非常重要,是必须调用的
- writerDisk.addIndexes(new Directory[] {ramDir} );
- writerDisk.close();
- }
- public void UniteSearch() throws ParseException, IOException
- {
- QueryParser queryParser = new QueryParser( " name " , new StandardAnalyzer());
- Query query = queryParser.parse( " 程序员 " );
- IndexSearcher indexSearcher = new IndexSearcher( " c:\\indexDisk " );
- Hits hits = indexSearcher.search(query);
- System.out.println(" 找到了 " + hits.length() + " 结果 " );
- for ( int i = 0 ;i
- {
- Document doc = hits.doc(i);
- System.out.println(doc.get(" name " ));
- }
- }
这个例子是将内存中的索引合并到硬盘上来.
注意:合并的时候一定要将被合并的那一方的IndexWriter的close()方法调用。
4.对索引的其它操作:
IndexReader类是用来操作索引的,它有对Document,Field的删除等操作。
下面一部分的内容是:全文的搜索
全文的搜索主要是用:IndexSearcher,Query,Hits,Document(都是Query的子类),有的时候用QueryParser
主要步骤:
- 1 . new QueryParser(Field字段, new 分析器)
- 2 .Query query = QueryParser.parser(“要查询的字串”);这个地方我们可以用反射api看一下query究竟是什么类型
- 3 . new IndexSearcher(索引目录).search(query);返回Hits
- 4 .用Hits.doc(n);可以遍历出Document
- 5 .用Document可得到Field的具体信息了。
其实1 ,2两步就是为了弄出个Query 实例,究竟是什么类型的看分析器了。
拿以前的例子来说吧
- QueryParser queryParser = new QueryParser( " name " , new StandardAnalyzer());
- Query query = queryParser.parse( " 程序员 " );
- /**/ /* 这里返回的就是org.apache.lucene.search.PhraseQuery */
- IndexSearcher indexSearcher = new IndexSearcher( " c:\\indexDisk " );
- Hits hits = indexSearcher.search(query);
不管是什么类型,无非返回的就是Query的子类,我们完全可以不用这两步直接new个Query的子类的实例就ok了,不过一般还是用这两步因为它返回的是PhraseQuery这个是非常强大的query子类它可以进行多字搜索用QueryParser可以设置各个关键字之间的关系这个是最常用的了。
- IndexSearcher:
- 其实IndexSearcher它内部自带了一个IndexReader用来读取索引的,IndexSearcher有个close()方法,这个方法不是用来关闭IndexSearche的是用来关闭自带的IndexReader。
- QueryParser:
呢可以用parser.setOperator()来设置各个关键字之间的关系(与还是或)它可以自动通过空格从字串里面将关键字分离出来。- 注意:用QueryParser搜索的时候分析器一定的和建立索引时候用的分析器是一样的。
- Query:
- 可以看一个lucene2.0的帮助文档有很多的子类:
- BooleanQuery, ConstantScoreQuery, ConstantScoreRangeQuery, DisjunctionMaxQuery,FilteredQuery, MatchAllDocsQuery, MultiPhraseQuery, MultiTermQuery,PhraseQuery, PrefixQuery, RangeQuery, SpanQuery, TermQuery
各自有用法看一下文档就能知道它们的用法了
下面一部分讲一下lucene的分析器:
分析器是由分词器和过滤器组成的,拿英文来说吧分词器就是通过空格把单词分开,过滤器就是把the,to,of等词去掉不被搜索和索引。
我们最常用的是StandardAnalyzer()它是lucene的标准分析器它集成了内部的许多的分析器。
lucene的高级搜索了
1.排序
Lucene有内置的排序用
- IndexSearcher.search(query,sort);
但是功能并不理想。我们需要自己实现自定义的排序。
这样的话得实现两个接口: ScoreDocComparator,SortComparatorSource用
- IndexSearcher.search(query,newSort(new SortField(String Field,SortComparatorSource)));
就看个例子吧:
这是一个建立索引的例子:
- public void IndexSort() throws IOException
- {
- IndexWriter writer = new IndexWriter( " C:\\indexStore " , new StandardAnalyzer(), true );
- Document doc = new Document()
- doc.add(new Field( " sort " , " 1 ",Field.Store.YES,Field.Index.TOKENIZED));
- writer.addDocument(doc);
- doc = new Document();
- doc.add(new Field( " sort " , " 4 ",Field.Store.YES,Field.Index.TOKENIZED));
- writer.addDocument(doc);
- doc = new Document();
- doc.add(new Field( " sort " , " 3 ",Field.Store.YES,Field.Index.TOKENIZED));
- writer.addDocument(doc);
- doc = new Document();
- doc.add(new Field( " sort " , " 5 ",Field.Store.YES,Field.Index.TOKENIZED));
- writer.addDocument(doc);
- doc = new Document();
- doc.add(new Field( " sort " , " 9 ",Field.Store.YES,Field.Index.TOKENIZED));
- writer.addDocument(doc);
- doc = new Document();
- doc.add(new Field( " sort " , " 6 " ,Field.Store.YES,Field.Index.TOKENIZED));
- writer.addDocument(doc);
- doc = new Document();
- doc.add(new Field( " sort " , " 7 ",Field.Store.YES,Field.Index.TOKENIZED));
- writer.addDocument(doc);
- writer.close();
- }
下面是搜索的例子:
- public void SearchSort1() throws IOException, ParseException
- {
- IndexSearcher indexSearcher = newIndexSearcher("C:\\indexStore");
- QueryParser queryParser = newQueryParser("sort",new StandardAnalyzer());
- Query query =queryParser.parse("4");
- Hits hits =indexSearcher.search(query);
- System.out.println("有"+hits.length()+"个结果");
- Document doc = hits.doc(0);
- System.out.println(doc.get("sort"));
- }
- public void SearchSort2() throws IOException, ParseException
- {
- IndexSearcher indexSearcher = newIndexSearcher("C:\\indexStore");
- Query query = new RangeQuery(newTerm("sort","1"),newTerm("sort","9"),true);//这个地方前面没有提到,它是用于范围的Query可以看一下帮助文档.
- Hits hits =indexSearcher.search(query,new Sort(new SortField("sort",newMySortComparatorSource())));
- System.out.println("有"+hits.length()+"个结果");
- for(int i=0;i
- {
- Document doc= hits.doc(i);
- System.out.println(doc.get("sort"));
- }
- }
- public class MyScoreDocComparator implements ScoreDocComparator
- {
- private Integer[]sort;
- public MyScoreDocComparator(String s,IndexReader reader,String fieldname) throws IOException
- {
- sort = new Integer[reader.maxDoc()];
- for(int i = 0;i
- {
- Document doc=reader.document(i);
- sort[i]=newInteger(doc.get("sort"));
- }
- }
- public int compare(ScoreDoc i, ScoreDoc j)
- {
- if(sort[i.doc]>sort[j.doc])
- return 1;
- if(sort[i.doc]
- return -1;
- return 0;
- }
- public int sortType()
- {
- return SortField.INT;
- }
- public Comparable sortValue(ScoreDoc i)
- {
- // TODO 自动生成方法存根
- return new Integer(sort[i.doc]);
- }
- }
- public class MySortComparatorSource implements SortComparatorSource
- {
- private static final long serialVersionUID =-9189690812107968361L;
- public ScoreDocComparator newComparator(IndexReader reader,String fieldname)
- throwsIOException
- {
- if(fieldname.equals("sort"))
- return newMyScoreDocComparator("sort",reader,fieldname);
- return null;
- }
- }
SearchSort1()输出的结果没有排序,SearchSort2()就排序了。
2.多域搜索MultiFieldQueryParser
如果想输入关键字而不想关心是在哪个Field里的就可以用MultiFieldQueryParser了
用它的构造函数即可后面的和一个Field一样。
- MultiFieldQueryParser. parse(String[] queries, String[] fields,BooleanClause.Occur[] flags, Analyzeranalyzer)
第三个参数比较特殊这里也是与以前lucene1.4.3不一样的地方
看一个例子就知道了
- String[] fields = {"filename", "contents", "description"};
- BooleanClause.Occur[] flags = {BooleanClause.Occur.SHOULD,
- BooleanClause.Occur.MUST,//在这个Field里必须出现的
- BooleanClause.Occur.MUST_NOT};//在这个Field里不能出现
- MultiFieldQueryParser.parse("query", fields, flags, analyzer);
- 1、lucene的索引不能太大,要不然效率会很低。大于1G的时候就必须考虑分布索引的问题
- 2、不建议用多线程来建索引,产生的互锁问题很麻烦。经常发现索引被lock,无法重新建立的情况
- 3、中文分词是个大问题,目前免费的分词效果都很差。如果有能力还是自己实现一个分词模块,用最短路径的切分方法,网上有教材和demo源码,可以参考。
- 4、建增量索引的时候很耗cpu,在访问量大的时候会导致cpu的idle为0
- 5、默认的评分机制不太合理,需要根据自己的业务定制
整体来说lucene要用好不容易,必须在上述方面扩充他的功能,才能作为一个商用的搜索引擎
完整例子:
- package spring.lucene;
- import java.io.File;
- import java.util.Date;
- import jre.io.JHFileUtils;
- import org.apache.lucene.analysis.Analyzer;
- import org.apache.lucene.analysis.standard.StandardAnalyzer;
- import org.apache.lucene.document.Document;
- import org.apache.lucene.document.Field;
- import org.apache.lucene.document.NumericField;
- import org.apache.lucene.index.IndexReader;
- import org.apache.lucene.index.IndexWriter;
- import org.apache.lucene.index.IndexWriterConfig;
- import org.apache.lucene.index.IndexWriterConfig.OpenMode;
- import org.apache.lucene.queryParser.QueryParser;
- import org.apache.lucene.search.BooleanFilter;
- import org.apache.lucene.search.Filter;
- import org.apache.lucene.search.IndexSearcher;
- import org.apache.lucene.search.Query;
- import org.apache.lucene.search.ScoreDoc;
- import org.apache.lucene.search.TopDocs;
- import org.apache.lucene.store.Directory;
- import org.apache.lucene.store.FSDirectory;
- import org.apache.lucene.util.Version;
- /**
- * TODO
- *
- * @date 2014-7-28 上午10:13:56
- * @author HongHua.Li
- * @package java_huage[spring.lucene]
- * @jar lucene-benchmark-3.6.2.jar lucene-core-3.6.2.jar
- * lucene-highlighter-3.6.2.jar lucene-icu-3.6.2.jar lucene-join-3.6.2.jar
- * lucene-memory-3.6.2.jar lucene-queries-3.6.2.jar
- * lucene-queryparser-3.6.2.jar
- */
- public class JHTextFileLucene {
- public static void main(String[] args) throws Exception {
- //sourceFile();
- indexFile();
- }
- /**
- * TODO 创建索引:将数据封装成lucene需要的索引文件
- *
- * @filename JHTextLucene.java
- * @createDateTime 2014-7-28 上午10:19:01
- * @createAuthor HongHua.Li
- * @package java_huage[spring.lucene]
- */
- public static void sourceFile() throws Exception {
- /* 指明要索引文件夹的位置,这里是C盘的source文件夹下 */
- File fileDir = new File("E:\\desktop\\LUCENES\\source");
- /* 这里放索引文件的位置 */
- File indexDir = new File("E:\\desktop\\LUCENES\\index");
- /* 创建一个索引磁盘 */
- Directory dir = FSDirectory.open(indexDir);
- /* 创建分析器*/
- Analyzer analyzer = new StandardAnalyzer(Version.LUCENE_36);
- IndexWriterConfig config = new IndexWriterConfig(Version.LUCENE_36,analyzer);
- /* 创建索引文件,create:表示创建或者追加到已有索引库中*/
- config.setOpenMode(OpenMode.CREATE);
- /* 将内容写入索引库*/
- IndexWriter writer = new IndexWriter(dir,config);
- /* 得到需要创建索引的文件*/
- File[] files = fileDir.listFiles();
- long startTime=new Date().getTime();
- for (File file : files) {
- if (file.isFile()&&file.getName().endsWith(".txt")) {
- System.out.println(":;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;");
- System.out.println("File"+file.getCanonicalPath()+"正在被索引...");
- String temp=JHFileUtils.FileReaderAll(file.getCanonicalPath(),"GBK");
- System.out.println("检索内容:"+temp);
- Document document=new Document();
- Field FieldPath=new Field("path",file.getPath(),Field.Store.YES,Field.Index.NO);
- Field FieldBody=new Field("body",temp,Field.Store.YES,Field.Index.ANALYZED,Field.TermVector.WITH_POSITIONS_OFFSETS);
- NumericField modifiField=new NumericField("modified");//所以key为modified
- modifiField.setLongValue(fileDir.lastModified());
- document.add(FieldPath);
- document.add(FieldBody);
- document.add(modifiField);
- writer.addDocument(document);
- }
- }
- writer.close();
- //计算一下索引的时间
- long endTime=new Date().getTime();
- System.out.println("花了"+(endTime-startTime)+"毫秒把文档添加到索引里面去"+fileDir.getPath());
- }
- /**
- * TODO 查询索引库(索引文件内容)
- * @throws Exception void
- * @filename JHTextLucene.java
- * @createDateTime 2014-7-28 上午10:55:36
- * @createAuthor HongHua.Li
- * @package java_huage[spring.lucene]
- */
- public static void indexFile()throws Exception {
- /* 搜索的索引文件 */
- File indexDir = new File("E:\\desktop\\LUCENES\\index");
- IndexReader reader = IndexReader.open(FSDirectory.open(indexDir));
- IndexSearcher searcher = new IndexSearcher(reader);
- ScoreDoc[] hits=null;
- String queryString="测试"; //搜索的索引名称
- Query query=null;
- Analyzer analyzer=new StandardAnalyzer(Version.LUCENE_36);
- try {
- QueryParser qp=new QueryParser(Version.LUCENE_36,"body",analyzer);//用于解析用户输入的工具
- query=qp.parse(queryString);
- } catch (Exception e) {
- // TODO: handle exception
- }
- if (searcher!=null) {
- TopDocs results=searcher.search(query, 10);//只取排名前十的搜索结果
- hits=results.scoreDocs;
- Document document=null;
- if (hits.length>0) {
- System.out.println("找到"+hits.length+"条结果");
- }
- for (int i = 0; i < hits.length; i++) {
- document=searcher.doc(hits[i].doc);
- String body=document.get("body");
- String path=document.get("path");
- System.out.println("文件路径:"+path);
- System.out.println("文件内容:"+body+" ");
- }
- searcher.close();
- reader.close();
- }
- }
- }
Luncene 学习入门的更多相关文章
- 每天成长一点---WEB前端学习入门笔记
WEB前端学习入门笔记 从今天开始,本人就要学习WEB前端了. 经过老师的建议,说到他每天都会记录下来新的知识点,每天都是在围绕着这些问题来度过,很有必要每天抽出半个小时来写一个知识总结,及时对一天工 ...
- C# BackgroundWorker组件学习入门介绍
C# BackgroundWorker组件学习入门介绍 一个程序中需要进行大量的运算,并且需要在运算过程中支持用户一定的交互,为了获得更好的用户体验,使用BackgroundWorker来完成这一功能 ...
- 给深度学习入门者的Python快速教程 - 番外篇之Python-OpenCV
这次博客园的排版彻底残了..高清版请移步: https://zhuanlan.zhihu.com/p/24425116 本篇是前面两篇教程: 给深度学习入门者的Python快速教程 - 基础篇 给深度 ...
- 给深度学习入门者的Python快速教程 - numpy和Matplotlib篇
始终无法有效把word排版好的粘贴过来,排版更佳版本请见知乎文章: https://zhuanlan.zhihu.com/p/24309547 实在搞不定博客园的排版,排版更佳的版本在: 给深度学习入 ...
- UML学习入门就这一篇文章
1.1 UML基础知识扫盲 UML这三个字母的全称是Unified Modeling Language,直接翻译就是统一建模语言,简单地说就是一种有特殊用途的语言. 你可能会问:这明明是一种图形,为什 ...
- Stanford Parser学习入门(2)-命令行运行
在Stanford parser目录中已经定义了一部分命令行工具以及图形界面,本文将介绍如何在windows使用这些工具进行语法分析,Linux下也有shell可以使用. 关于如何搭建环境请参考上一篇 ...
- Python学习入门基础教程(learning Python)--5.6 Python读文件操作高级
前文5.2节和5.4节分别就Python下读文件操作做了基础性讲述和提升性介绍,但是仍有些问题,比如在5.4节里涉及到一个多次读文件的问题,实际上我们还没有完全阐述完毕,下面这个图片的问题在哪呢? 问 ...
- 深度学习入门实战(二)-用TensorFlow训练线性回归
欢迎大家关注腾讯云技术社区-博客园官方主页,我们将持续在博客园为大家推荐技术精品文章哦~ 作者 :董超 上一篇文章我们介绍了 MxNet 的安装,但 MxNet 有个缺点,那就是文档不太全,用起来可能 ...
- Shell脚本编程学习入门 02
Shell脚本编程学习入门是本文要介绍的内容,我们可以使用任意一种文字编辑器,比如gedit.kedit.emacs.vi等来编写shell脚本,它必须以如下行开始(必须放在文件的第一行): #! ...
随机推荐
- 学习web前端三个月感悟
总结一下自己学习前端三个月的进步和不足: 其实也算机遇,开学时,便有一个PHP培训,只记得当时拿到培训课程的时候,第一感觉就是 好难,什么留言板制作,学生信息系统的制作,navicat和PHP结合使用 ...
- 数据结构Java实现04----循环链表、仿真链表
单向循环链表 双向循环链表 仿真链表 一.单向循环链表: 1.概念: 单向循环链表是单链表的另一种形式,其结构特点是链表中最后一个结点的指针不再是结束标记,而是指向整个链表的第一个结点,从而使单链表形 ...
- Inspector a ProgressBar(定制属性面板)
一.定制进度条 这篇文章主要学习如何在Unity的Inspector中使用ProgressBar 普通属性面板预览 通常我们的属性面板如下 定制属性面板预览 而通过扩展成ProcessBar后 二.内 ...
- AppScan Source V8.8 中弃用的功能
从 AppScan Source V8.8 开始,不再支持以下操作系统: Microsoft Windows XP Microsoft Windows Server 2003,所有版本和修订版 此 ...
- Watir、Selenium2、QTP区别
1.支持的语言 Watir:ruby Selenium2:支持多种语言,如:python,ruby,java,c#,php,perl,javascript QTP:vbscript 2.支持的浏览器 ...
- Hibernate出现javax.naming.NoInitialContextException 错误的解决办法
异常信息: 08:02:56,329 WARN SessionFactoryObjectFactory:123 - Could not unbind factory from JNDI javax.n ...
- HTML---总结
(1) margin负值能让没有宽度的盒子变大. 对于有宽度的盒子,没有浮动,只有margin-top 和margin-left 有效:如果浮动,margin-浮动方向 有效,-top有效,margi ...
- 层叠上下文(The stacking context)
MDNThe stacking context 层叠上下文是HTML元素的三维概念,这些HTML元素在一条假想的相对于面向(电脑屏幕的)视窗或者网页的用户的z轴上延伸,HTML元素依据其自身属性按照优 ...
- C语言 二级指针内存模型③
//二级指针内存模型③ #define _CRT_SECURE_NO_WARNINGS #include <stdio.h> #include <stdlib.h> #incl ...
- phpmailer 参数使用说明
$AltBody--属性 出自:PHPMailer::$AltBody 文件:class.phpmailer.php 说明:该属性的设置是在邮件正文不支持HTML的备用显示 AddAddress--方 ...