lucene 3.0.2 基本操作入门
转自:Bannings
http://blog.csdn.net/zhangao0086/article/details/
我们为什么需要Lucene?
任何的的查询功能都类似,都是对文本内容的搜索,说白了,就是找出含有指定字符串的的资源,只是查找的范围不同而已.
目前的主流搜索都是全文搜索,即根据程序扫描文章中的每一个词,为每一个词建立相应的索引,并且指明该词在文章中出现的次数和位置.当用户查询时,根据建立的索引进行查找,类似于通过字典的检索方式来查字的过程.我们做搜索,要保证几点,第一点就是要快,如果百度、谷歌搜个东西要10几秒,恐怕都没人用了吧?第二点,光快有什么?搜出来的东西完全不是自己想要的,大家通过搜索引擎找东西的时候,肯定注意到了一点,就是大家很少在2页以后还点下一页,这搜索的结果是被处理过的,把最有可能是你需要的东西放在了前面,这就是准确性,而且搜索只针对文本,不管你的关键字的语义.所以,总结一下,就是:
- 只处理文本
- 不处理语义
- 英文不区分大小写
- 结果列表有相关度排序
和数据库的搜索语句有何不同?
我们为什么需要专门对全文搜索进行描述呢?因为它可以做到select语句做不到的事情.如果我们需要在数据库里面搜索一个关键字,比如ant,就会有类似的语句:
SELECT * FROM table_name WHERE content like '%ant%' |
会把planting之类的单词也搜索出来,显然就是没有意义的,没有人会喜欢这样结果.
另外数据库的搜索也并不能为结果做相关度得分,也就做不了相关度排名.搜索结果也更多的是无意的,或者是无用的.
最后一点,也很致命,数据库中的like,找得非常慢,一条记录一条记录地找,有时候简直难以忍受,而用全文检索的方式则是先在目录里面查,找到记录所在的位置,再直接定位过去.
所以select语句的弱点就是Lucene的优点,它可以解决上述的问题.
在程序中需要引入哪些包?
需要如何准备开发环境呢,哪些包是必须要有的,心里要大致有个数才行:
参考以前的blog
Lucene的工作流程
我们每次使用搜索引擎的时候,右上角往往会显示用了多久,这个时间让人老是感觉不太准确,好像没那么快.这不是说搜索引擎的速度不够,有可能查询真的只用了那么点时间,但是返回的页面也是需要时间来生成的,还要在页面上加入广告之类的,这个时间可能就没有计算在内.总而言之,真正用来搜索的时间是非常短的,那么它为什么能够这么快呢?实际上,搜索的时候并不是在数据库里面进行搜索,而是在Lucene维护的索引库里面进行的,索引库包含两部分内容,一个称之为目录,这个目录里面就存有各种关键词对应数据的位置,搜索的时候上,Lucene就以某种指定的规则将你提供的关键字进行分词,然后在目录里面找,找得到的话,就返回一个编号,这个编号是唯一的,通过这个编号可以找到数据,但是数据也不是存在数据库中的.Lucene的索引库中更多的部分是用来存储数据的,这个数据是从互联网或者文件系统或者数据库中找到的,就像百度的快照一样,它只是一个缓存,给你看大致的内容,当你确定这就是你要找的内容,并且点进去的时候,才真正地去访问那个页面.搜索都是在索引库里面完成的.那么就出现了一个问题,有时候搜索到的东西,点进去发现不存在,或是已经删除了,或是已经更新了.那么就需要经常更新,或是时时更新.大致流程如下:
爬虫用来不间断的获取数据,通常刚刚发布到互联网上的数据不能立即在搜索引擎中找到,就是因为这个原因.可以指定让爬虫爬哪些类型的页面,来做垂直搜索.
索引库的CURD
一切前提都是建立在有索引的基础上,所以要先创建索引.对索引进行写的对象是IndexWriter.需要指定索引的位置,可以在文件系统中,也可以在内存中,除非保证计算机的内存每时每刻都是存在的,否则将丢失:
/** |
*FSDirectory:Directory是抽象类,FSDirectory是继承它的子类.FS前缀代表文件系统(File System),指定在当前路径下建立索引的文件夹名为indexDir. *Analyzer:分词器.以某种规则对关键字进行分词,分词的结果存进目录,用编号与数据对应,需要指定Lucene的版本号. *IndexWriter:能够建立索引库,要给定上面两个类.这里的第三个参数表示一个索引里面最多存多少个Field,超出部分将忽略. *MaxFieldLength.LIMITED:10000. |
*/ |
Directory directory = FSDirectory.open(new File("./indexDir/")); |
Analyzer analyzer = new StandardAnalyzer(Version.LUCENE_30); |
IndexWriter indexWriter = new IndexWriter(directory,analyzer,MaxFieldLength.LIMITED); |
这样就能创建索引库,但是不能把对象直接存进去,需要转成Lucene需求的对象:org.apache.lucene.document.Document,Document的每一个Field都代表对象需要存储在索引库中的属性,这样在搜索的时候,可以看到数据的摘要:
/** |
*用Document的add()方法增加一个属性进索引库,接收一个Field对象. *Field对象的第一个参数:用指定的字符串创建一个Field对象. *Field对象的第二个参数:存储的值. *Field对象的第三个参数:是否在索引库的数据里面存储Field的值. *Field对象的第四个参数:以何种方式对第二个参数的值进行操作(分词、不分词、不建立索引). |
*/ |
Document doc = new Document(); |
Article article = (Article) obj; |
doc.add(new Field("id",article.getId().toString(),Store.YES,Index.ANALYZED)); |
把你的对象转为Document对象就可以被IndexWriter添加到索引库中了:
indexWriter.addDocument(Document); |
这样,一个完整的创建索引就完成了.
添加索引的目的就是为了有效、快捷的查询,与IndexWriter对应,Lucene为查询提供了相应的API,org.apache.lucene.search.IndexSearcher,需要给它指定索引库的目录:
Directory directory = FSDirectory.open(new File("./indexDir/")); |
IndexSearcher indexSearcher = new IndexSearcher(directory); |
Lucene支持多种查询方式,最常用的就是Query对象了:
/** |
*提供分词器 |
*QueryParser:用于解析查询字符串的处理器类 *第二个参数:在哪个Field里面查找 *Query.parse:需要解析的查询字符串 |
*/ |
Analyzer analyzer = new StandardAnalyzer(Version.LUCENE_30); |
QueryParser queryParser = new QueryParser(Version.LUCENE_30,"title",analyzer); |
Query query = queryParser.parse("panpan"); |
提供分词器一定要注意:创建索引库时的分词器要和解析时用的分词器一样.不然规则不一样,处理的关键词也不一样.很的可能找不到结果.得到Query对象之后,就可以进行查询了.要用到IndexSearcher的search()方法,这个方法需要两个参数,第一个参数就是Query对象,第二个参数是需要指定返回前多少条结果.然后返回一个TopDocs对象,返回一个对象而不是一个集合也是很好理解的,因为如果我们指定了返回前100条结果,如果结果总数大于100,我们就无法知道总共有多少条记录,也就无法完成分页.所以返回一个对象,这个对象封装了记录的总数和符合搜索条件的List集合:
/** |
*得到TopDocs对象之后,可以获取它的成员变量totalHits和scoreDocs.这两个成员变量的访问权限是public的,所以可以直接访问 |
*/ |
TopDocs topDocs = indexSearcher.search(query, ); |
Integer count = topDocs.totalHits; |
ScoreDoc[] scoreDocs = topDocs.scoreDocs; |
然后通过循环的方式打印出来,以验证效果是否正确:
/** |
*从ScoreDoc对象里面可以获取两个东西,同样是public的访问权限: *score:相关度得分,跟在内容中出现的次数有关 *doc:从上面那个流程图中可以得知,索引库从应用程序那里接收的是Document对象,所以返回的也是Document对象. *DocumentUtils.docConvert():自己写的工具方法,因为很多地方都要用到双边的转换 |
*/ |
List<Article> list = new ArrayList(); |
for(int i = ;i<scoreDocs.length;i++){ |
ScoreDoc scoreDoc = scoreDocs[i]; |
//浮点类型的得分 |
float score = scoreDoc.score; |
int docID = scoreDoc.doc; |
Document document = indexSearcher.doc(docID); |
list.add(DocumentUtils.docConvert(document, Article.class)); |
} |
System.out.println("总共获取了" + count + "条记录"); |
for(Article a: list){ |
System.out.print(a.getId() + " "); |
System.out.print(a.getContent() + " "); |
System.out.println(a.getTitle()); |
} |
把工具方法也放上来吧:
/** |
*有些东西还是写死了,其实完全可以通过反射来完成,当时没有花太多时间的结果 |
*/ |
public static <M,T> T docConvert(M obj,Class<T> clazz){ |
try { |
T t = clazz.newInstance(); |
if(t instanceof Document){ |
Document doc = (Document) t; |
Article article = (Article) obj; |
doc.add(new Field("id",article.getId().toString(),Store.YES,Index.ANALYZED)); |
doc.add(new Field("title",article.getTitle(),Store.YES,Index.ANALYZED)); |
doc.add(new Field("content",article.getContent(),Store.YES,Index.ANALYZED)); |
return (T) doc; |
}else if(t instanceof Article){ |
Article article = (Article) t; |
Document doc = (Document) obj; |
article.setId(Integer.parseInt(doc.get("id"))); |
article.setContent(doc.get("content")); |
article.setTitle(doc.get("title")); |
return (T) article; |
} |
return null; |
} catch (Exception e) { |
throw new RuntimeException(e); |
} |
} |
基本的创建和查询就完成了.有几点需要注意:
- IndexWriter和IndexSearcher使用完后,要记得调用它们的close()方法
- 版本号一定要选择当前使用的版本
- 如果在创建索引时选择Store.NO,将不会在索引库的数据中添加内容;选择Index.NO,将不会在索引库中增加目录
- 目录和分词器都要匹配,不然找不到结果.更好的做好是在一个工具类中声明为static,初始化一次就行了
接下来考虑删除索引,为什么不是先更新呢?因为删除也是更新的一部分.还是需要用到IndexWriter类,有两种方式可以删除,第一种就是使用Term类,第二种就是将满足搜索条件的删除:
/** |
*Term类也是用来搜索的,构造函数的意思是:在哪个Field里面查哪个关键词 |
*然后调用IndexWriter的deleteDocument()方法删除包含指定Term的Document |
*/ |
IndexWriter indexWriter = null; |
Term term = new Term("title","panpan"); |
indexWriter = new IndexWriter(Configuration.directory,
|
indexWriter.deleteDocuments(term); |
再来就是更新,为什么把更新放在最后?因为更新操作需要较高的代价,因为文档修改后,即使是很小的修改,就可能会造成文档中的很多关键词的位置都发生变化,这就需要频繁的读取和修改记录,这种代价是相当高的.因此,一般不进行真正的更新操作,而是使用"先删除,再创建"的策略代替更新操作:
/** |
*最后一句话,相当于: indexWriter.deleteDocuments(term); indexWriter.addDocument(doc); 先删除,再创建! |
*/ |
IndexWriter indexWriter = null; |
Article article = new Article(); |
article.setContent("This is the updated content!"); |
article.setId(); |
article.setTitle("panpan"); |
Term term = new Term("id",article.getId().toString()); |
indexWriter = new IndexWriter(Configuration.directory,
|
indexWriter.updateDocument(term, DocumentUtils.docConvert(article, Document.class)); |
-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
基本的CURD就到此结束了.但是有些问题没有解决,比如搜索时以上代码只能在一个Field里面进行搜索,如果我要在title和content里面同时进行搜索就不行,搜索两次?太无聊了.lucene当然有相应的解决办法,比如使用QueryParser的子类:MultiFieldQueryParser.从这个名字就猜到是专用来做多Field搜索的:
/** |
*接收一个String数组也是可以理解的. |
*/ |
String[] fields = {"title","content"}; |
MultiFieldQueryParser queryParser = new MultiFieldQueryParser(
|
Query query = queryParser.parse("love"); |
如果稍微留心就可以注意到,索引库的文件不是一层不变的,cfs类型的文件在不停的有规律地增加,这个文件多了以后,会影响到搜索的效率,因为它要打开多个文件,所以我们又要想办法让它合并成一个文件:
indexWriter.addDocument(DocumentUtils.docConvert(article, Document.class)); |
indexWriter.optimize(); |
indexWriter.addDocument(DocumentUtils.docConvert(article, Document.class)); |
//手动优化 合并文件 |
//indexWriter.optimize(); |
//自动优化 合并文件 |
indexWriter.setMergeFactor(); |
设置合并因子即可,这里又有两点需要注意:
- 默认合并因子为10,也就是说cfs文件达到10个,Lucene就会自动合并
- 设置合并因子的代码一定要在操作IndexWriter的时候进行,并且是每一次操作的时候都要进行,它需要不停的判断
接着下一个问题,更新索引库实际上就是更新硬盘上的目录,每次更新或者创建新的索引都对硬盘进行操作,大家肯定都知道效率不高,但是索引库一定是要放在硬盘上的,不能随着程序的结束而结束,那么就要找个既能存储在硬盘上,又能保证效率的方法,比如程序启动的时候从硬盘加载索引库,而后一切操作都是针对内存中的索引库进行操作,在程序结束的时候把内存中的索引库存储在硬盘上去.这样就能解决这个不是问题的问题:
public void updateRAMIndex(){ |
//RAMDirectory是Directory的子类,将在内存区保留一段缓存 |
RAMDirectory ram = null; |
IndexWriter indexWriter = null; |
try { |
//将指定目录中的索引加载到内存中来 |
ram = new RAMDirectory(Configuration.directory); |
//第一个参数决定了这是一个操作内存索引库的IndexWriter |
indexWriter = new IndexWriter(ram,
|
//添加新的数据 |
Article article = new Article(,"panpan","love you"); |
indexWriter.addDocument(DocumentUtils.docConvert(article, Document.class)); |
/**一个索引库只能有一个IndexWriter,一一对应. |
* 同时,同一时刻只能有一个IndexWriter,如果有两个,不能写同一个文件,不然就有问题 |
*/ |
indexWriter.close(); |
/**这个IndexWriter是针对文件系统的 |
* 第三个参数是指: 如果指定为true,表示重新创建索引库,如果已存在,就删除后再创建; |
* 指定为false,表示追加(默认值) |
* 如果不存在,就抛异常. |
*/ |
indexWriter = new IndexWriter(Configuration.directory,
|
/** |
* 将指定目录添加到文件系统中,并且不优化 |
* 如果传入一个IndexReader,可以进行优化: |
IndexReader indexReader = IndexReader.open(ram); |
indexWriter.addIndexes(indexReader); |
*/ |
indexWriter.addIndexesNoOptimize(ram); |
} catch (Exception e) { |
throw new RuntimeException(e); |
}finally{ |
try { |
ram.close(); |
indexWriter.close(); |
} catch (Exception e) { |
throw new RuntimeException(e); |
} |
} |
} |
lucene 3.0.2 基本操作入门的更多相关文章
- 关于Lucene 3.0升级到Lucene 4.x 备忘
最近,需要对项目进行lucene版本升级.而原来项目时基于lucene 3.0的,很古老的一个版本的了.在老版本中中,我们主要用了几个lucene的东西: 1.查询lucene多目录索引. 2.构建R ...
- Asp.Net MVC4.0 官方教程 入门指南之五--控制器访问模型数据
Asp.Net MVC4.0 官方教程 入门指南之五--控制器访问模型数据 在这一节中,你将新创建一个新的 MoviesController类,并编写代码,实现获取影片数据和使用视图模板在浏览器中展现 ...
- Asp.Net MVC4.0 官方教程 入门指南之四--添加一个模型
Asp.Net MVC4.0 官方教程 入门指南之四--添加一个模型 在这一节中,你将添加用于管理数据库中电影的类.这些类是ASP.NET MVC应用程序的模型部分. 你将使用.NET Framewo ...
- Asp.Net MVC4.0 官方教程 入门指南之三--添加一个视图
Asp.Net MVC4.0 官方教程 入门指南之三--添加一个视图 在本节中,您需要修改HelloWorldController类,从而使用视图模板文件,干净优雅的封装生成返回到客户端浏览器HTML ...
- Asp.Net MVC4.0 官方教程 入门指南之二--添加一个控制器
Asp.Net MVC4.0 官方教程 入门指南之二--添加一个控制器 MVC概念 MVC的含义是 “模型-视图-控制器”.MVC是一个架构良好并且易于测试和易于维护的开发模式.基于MVC模式的应用程 ...
- Asp.Net MVC2.0 Url 路由入门---实例篇
本篇主要讲述Routing组件的作用,以及举几个实例来学习Asp.Net MVC2.0 Url路由技术. 接着上一篇开始讲,我们在Global.asax中注册一条路由后,我们的请求是怎么转到相应的Vi ...
- Lucene 6.0下使用IK分词器
Lucene 6.0使用IK分词器需要修改修改IKAnalyzer和IKTokenizer. 使用时先新建一个MyIKTokenizer类,一个MyIkAnalyzer类: MyIKTokenizer ...
- Spring Boot 2.0 的快速入门(图文教程)
摘要: 原创出处 https://www.bysocket.com 「公众号:泥瓦匠BYSocket 」欢迎关注和转载,保留摘要,谢谢! Spring Boot 2.0 的快速入门(图文教程) 大家都 ...
- Android Studio2.0 教程从入门到精通Windows版
系列教程 Android Studio2.0 教程从入门到精通Windows版 - 安装篇Android Studio2.0 教程从入门到精通Windows版 - 入门篇Android Studio2 ...
随机推荐
- POJ 1006 - Biorhythms (中国剩余定理)
B - Biorhythms Time Limit:1000MS Memory Limit:10000KB 64bit IO Format:%I64d & %I64u Subm ...
- MVC文件夹
应用程序信息: Properties 引用应用程序文件夹: App_Data 文件夹 Content 文件夹 Controllers 文件夹 Models 文件夹 Scripts 文件夹 Views ...
- LINUX调优
一.Linux系统调优及安全设置 系统安装安全最小化原则说明 ◆安装linux系统最小化,即选包最小化,yum安装软件最小化. ◆开机自启动程序服务最小化,即无用的服务不开启. ◆操作命令最小化原则, ...
- 创建一个ASP.NET MVC OutputCache ActionFilterAttribute
在每一个web应用程序中, 有的情况下,你想在一段时间内缓存一个具体的页面HTML输出,因为相关的数据和处理并不是总是变化.这种缓存的响应是储存在服务器的内存中.因为没有必要的额外处理,它提供了非常快 ...
- poj 1276 多重背包
735 3 4 125 6 5 3 350 //735的最大额,3种,4个125,6个5,3个350 633 4 500 30 6 100 1 5 0 1 735 0 0 3 10 100 10 50 ...
- Centos 6.4 32位 gcc 升级(已验证)
具体需要升级成什么版本自行下载https://gcc.gnu.org/ 本文升级为4.8.5 1.下载编译所需依赖库 cd gcc-4.8.5 ./contrib/download_prerequis ...
- ANT下载和配置
1) 在环境变量中设置ANT_HOME,值为你的安装目录ANT安装目录 2) 在环境变量中设置JAVA_HOME,值为你的jdk安装目录 3) 把ANT_HOME/bin,JAVA_HOME/bin ...
- JS一个根据时区输出时区时间的函数
做项目遇到的坑爹问题,需要根据时区获取时区中轴线的时间.为此搜了好久网上都没什么JS的代码描述到这一方面,最后自己翻了下高中地理才写了个函数出来. 此图可以看出来,全球分为了0时区,东西1-11区,第 ...
- CodeForces 300C 最短路
A Time Limit:2000MS Memory Limit:262144KB 64bit IO Format:%I64d & %I64u Submit Status Pr ...
- 国家与城市的sql
--省表 create table tb_province ( pID int NOT NULL PRIMARY KEY, pName ) ) --省 ,'北京市') ,'天津市') ,'上海市') ...