【手把手教你全文检索】Apache Lucene初探 (zhuan)
http://www.cnblogs.com/xing901022/p/3933675.html
*********************************************************
PS:
苦学一周全文检索,由原来的搜索小白,到初次涉猎,感觉每门技术都博大精深,其中精髓亦是不可一日而语。那小博猪就简单介绍一下这一周的学习历程,仅供各位程序猿们参考,这其中不涉及任何私密话题,因此也不用打马赛克了,都是网络分享的开源资料,当然也不涉及任何利益关系。
如若转载,还请注明出处——xingoo
讲解之前,先来分享一些资料
首先呢,学习任何一门新的亦或是旧的开源技术,百度其中一二是最简单的办法,先了解其中的大概,思想等等。这里就贡献一个讲解很到位的ppt。已经被我转成了PDF,便于搜藏。
其次,关于第一次编程初探,建议还是查看官方资料。百度到的资料,目前Lucene已经更新到4.9版本,这个版本需要1.7以上的JDK,所以如果还用1.6甚至是1.5的小盆友,请参考低版本,由于我用的1.6,因此在使用Lucene4.0。
这是Lucene4.0的官网文档:http://lucene.apache.org/core/4_0_0/core/overview-summary.html
这里非常佩服Lucene的开元贡献者,可以阅读Lucene in Action,作者最初想要写软件赚钱,最后贡献给了Apache,跑题了。
最后,提醒学习Lucene的小盆友们,这个开源软件的版本更新不慢,版本之间的编程风格亦是不同,所以如果百度到的帖子,可能这段代码,用了4.0或者3.6就会不好使。
比如,以前版本的申请IndexWriter时,是这样的:
IndexWriter indexWriter = new IndexWriter(indexDir,luceneAnalyzer, true );
但是4.0,我们需要配置一个conf,把配置内容放到这个对象中:
IndexWriterConfig config = new IndexWriterConfig(Version.LUCENE_CURRENT, analyzer);
IndexWriter iwriter = new IndexWriter(directory, config);
所以,请一定要参考官方文档的编程风格,进行代码的书写。
最后的最后,从官网上面下载下来的文件,已经上传至百度网盘,欢迎下载。
这是其中最常用的五个文件:
第一个,也是最重要的,Lucene-core-4.0.0.jar,其中包括了常用的文档,索引,搜索,存储等相关核心代码。
第二个,Lucene-analyzers-common-4.0.0.jar,这里面包含了各种语言的词法分析器,用于对文件内容进行关键字切分,提取。
第三个,Lucene-highlighter-4.0.0.jar,这个jar包主要用于搜索出的内容高亮显示。
第四个和第五个,Lucene-queryparser-4.0.0.jar,提供了搜索相关的代码,用于各种搜索,比如模糊搜索,范围搜索,等等。
废话说到这里,下面我们简单的讲解一下什么是全文检索。
比如,我们一个文件夹中,或者一个磁盘中有很多的文件,记事本、world、Excel、pdf,我们想根据其中的关键词搜索包含的文件。例如,我们输入Lucene,所有内容含有Lucene的文件就会被检查出来。这就是所谓的全文检索。
因此,很容易的我们想到,应该建立一个关键字与文件的相关映射,盗用ppt中的一张图,很明白的解释了这种映射如何实现。
在Lucene中,就是使用这种“倒排索引”的技术,来实现相关映射。
有了这种映射关系,我们就来看看Lucene的架构设计。
下面是Lucene的资料必出现的一张图,但也是其精髓的概括。
我们可以看到,Lucene的使用主要体现在两个步骤:
1 创建索引,通过IndexWriter对不同的文件进行索引的创建,并将其保存在索引相关文件存储的位置中。
2 通过索引查寻关键字相关文档。
下面针对官网上面给出的一个例子,进行分析:
1 Analyzer analyzer = new StandardAnalyzer(Version.LUCENE_CURRENT);
2
3 // Store the index in memory:
4 Directory directory = new RAMDirectory();
5 // To store an index on disk, use this instead:
6 //Directory directory = FSDirectory.open("/tmp/testindex");
7 IndexWriterConfig config = new IndexWriterConfig(Version.LUCENE_CURRENT, analyzer);
8 IndexWriter iwriter = new IndexWriter(directory, config);
9 Document doc = new Document();
10 String text = "This is the text to be indexed.";
11 doc.add(new Field("fieldname", text, TextField.TYPE_STORED));
12 iwriter.addDocument(doc);
13 iwriter.close();
14
15 // Now search the index:
16 DirectoryReader ireader = DirectoryReader.open(directory);
17 IndexSearcher isearcher = new IndexSearcher(ireader);
18 // Parse a simple query that searches for "text":
19 QueryParser parser = new QueryParser(Version.LUCENE_CURRENT, "fieldname", analyzer);
20 Query query = parser.parse("text");
21 ScoreDoc[] hits = isearcher.search(query, null, 1000).scoreDocs;
22 assertEquals(1, hits.length);
23 // Iterate through the results:
24 for (int i = 0; i < hits.length; i++) {
25 Document hitDoc = isearcher.doc(hits[i].doc);
26 assertEquals("This is the text to be indexed.", hitDoc.get("fieldname"));
27 }
28 ireader.close();
29 directory.close();
索引的创建
首先,我们需要定义一个词法分析器。
比如一句话,“我爱我们的中国!”,如何对他拆分,扣掉停顿词“的”,提取关键字“我”“我们”“中国”等等。这就要借助的词法分析器Analyzer来实现。这里面使用的是标准的词法分析器,如果专门针对汉语,还可以搭配paoding,进行使用。
1 Analyzer analyzer = new StandardAnalyzer(Version.LUCENE_CURRENT);
参数中的Version.LUCENE_CURRENT,代表使用当前的Lucene版本,本文环境中也可以写成Version.LUCENE_40。
第二步,确定索引文件存储的位置,Lucene提供给我们两种方式:
1 本地文件存储
Directory directory = FSDirectory.open("/tmp/testindex");
2 内存存储
Directory directory = new RAMDirectory();
可以根据自己的需要进行设定。
第三步,创建IndexWriter,进行索引文件的写入。
IndexWriterConfig config = new IndexWriterConfig(Version.LUCENE_CURRENT, analyzer);
IndexWriter iwriter = new IndexWriter(directory, config);
这里的IndexWriterConfig,据官方文档介绍,是对indexWriter的配置,其中包含了两个参数,第一个是目前的版本,第二个是词法分析器Analyzer。
第四步,内容提取,进行索引的存储。
Document doc = new Document();
String text = "This is the text to be indexed.";
doc.add(new Field("fieldname", text, TextField.TYPE_STORED));
iwriter.addDocument(doc);
iwriter.close();
第一行,申请了一个document对象,这个类似于数据库中的表中的一行。
第二行,是我们即将索引的字符串。
第三行,把字符串存储起来(因为设置了TextField.TYPE_STORED,如果不想存储,可以使用其他参数,详情参考官方文档),并存储“表明”为"fieldname".
第四行,把doc对象加入到索引创建中。
第五行,关闭IndexWriter,提交创建内容。
这就是索引创建的过程。
关键字查询:
第一步,打开存储位置
DirectoryReader ireader = DirectoryReader.open(directory);
第二步,创建搜索器
IndexSearcher isearcher = new IndexSearcher(ireader);
第三步,类似SQL,进行关键字查询
QueryParser parser = new QueryParser(Version.LUCENE_CURRENT, "fieldname", analyzer);
Query query = parser.parse("text");
ScoreDoc[] hits = isearcher.search(query, null, 1000).scoreDocs;
assertEquals(1, hits.length);
for (int i = 0; i < hits.length; i++) {
Document hitDoc = isearcher.doc(hits[i].doc);
assertEquals("This is the text to be indexed.",hitDoc.get("fieldname"));
}
这里,我们创建了一个查询器,并设置其词法分析器,以及查询的“表名“为”fieldname“。查询结果会返回一个集合,类似SQL的ResultSet,我们可以提取其中存储的内容。
关于各种不同的查询方式,可以参考官方手册,或者推荐的PPT
第四步,关闭查询器等。
ireader.close();
directory.close();
最后,博猪自己写了个简单的例子,可以对一个文件夹内的内容进行索引的创建,并根据关键字筛选文件,并读取其中的内容。
创建索引:
/**
* 创建当前文件目录的索引
* @param path 当前文件目录
* @return 是否成功
*/
public static boolean createIndex(String path){
Date date1 = new Date();
List<File> fileList = getFileList(path);
for (File file : fileList) {
content = "";
//获取文件后缀
String type = file.getName().substring(file.getName().lastIndexOf(".")+1);
if("txt".equalsIgnoreCase(type)){ content += txt2String(file); }else if("doc".equalsIgnoreCase(type)){ content += doc2String(file); }else if("xls".equalsIgnoreCase(type)){ content += xls2String(file); } System.out.println("name :"+file.getName());
System.out.println("path :"+file.getPath());
// System.out.println("content :"+content);
System.out.println(); try{
analyzer = new StandardAnalyzer(Version.LUCENE_CURRENT);
directory = FSDirectory.open(new File(INDEX_DIR)); File indexFile = new File(INDEX_DIR);
if (!indexFile.exists()) {
indexFile.mkdirs();
}
IndexWriterConfig config = new IndexWriterConfig(Version.LUCENE_CURRENT, analyzer);
indexWriter = new IndexWriter(directory, config); Document document = new Document();
document.add(new TextField("filename", file.getName(), Store.YES));
document.add(new TextField("content", content, Store.YES));
document.add(new TextField("path", file.getPath(), Store.YES));
indexWriter.addDocument(document);
indexWriter.commit();
closeWriter(); }catch(Exception e){
e.printStackTrace();
}
content = "";
}
Date date2 = new Date();
System.out.println("创建索引-----耗时:" + (date2.getTime() - date1.getTime()) + "ms\n");
return true;
}
进行查询:
/**
* 查找索引,返回符合条件的文件
* @param text 查找的字符串
* @return 符合条件的文件List
*/
public static void searchIndex(String text){
Date date1 = new Date();
try{
directory = FSDirectory.open(new File(INDEX_DIR));
analyzer = new StandardAnalyzer(Version.LUCENE_CURRENT);
DirectoryReader ireader = DirectoryReader.open(directory);
IndexSearcher isearcher = new IndexSearcher(ireader); QueryParser parser = new QueryParser(Version.LUCENE_CURRENT, "content", analyzer);
Query query = parser.parse(text); ScoreDoc[] hits = isearcher.search(query, null, 1000).scoreDocs; for (int i = 0; i < hits.length; i++) {
Document hitDoc = isearcher.doc(hits[i].doc);
System.out.println("____________________________");
System.out.println(hitDoc.get("filename"));
System.out.println(hitDoc.get("content"));
System.out.println(hitDoc.get("path"));
System.out.println("____________________________");
}
ireader.close();
directory.close();
}catch(Exception e){
e.printStackTrace();
}
Date date2 = new Date();
System.out.println("查看索引-----耗时:" + (date2.getTime() - date1.getTime()) + "ms\n");
}
全部代码:
1 package test;
2
3 import java.io.BufferedReader;
4 import java.io.File;
5 import java.io.FileInputStream;
6 import java.io.FileReader;
7 import java.util.ArrayList;
8 import java.util.Date;
9 import java.util.List;
10
11 import jxl.Cell;
12 import jxl.Sheet;
13 import jxl.Workbook;
14
15 import org.apache.lucene.analysis.Analyzer;
16 import org.apache.lucene.analysis.standard.StandardAnalyzer;
17 import org.apache.lucene.document.Document;
18 import org.apache.lucene.document.LongField;
19 import org.apache.lucene.document.TextField;
20 import org.apache.lucene.document.Field.Store;
21 import org.apache.lucene.index.DirectoryReader;
22 import org.apache.lucene.index.IndexWriter;
23 import org.apache.lucene.index.IndexWriterConfig;
24 import org.apache.lucene.queryparser.classic.QueryParser;
25 import org.apache.lucene.search.IndexSearcher;
26 import org.apache.lucene.search.Query;
27 import org.apache.lucene.search.ScoreDoc;
28 import org.apache.lucene.store.Directory;
29 import org.apache.lucene.store.FSDirectory;
30 import org.apache.lucene.util.Version;
31 import org.apache.poi.hwpf.HWPFDocument;
32 import org.apache.poi.hwpf.usermodel.Range;
33
34 /**
35 * @author xinghl
36 *
37 */
38 public class IndexManager{
39 private static IndexManager indexManager;
40 private static String content="";
41
42 private static String INDEX_DIR = "D:\\luceneIndex";
43 private static String DATA_DIR = "D:\\luceneData";
44 private static Analyzer analyzer = null;
45 private static Directory directory = null;
46 private static IndexWriter indexWriter = null;
47
48 /**
49 * 创建索引管理器
50 * @return 返回索引管理器对象
51 */
52 public IndexManager getManager(){
53 if(indexManager == null){
54 this.indexManager = new IndexManager();
55 }
56 return indexManager;
57 }
58 /**
59 * 创建当前文件目录的索引
60 * @param path 当前文件目录
61 * @return 是否成功
62 */
63 public static boolean createIndex(String path){
64 Date date1 = new Date();
65 List<File> fileList = getFileList(path);
66 for (File file : fileList) {
67 content = "";
68 //获取文件后缀
69 String type = file.getName().substring(file.getName().lastIndexOf(".")+1);
70 if("txt".equalsIgnoreCase(type)){
71
72 content += txt2String(file);
73
74 }else if("doc".equalsIgnoreCase(type)){
75
76 content += doc2String(file);
77
78 }else if("xls".equalsIgnoreCase(type)){
79
80 content += xls2String(file);
81
82 }
83
84 System.out.println("name :"+file.getName());
85 System.out.println("path :"+file.getPath());
86 // System.out.println("content :"+content);
87 System.out.println();
88
89
90 try{
91 analyzer = new StandardAnalyzer(Version.LUCENE_CURRENT);
92 directory = FSDirectory.open(new File(INDEX_DIR));
93
94 File indexFile = new File(INDEX_DIR);
95 if (!indexFile.exists()) {
96 indexFile.mkdirs();
97 }
98 IndexWriterConfig config = new IndexWriterConfig(Version.LUCENE_CURRENT, analyzer);
99 indexWriter = new IndexWriter(directory, config);
100
101 Document document = new Document();
102 document.add(new TextField("filename", file.getName(), Store.YES));
103 document.add(new TextField("content", content, Store.YES));
104 document.add(new TextField("path", file.getPath(), Store.YES));
105 indexWriter.addDocument(document);
106 indexWriter.commit();
107 closeWriter();
108
109
110 }catch(Exception e){
111 e.printStackTrace();
112 }
113 content = "";
114 }
115 Date date2 = new Date();
116 System.out.println("创建索引-----耗时:" + (date2.getTime() - date1.getTime()) + "ms\n");
117 return true;
118 }
119
120 /**
121 * 读取txt文件的内容
122 * @param file 想要读取的文件对象
123 * @return 返回文件内容
124 */
125 public static String txt2String(File file){
126 String result = "";
127 try{
128 BufferedReader br = new BufferedReader(new FileReader(file));//构造一个BufferedReader类来读取文件
129 String s = null;
130 while((s = br.readLine())!=null){//使用readLine方法,一次读一行
131 result = result + "\n" +s;
132 }
133 br.close();
134 }catch(Exception e){
135 e.printStackTrace();
136 }
137 return result;
138 }
139
140 /**
141 * 读取doc文件内容
142 * @param file 想要读取的文件对象
143 * @return 返回文件内容
144 */
145 public static String doc2String(File file){
146 String result = "";
147 try{
148 FileInputStream fis = new FileInputStream(file);
149 HWPFDocument doc = new HWPFDocument(fis);
150 Range rang = doc.getRange();
151 result += rang.text();
152 fis.close();
153 }catch(Exception e){
154 e.printStackTrace();
155 }
156 return result;
157 }
158
159 /**
160 * 读取xls文件内容
161 * @param file 想要读取的文件对象
162 * @return 返回文件内容
163 */
164 public static String xls2String(File file){
165 String result = "";
166 try{
167 FileInputStream fis = new FileInputStream(file);
168 StringBuilder sb = new StringBuilder();
169 jxl.Workbook rwb = Workbook.getWorkbook(fis);
170 Sheet[] sheet = rwb.getSheets();
171 for (int i = 0; i < sheet.length; i++) {
172 Sheet rs = rwb.getSheet(i);
173 for (int j = 0; j < rs.getRows(); j++) {
174 Cell[] cells = rs.getRow(j);
175 for(int k=0;k<cells.length;k++)
176 sb.append(cells[k].getContents());
177 }
178 }
179 fis.close();
180 result += sb.toString();
181 }catch(Exception e){
182 e.printStackTrace();
183 }
184 return result;
185 }
186 /**
187 * 查找索引,返回符合条件的文件
188 * @param text 查找的字符串
189 * @return 符合条件的文件List
190 */
191 public static void searchIndex(String text){
192 Date date1 = new Date();
193 try{
194 directory = FSDirectory.open(new File(INDEX_DIR));
195 analyzer = new StandardAnalyzer(Version.LUCENE_CURRENT);
196 DirectoryReader ireader = DirectoryReader.open(directory);
197 IndexSearcher isearcher = new IndexSearcher(ireader);
198
199 QueryParser parser = new QueryParser(Version.LUCENE_CURRENT, "content", analyzer);
200 Query query = parser.parse(text);
201
202 ScoreDoc[] hits = isearcher.search(query, null, 1000).scoreDocs;
203
204 for (int i = 0; i < hits.length; i++) {
205 Document hitDoc = isearcher.doc(hits[i].doc);
206 System.out.println("____________________________");
207 System.out.println(hitDoc.get("filename"));
208 System.out.println(hitDoc.get("content"));
209 System.out.println(hitDoc.get("path"));
210 System.out.println("____________________________");
211 }
212 ireader.close();
213 directory.close();
214 }catch(Exception e){
215 e.printStackTrace();
216 }
217 Date date2 = new Date();
218 System.out.println("查看索引-----耗时:" + (date2.getTime() - date1.getTime()) + "ms\n");
219 }
220 /**
221 * 过滤目录下的文件
222 * @param dirPath 想要获取文件的目录
223 * @return 返回文件list
224 */
225 public static List<File> getFileList(String dirPath) {
226 File[] files = new File(dirPath).listFiles();
227 List<File> fileList = new ArrayList<File>();
228 for (File file : files) {
229 if (isTxtFile(file.getName())) {
230 fileList.add(file);
231 }
232 }
233 return fileList;
234 }
235 /**
236 * 判断是否为目标文件,目前支持txt xls doc格式
237 * @param fileName 文件名称
238 * @return 如果是文件类型满足过滤条件,返回true;否则返回false
239 */
240 public static boolean isTxtFile(String fileName) {
241 if (fileName.lastIndexOf(".txt") > 0) {
242 return true;
243 }else if (fileName.lastIndexOf(".xls") > 0) {
244 return true;
245 }else if (fileName.lastIndexOf(".doc") > 0) {
246 return true;
247 }
248 return false;
249 }
250
251 public static void closeWriter() throws Exception {
252 if (indexWriter != null) {
253 indexWriter.close();
254 }
255 }
256 /**
257 * 删除文件目录下的所有文件
258 * @param file 要删除的文件目录
259 * @return 如果成功,返回true.
260 */
261 public static boolean deleteDir(File file){
262 if(file.isDirectory()){
263 File[] files = file.listFiles();
264 for(int i=0; i<files.length; i++){
265 deleteDir(files[i]);
266 }
267 }
268 file.delete();
269 return true;
270 }
271 public static void main(String[] args){
272 File fileIndex = new File(INDEX_DIR);
273 if(deleteDir(fileIndex)){
274 fileIndex.mkdir();
275 }else{
276 fileIndex.mkdir();
277 }
278
279 createIndex(DATA_DIR);
280 searchIndex("man");
281 }
282 }
运行结果:
所有包含man关键字的文件,都被筛选出来了。
参考资料
JAVA读取文本大全:http://blog.csdn.net/csh624366188/article/details/6785817
Lucene官方文档:http://lucene.apache.org/core/4_0_0/core/overview-summary.html
【手把手教你全文检索】Apache Lucene初探 (zhuan)的更多相关文章
- 【手把手教你全文检索】Lucene索引的【增、删、改、查】
前言 搞检索的,应该多少都会了解Lucene一些,它开源而且简单上手,官方API足够编写些小DEMO.并且根据倒排索引,实现快速检索.本文就简单的实现增量添加索引,删除索引,通过关键字查询,以及更新索 ...
- 美女 Committer 手把手教你部署 Apache DolphinScheduler 单机版
还在为如何部署Apache DolphinScheduler 发愁么?自上篇<美女 Committer 手把手教你使用海豚调度>的视频发布后,受到社区伙伴们的热烈欢迎.但个别小伙伴在部署这 ...
- 【手把手教你全文检索】Apache Lucene初探
PS: 苦学一周全文检索,由原来的搜索小白,到初次涉猎,感觉每门技术都博大精深,其中精髓亦是不可一日而语.那小博猪就简单介绍一下这一周的学习历程,仅供各位程序猿们参考,这其中不涉及任何私密话题,因此也 ...
- [转载] Apache Lucene初探
转载自http://www.cnblogs.com/xing901022/p/3933675.html 讲解之前,先来分享一些资料 首先呢,学习任何一门新的亦或是旧的开源技术,百度其中一二是最简单的办 ...
- Apache Lucene初探
讲解之前,先来分享一些资料 首先,学习任何一门新的亦或是旧的开源技术,百度其中一二是最简单的办法,先了解其中的大概,思想等等.这里就贡献一个讲解很到位的ppt 这是Lucene4.0的官网文档:htt ...
- Apache Lucene(全文检索引擎)—分词器
目录 返回目录:http://www.cnblogs.com/hanyinglong/p/5464604.html 本项目Demo已上传GitHub,欢迎大家fork下载学习:https://gith ...
- Apache Lucene(全文检索引擎)—创建索引
目录 返回目录:http://www.cnblogs.com/hanyinglong/p/5464604.html 本项目Demo已上传GitHub,欢迎大家fork下载学习:https://gith ...
- 【Lucene】Apache Lucene全文检索引擎架构之构建索引2
上一篇博文中已经对全文检索有了一定的了解,这篇文章主要来总结一下全文检索的第一步:构建索引.其实上一篇博文中的示例程序已经对构建索引写了一段程序了,而且那个程序还是挺完善的.不过从知识点的完整性来考虑 ...
- 【Lucene】Apache Lucene全文检索引擎架构之入门实战1
Lucene是一套用于全文检索和搜寻的开源程式库,由Apache软件基金会支持和提供.Lucene提供了一个简单却强大的应用程式接口,能够做全文索引和搜寻.在Java开发环境里Lucene是一个成熟的 ...
随机推荐
- C++primer习题--第3章
本文地址:http://www.cnblogs.com/archimedes/p/cpp-primer-chapter3-ans.html,转载请注明源地址. [习题 2.11]编写程序,要求用户输入 ...
- 【Networking】Libevent客户端例子
[原]Libevent客户端例子 时间 -- :: luotuo44的专栏 原文 http://blog.csdn.net/luotuo44/article/details/34416429 主题 l ...
- Token_使用JWT生成token
1.token三部分 header { "typ": "JWT", "alg": "HS256" } paylo ...
- Xamarin C# Android for Windows 安装
Xamarin C# Android for Windows 安装 Xamarin的. Android手动安装 安装Xamarin的 Android在Windows机器上 大多数时候,Xama ...
- ionic的加载功能
下面是代码(黄色背景的是加载功能的代码): <html ng-app="ionicApp"> <head> <meta charset="u ...
- GNU Make - 内部变量的赋值和改变
1. 赋值和显示 采用$(info $(variable_name))显示内部变量 eg: FOO=bar $(info $(FOO)) 运行结果: #: make bar 2. 从命令行外部改变 B ...
- Emacs在RHEL 5上的安装和使用
1. install latest emacs xz -d emacs-24.3.tar.xz tar xvf emacs-24.3.tar ./configure make make install ...
- JVM是怎么工作的?
了解JVM的工作机制能够更好的帮助我们理解java语言本身,规避各种可能的错误.所以,今天趁此机会好好复习一下.来看看JVM是怎么工作的. 一.啥是JVM JVM可以理解为用来运行java程序的一种运 ...
- HttpClient设置超时(转)
HttpClient 4.5版本设置连接超时时间-CloseableHttpClient设置Timeout(区别于4.3.2) HttpClient升级到4.5版本后,API有很多变化,HttpCl ...
- 数据库选型之MySQL(固态硬盘)
刘勇 Email: lyssym@sina.com 本博客记录作者在工作与研究中所经历的点滴,一方面给自己的工作与生活留下印记,另一方面若是能对大家有所帮助,则幸甚至哉矣! 简介 鉴于高频中心库 ...