全文检索框架---Lucene

一、什么是全文检索

1、数据分类

　　我们生活中的数据总体分为两种：结构化数据和非结构化数据。

　  结构化数据：指具有固定格式或有限长度的数据，如数据库，元数据等。

　  非结构化数据：指不定长或无固定格式的数据，如邮件，word文档等磁盘上的文件

2、结构化数据搜索

　　常见的结构化数据也就是数据库中的数据。在数据库中搜索很容易实现，通常都是使用sql语句进行查询，而且能很快的得到查询结果。

　　为什么数据库搜索很容易？

　　　　因为数据库中的数据存储是有规律的，有行有列而且数据格式、数据长度都是固定的。

3、非结构化数据查询方法

（1）顺序扫描法(Serial Scanning)

　　所谓顺序扫描，比如要找内容包含某一个字符串的文件，就是一个文档一个文档的看，对于每一个文档，从头看到尾，如果此文档包含此字符串，则此文档为我们要找的文件，接着看下一个文件，直到扫描完所有的文件。如利用windows的搜索也可以搜索文件内容，只是相当的慢。

（2）全文检索(Full-text Search)

　　将非结构化数据中的一部分信息提取出来，重新组织，使其变得有一定结构，然后对此有一定结构的数据进行搜索，从而达到搜索相对较快的目的。这部分从非结构化数据中提取出的然后重新组织的信息，我们称之索引。

　　例如：字典。字典的拼音表和部首检字表就相当于字典的索引，对每一个字的解释是非结构化的，如果字典没有音节表和部首检字表，在茫茫辞海中找一个字只能顺序扫描。然而字的某些信息可以提取出来进行结构化处理，比如读音，就比较结构化，分声母和韵母，分别只有几种可以一一列举，于是将读音拿出来按一定的顺序排列，每一项读音都指向此字的详细解释的页数。我们搜索时按结构化的拼音搜到读音，然后按其指向的页数，便可找到我们的非结构化数据——也即对字的解释。

　　这种先建立索引，再对索引进行搜索的过程就叫全文检索(Full-text Search)。

　　虽然创建索引的过程也是非常耗时的，但是索引一旦创建就可以多次使用，全文检索主要处理的是查询，所以耗时间创建索引是值得的。

4、如何实现全文检索

　　可以使用Lucene实现全文检索。Lucene是apache下的一个开放源代码的全文检索引擎工具包。提供了完整的查询引擎和索引引擎，部分文本分析引擎。Lucene的目的是为软件开发人员提供一个简单易用的工具包，以方便的在目标系统中实现全文检索的功能。

5、全文检索的应用场景

对于数据量大、数据结构不固定的数据可采用全文检索方式搜索，比如百度、Google等搜索引擎、论坛站内搜索、电商网站站内搜索等。

二、Lucene实现全文检索的流程

　　Lucene是apache Lucene基于Java开发开源全文检索项目工具包，，除Lucene外，Solr，ES等都是基于Lucene的全文检索框架

1、索引和搜索流程图

　　　　

　　绿色表示索引过程，对要搜索的原始内容进行索引构建一个索引库，索引过程包括：

　　　　确定原始内容即要搜索的内容à采集文档à创建文档à分析文档à索引文档

　　红色表示搜索过程，从索引库中搜索内容，搜索过程包括：

　　　　用户通过搜索界面à创建查询à执行搜索，从索引库搜索à渲染搜索结果

2、创建索引

　　对文档索引的过程，将用户要搜索的文档内容进行索引，索引存储在索引库（index）中。

　　这里我们要搜索的文档是磁盘上的文本文件，根据案例描述：凡是文件名或文件内容包括关键字的文件都要找出来，这里要对文件名和文件内容创建索引。

　　2.1 获得原始文档

　　　　  原始文档是指要索引和搜索的内容。原始内容包括互联网上的网页、数据库中的数据、磁盘上的文件等。

　　　　从互联网上、数据库、文件系统中等获取需要搜索的原始信息，这个过程就是信息采集，信息采集的目的是为了对原始内容进行索引。

　　　　在Internet上采集信息的软件通常称为爬虫或蜘蛛，也称为网络机器人，爬虫访问互联网上的每一个网页，将获取到的网页内容存储起来。

　　2.2 创建文档对象

　　　   获取原始内容的目的是为了索引，在索引前需要将原始内容创建成文档（Document），文档中包括一个一个的域（Field），域中存储内容。

　　　　 这里我们可以将磁盘上的一个文件当成一个document，Document中包括一些Field（file_name文件名称、file_path文件路径、file_size文件大小、file_content文件内容）

　　　　

　　　　注意：每个Document可以有多个Field，不同的Document可以有不同的Field，同一个Document可以有相同的Field（域名和域值都相同）

　　　　每个文档都有一个唯一的编号，就是文档id。

　　2.3 分析文档

　　　　将原始内容创建为包含域（Field）的文档（document），需要再对域中的内容进行分析，分析的过程是经过对原始文档提取单词、将字母转为小写、去除标点符号、去除停用词等过程生成最终的语汇单元，可以将语汇单元理解为一个一个的单词。

　　　　比如下边的文档经过分析如下：

　　　　　　原文档内容：

　　　　　　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.

　　　　分析后得到的语汇单元：

　　　　　　lucene、java、full、search、engine。。。。

　　　　每个单词叫做一个Term，不同的域中拆分出来的相同的单词是不同的term。term中包含两部分一部分是文档的域名，另一部分是单词的内容。

　　　　例如：文件名中包含apache和文件内容中包含的apache是不同的term。

　　2.4 创建索引

　　　　对所有文档分析得出的语汇单元进行索引，索引的目的是为了搜索，最终要实现只搜索被索引的语汇单元从而找到Document（文档）。

　　　　　　

　　注意：创建索引是对语汇单元索引，通过词语找文档，这种索引的结构叫倒排索引结构。

　　传统方法是根据文件找到该文件的内容，在文件内容中匹配搜索关键字，这种方法是顺序扫描方法，数据量大、搜索慢。

　　倒排索引结构是根据内容（词语）找文档，如下图：

　　　　

　　倒排索引结构也叫反向索引结构，包括索引和文档两部分，索引即词汇表，它的规模较小，而文档集合较大。

3、查询索引

　　查询索引也是搜索的过程。搜索就是用户输入关键字，从索引（index）中进行搜索的过程。根据关键字搜索索引，根据索引找到对应的文档，从而找到要搜索的内容（这里指磁盘上的文件）。

　　3.1 用户查询接口

　　　　全文检索系统提供用户搜索的界面供用户提交搜索的关键字，搜索完成展示搜索结果。

　　　　Lucene不提供制作用户搜索界面的功能，需要根据自己的需求开发搜索界面。

　　3.2 创建查询

　　　　用户输入查询关键字执行搜索之前需要先构建一个查询对象，查询对象中可以指定查询要搜索的Field文档域、查询关键字等，查询对象会生成具体的查询语法，

　　　　例如：

　　　　　　语法 “fileName:lucene”表示要搜索Field域的内容为“lucene”的文档

　　3.3 执行查询

　　　　搜索索引过程：

　　　　根据查询语法在倒排索引词典表中分别找出对应搜索词的索引，从而找到索引所链接的文档链表。

　　　　比如搜索语法为“fileName:lucene”表示搜索出fileName域中包含Lucene的文档。

　　　　搜索过程就是在索引上查找域为fileName，并且关键字为Lucene的term，并根据term找到文档id列表。

　　　　

　　3.4 渲染结果

　　　　以一个友好的界面将查询结果展示给用户，用户根据搜索结果找自己想要的信息，为了帮助用户很快找到自己的结果，提供了很多展示的效果，比如搜索结果中将关键字高亮显示，百度提供的快照等。

三、配置开发环境

1、Lucene下载

　　Lucene是开发全文检索功能的工具包，从官方网站下载lucene-7.4.0，并解压。　

　　官方网站：http://lucene.apache.org/

　　版本：lucene-7.4.0

　　JDK要求：JDK1.8以上

　　　　

四、Lucene入门程序

1、目录展示

　　

2、导入依赖

<!-- https://mvnrepository.com/artifact/org.apache.lucene/lucene-core -->
    <dependency>
      <groupId>org.apache.lucene</groupId>
      <artifactId>lucene-core</artifactId>
      <version>7.4.0</version>
    </dependency>
    <!-- https://mvnrepository.com/artifact/org.apache.lucene/lucene-analyzers-common -->
    <dependency>
      <groupId>org.apache.lucene</groupId>
      <artifactId>lucene-analyzers-common</artifactId>
      <version>7.4.0</version>
    </dependency>
    <!-- https://mvnrepository.com/artifact/commons-io/commons-io -->
    <dependency>
      <groupId>commons-io</groupId>
      <artifactId>commons-io</artifactId>
      <version>2.4</version>
    </dependency>

3、创建索引 CreatLucene

package com.zn;

import org.apache.commons.io.FileUtils;
import org.apache.lucene.document.Document;
import org.apache.lucene.document.Field;
import org.apache.lucene.document.TextField;
import org.apache.lucene.index.IndexWriter;
import org.apache.lucene.index.IndexWriterConfig;
import org.apache.lucene.store.Directory;
import org.apache.lucene.store.FSDirectory;

import java.io.File;
import java.io.IOException;

/**
 * 创建索引
 */
public class CreatLucene {
    public static void main(String[] args) throws IOException {
        //步骤一：创建Directory对象，用于指定索引库的位置
        Directory directory= FSDirectory.open(new File("E:\\accp\\Y2\\进阶内容\\Lucene\\Lucene\\Index").toPath());
        //步骤二：创建一个IndexWriter对象
        IndexWriter indexWriter=new IndexWriter(directory,new IndexWriterConfig());
        //步骤三：读取磁盘中文件，对应每一个文件创建一个文档对象
        File file=new File("E:\\accp\\Y2\\进阶内容\\Lucene\\资料\\searchsource");
        //步骤四：获取文件列表
        File[] files=file.listFiles();
        for (File item :files) {
            //步骤五：获取文件数据，封装域     参数三：是否存储
            Field fieldName=new TextField("fieldName",item.getName(), Field.Store.YES);
            Field fieldPath=new TextField("fieldPath",item.getName(), Field.Store.YES);
            Field fieldSize=new TextField("fieldSize", FileUtils.sizeOf(item)+"", Field.Store.YES);
            Field fieldContent=new TextField("fieldContent",FileUtils.readFileToString(item,"UTF-8"), Field.Store.YES);
            //步骤六：创建文档对象，向文档对象中添加域
            Document document=new Document();
            document.add(fieldName);
            document.add(fieldPath);
            document.add(fieldSize);
            document.add(fieldContent);

            //步骤七：创建索引，将文档对象写入到索引库
            indexWriter.addDocument(document);
        }
        System.out.println("文档对象写入索引库成功啦！！");
        //步骤八：关闭资源
        indexWriter.close();
    }
}

4、查看索引

　　

5、使用Luke工具查看索引库内容

　　5.1 双击bat脚本启动

　　　　

　　5.2 选择index文件夹路径

　　　　

　　5.3 查询与spring匹配

　　　　

6、查看索引   ReadLucene

package com.zn;

import org.apache.lucene.document.Document;
import org.apache.lucene.index.DirectoryReader;
import org.apache.lucene.index.IndexReader;
import org.apache.lucene.index.Term;
import org.apache.lucene.search.*;
import org.apache.lucene.store.Directory;
import org.apache.lucene.store.FSDirectory;

import java.io.File;
import java.io.IOException;

/**
 * 查看索引
 */
public class ReadLucene {
    public static void main(String[] args) throws IOException {
        //1、创建Directory对象，指定索引库位置
        Directory directory=FSDirectory.open(new File("E:\\accp\\Y2\\进阶内容\\Lucene\\Lucene\\Index").toPath());
        //2、创建IndexReader对象，读取索引库内容
        IndexReader indexReader = DirectoryReader.open(directory);
        //3、创建IndexSearcher对象
        IndexSearcher indexSearcher=new IndexSearcher(indexReader);
        //4、创建Query查询对象
        Query query=new TermQuery(new Term("fieldContent","spring"));
        //5、执行查询，获取到文档对象
        TopDocs topDocs = indexSearcher.search(query, 10);
        System.out.println("============共获取："+topDocs.totalHits+"个文档============");
        //6、获取文档列表
        ScoreDoc [] scoreDocs=topDocs.scoreDocs;
        for (ScoreDoc item:scoreDocs){
            //获取文档ID
            int docId=item.doc;
            //取出文档
            Document doc = indexSearcher.doc(docId);
            //获取到文档域中的数据
            System.out.println("fieldName:"+doc.get("fieldName"));
            System.out.println("fieldPath:"+doc.get("fieldPath"));
            System.out.println("fieldSize:"+doc.get("fieldSize"));
            System.out.println("fieldContent:"+doc.get("fieldContent"));
            System.out.println("******************************************************");
        }
        //7、关闭资源
        indexReader.close();

    }
}

7、控制台效果