JAVA_lucene全文检索工具包的理解与使用.rar_java_全文检索

申明：原文来自 http://xiewei906.blog.sohu.com/98440293.html

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。

1.2 lucene

能做什么

要 回答这个问题，先要了解 lucene 的本质。实际上 lucene 的功能很单一，说到底，就是你

给它若干个字符串，然后它为你提供一个全文搜索服务，告诉你 你要搜索的关键词出现在

哪里。知道了这个本质，你就可以发挥想象做任何符合这个条件的事情了。你可以把站内新

测试二：37000 记录，索引数据库中的两个 varchar 字段，索引文件 2.6M，800 线程下平均

处理时间 1.5ms。

2 lucene 的工作方式

lucene 提供的服务实际包含两部分：一入一出。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。

lucene 用到一些概念，了解它们的含义，有利于下面的讲解。

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。

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

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。

4 lucene 的结构

lucene 包括 core 和 sandbox 两部分，其中 core 是 lucene 稳定的核心部分，sandbox 包含了一

些附加功能，例如 highlighter、各种分析器。

Lucene core 有七个包：analysis，document，index，queryParser，search，store，util。

4.1 analysis

Analysis 包含一些内建的分析器，例如按空白字符分词的 WhitespaceAnalyzer，添加了

stopwrod 过滤的 StopAnalyzer，最常用的 StandardAnalyzer。

Document 包含文档的数据结构，例如 Document 类定义了存储文档的数据结构，Field 类定

义了 Document 的一个域。

Index 包含了索引的读写类，例如对索引文件的 segment 进行写、合并、优化的 IndexWriter

类和对索引进行读取和删除操作的 IndexReader 类，这里要注意的是不要被 IndexReader 这

个名字误导，以为它是索引文件的读取类，实际上删除索引也是由它完成， IndexWriter 只

Search 包含了从索引中搜索结果的各种类，例如刚才说的各种 Query 类，包括 TermQuery、

BooleanQuery 等就在这个包里。

Store 包含了索引的存储类，例如 Directory 定义了索引文件的存储结构，FSDirectory 为存储

在文件中的索引，RAMDirectory 为存储在内存中的索引，MmapDirectory 为使用内存映射的

索引。

4.7 util

Util 包含一些公共工具类，例如时间和字符串之间的转换工具。

5 如何建索引

IndexWriter writer = new IndexWriter(“/data/index/”, new StandardAnalyzer(), true);

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。

IndexWriter writer = new IndexWriter(dir, new StandardAnalyzer(), true);

5.3

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：

lucene 提供了两种从索引中删除 document 的方法，一种是

void deleteDocument(int docNum)

这种方法是根据 document 在索引中的编号来删除，每个 document 加进索引后都会有个唯一

编号，所以根据编号删除是一种精确删除，但是这个编号是索引的内部结构，一般我们不会

知道某个文件的编号到底是几，所以用处不大。另一种是

void deleteDocuments(Term term)

这种方法实际上是首先根据参数 term 执行一个搜索操作，然后把搜索到的结果批量删除了。

我们可以通过这个方法提供一个严格的查询条件，达到删除指定 document 的目的。