Lucene 高亮功能

原文转载自：

http://qindongliang1922.iteye.com/blog/1953409 

高亮功能一直都是全文检索的一项非常优秀的模块，在一个标准的搜索引擎中，高亮的返回命中结果，几乎是必不可少的一项需求，因为通过高亮，我们可以在我们的搜索界面上快速标记出用户的检索关键词，从而减少了用户自己寻找想要的结果，在一定程度上大大提高了用户的体验性和友好度。 

那么，散仙今天就来看下我们在Lucene中，怎么实现高亮，以及高亮的几种实现方式。 
首先散仙还是喜欢老生常谈的来补充下高亮需要的熟悉的基本知识，当然如果你只是需要实现效果，而不关注它的底层API，那么可以忽略此部分，不过散仙还是要友好的提示一下，如果使用过程中出了点小问题，不会API，可是不容易解决的，除非你愿意各种google。 

要使用高亮，首先就得从索引时开始，因为需要高亮的字段，需要准确的获取位置信息，以及一些偏移量，如果信息不准确，那么可能在结果中，就会出现一些莫名其妙的错位，反映到网页上就是标注了不该标注的字，没有标注该标的内容，所以这一点还是需要注意一下，在索引的时候，我们需要使用项向量记录各个token的位置信息，这很简单，代码如下: 

 FieldType type=new FieldType(TextField.TYPE_STORED); 
type.setStoreTermVectorOffsets(true);//记录相对增量
type.setStoreTermVectorPositions(true);//记录位置信息
type.setStoreTermVectors(true);//存储向量信息
type.freeze();//阻止改动信息
Field field=new Field("字段名", "值", type);//示例

简单说下，TextField的2个枚举变量的意思

变量名	释义
TYPE_NOT_STORED	索引，分词，不存储
TYPE_STORED	索引，分词，存储

由此看来，需要进行高亮的内容，是一定要存储的，可能有一些比较大的文本，会比较占索引空间，从而影响检索性能，当然我们也可以使用外部存储，关系型数据库，nosql什么的都可以，此时，高亮可能就需要做另一些处理了，散仙在下文会介绍。 

下面我们来看下，高亮的需要用到的一些基本的类 

类	释义
SimpleHTMLFormatter	常用的格式化Html标签器，提供一个构造函数传入高亮颜色标签，默认使用黑色
TokenSources	提供静态方法，支持从数据源中获取TokenStream，进行token处理
Highlighter	负责获取匹配上的高亮片段
QueryScorer	对命中结果进行评分操作
Fragmenter	将原始字符串拆分成独立的片段
NullFragmenter	对较短的域进行整体高亮
FastVectorHighlighter	基于快速高亮
Encoder	提供一些实现类，对html文本操作，如，去掉一些特殊匹配符号<,>  and so on,及一些其他的非ASCII特殊字符。

下面我们先来看下散仙的几条测试数据内容：

id:1      name:  中国是一个伟大的国家,我们中国人都是好样的   content:  你好人民
id:2      name:  我们有一个家它的名字是中国   content:  中国的大地，富饶
id:3      name:  我们的中国   content:  如果不在片段中生成一些字段的话
id:4      name:  2014年此时此刻你在做什么的啊   content:  哈哈锄禾日当午
id:5      name:  当你孤单时你会想起谁，你想不想找个人来陪   content:  我永远不孤单啊

1，测试普通高亮的核心代码：

String filed="name";
QueryParser query=new QueryParser(Version.LUCENE_44, filed, new IKAnalyzer(false));
	 
Query q=query.parse("伟大的中国");//测试字段
TopDocs top=searcher.search(q, 100);
QueryScorer score=new QueryScorer(q, filed);//传入评分
SimpleHTMLFormatter fors=new SimpleHTMLFormatter("<span style="color:red;">", "</span>");//定制高亮标签

Highlighter  highlighter=new Highlighter(fors,score);//高亮分析器
// highlighter.setMaxDocCharsToAnalyze(1);//设置高亮处理的字符个数
for(ScoreDoc sd:top.scoreDocs){
	Document doc=searcher.doc(sd.doc);
	String name=doc.get(filed);
	TokenStream token=TokenSources.getAnyTokenStream(searcher.getIndexReader(), sd.doc, filed, new IKAnalyzer(true));//获取tokenstream
	Fragmenter  fragment=new SimpleSpanFragmenter(score);
	highlighter.setTextFragmenter(fragment);
	String str=highlighter.getBestFragment(token, name);//获取高亮的片段，可以对其数量进行限制

	System.out.println("高亮的片段 =====>"+str);
}

输出结果如下 

高亮的片段 =====>中国是一个<span style="color:red;">伟大</span><span style="color:red;">的</span>国家,我们中国人都是好样<span style="color:red;">的</span>
高亮的片段 =====>我们<span style="color:red;">的</span><span style="color:red;">中国</span>
高亮的片段 =====>我们有一个家它<span style="color:red;">的</span>名字是<span style="color:red;">中国</span>

2,快速高亮，FastVectorHighlighter，这个类可能会消耗更多的存储空间，来换取更好的性能，当然除了性能上提升外，它还有一个非常炫的功能，支持多种颜色标记，高亮关键字，除此之外还支持Ngram的域，以及智能合并相邻高亮短语. 
我们来看下散仙快速高亮的3条测试数据：

id:2      name:  中国（China），位于东亚，是一个以华夏文明为主体、中华文化为基础，以汉族为主要种族的统一多民族国家，通用汉语。中国疆域内的各个民族统称为中华民族，龙是中华民族的象征。   content:  中国是世界四大文明古国之一，有着悠久的历史，距今约5000年前，以中原地区为中心开始出现聚落组织进而成国家和朝代，后历经多次演变和朝代更迭，持续时间较长的朝代有夏、商、周、汉、晋、唐、宋、元、明、清等
id:1      name:  中国的自古以来就是一个非常伟大的民族   content:  中国是一个世界人口大国，拥有13亿多的人口.
id:3      name:  没有根的野草，飘忽的命运   content:  谁像你当我宝，什么也做到，旧爱数足一块布，在这一刻写句号，只想跟你终老.

核心代码如下

Query q=query.parse("伟大的中华民族");
TopDocs top=searcher.search(q, 100);
//QueryScorer score=new QueryScorer(q, filed);
//SimpleHTMLFormatter fors=new SimpleHTMLFormatter("<span style="color:red;">", "</span>");//定制高亮标签
//Highlighter  highlighter=new Highlighter(fors,score);//高亮分析器
//FastVectorHighlighter fastHighlighter=new FastVectorHighlighter();
FragListBuilder fragListBuilder=new SimpleFragListBuilder();
//注意下面的构造函数里，使用的是颜色数组，用来支持多种颜色高亮
FragmentsBuilder fragmentsBuilder= new ScoreOrderFragmentsBuilder(BaseFragmentsBuilder.COLORED_PRE_TAGS,BaseFragmentsBuilder.COLORED_POST_TAGS);
	    
FastVectorHighlighter fastHighlighter2=new FastVectorHighlighter(true, true, fragListBuilder, fragmentsBuilder);
FieldQuery querys=fastHighlighter2.getFieldQuery(q);//reader是传入的流
		
// highlighter.setMaxDocCharsToAnalyze(1);//设置高亮处理的字符个数
for(ScoreDoc sd:top.scoreDocs){ 
	String snippt=fastHighlighter2.getBestFragment(querys, reader, sd.doc,filed,300); 
	if(snippt!=null){
		System.out.println("高亮的片段是:"+snippt);
	}	 
}

结果如下，注意有多种颜色标识：

高亮的片段是:中国<b style="background:lawngreen">的</b>自古以来就是一个非常<b style="background:yellow">伟大</b><b style="background:lawngreen">的</b>民族  
高亮的片段是:中国（China），位于东亚，是一个以华夏文明为主体、中华文化为基础，以汉族为主要种族<b style="background:lawngreen">的</b>统一多民族国家，通用汉语。中国疆域内<b style="background:lawngreen">的</b>各个民族统称为<b style="background:aquamarine">中华民族</b>，龙是<b style="background:aquamarine">中华民族</b><b style="background:lawngreen">的</b>象征。  
高亮的片段是:没有根<b style="background:lawngreen">的</b>野草，飘忽<b style="background:lawngreen">的</b>命运  

3.下面散仙来着重说一下，高亮的第三种方式，前台高亮，散仙在上文曾提过，基于高亮的字段，必须的存储，否则无法实现高亮标注，当然这种说法，只是对于后台高亮而言的，那么对于大文本情况下，存储到索引里是非常浪费空间的，而且还有可能会影响到检索速度，所以就提出了，第三种方式。 

在前台进行高亮，然后大文本字段，可以存储在外部其他的数据源里面，需要标记时，可以直接根据ID，或者某个字段，读取数据然后通过JS正则在前端替换检索的关键词即可，在这之前需要做的一步就是，使用ajax把检索的关键词，传入后台进行分词，然后将结果返回前台，进行对分词后的数据，进行匹配替换，再加上颜色标记，就可以在前台实现高亮了，这也是前台高亮的实现原理，这种做法，在某些业务场景下，可以大大减少服务器压力，通过客户端减压，以及不用再存储一些向量信息，从而对系统的性能的提高，也是有很大帮助的。 

下面散仙给出一个前台高亮的截图，注意用的是快速高亮的索引。 

散仙附上，前台高亮的核心代码

$.ajax({
	type :"post",
	url: "getContent",
	data:"str="+str,
	dataType:"json",
	async:false,
	success:function(msg){
		// alert(msg);
		 $("#div").empty();
		 $.each(msg, function(i, n) {
			var temp=""; 
			for(var i=0;i<shu.length;i++){
	                       if(shu[i]!=""){
	                              n.name=n.name.replace(new RegExp(shu[i],'g'), "<span style="color:red;">"+shu[i]+"</span>");
	                       }
	                }
			$("#div").append("[*]"+n.name+"");
			$("#div").append("[*]===============================")});
	}
});

至此，有关Lucene的高亮部分的内容，散仙就总结到这里了，如果有什么不足之处，欢迎各位道友指出。大部分场景下，使用普通高亮就可以完成了，当然无论使用那种方式，只要能满足我们的业务就好了，很简单的道理，会抓住老鼠的猫，就是好猫。