全文检索框架---Lucene

全文检索

　　数据分类

　　　　　　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。针对结构化数据的搜索，列如对数据库的搜索，可以使用SQL语句。再如对元数据的搜索，列如Windows中对文件名，类型和修改时间进行搜索等；

　　　　　　非结构化数据：指不定长或没有固定格式的数据，例如邮件，word文档等。对非结构化数据的搜索，例如Windows中对文件内容的搜索，Linux中grep命令，以及使用Google或百度来搜索内容都属于对全文数据的搜索；

　　　　　　对结构化的数据，可以使用搜索算法按照结构较快地进行检索；

　　　　　　但是对非结构化的数据，由于没有特定结构，因此在数据量比较小的时候，可以使用顺序扫描法，一个文件一个文件地找，找到包含检索字符串的文件。如Windows文件搜索，Linux中grep命令。这样的方法对于数量较小的比较直接，但是对于数据量较大的文件检索效率较低。

　　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，而且很快的得到查询结构。

　　非结构化数据查询方法

　　　　顺序扫描法（Serial Scanning）

　　　　　　所谓顺序扫描法，比如要找内容包含某一个字符串的文件，就是一个一个文档的看，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。

　　　　全文检索（Full-text Search）

　　　　　　将非数据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。这部分从非结构数据中提取出的然后重新组织的信息，我们称之为索引。

　　　　　　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，在对索引进行搜索的过程全文检索；

　　　　　　虽然创建索引的过程也是非常的耗时，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。

　　全文检索的应用场景

　　　　1.搜索引擎；

　　　　2.站内搜索；

　　　　3.电商搜索；

　　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。

Lucene实现流程

　　流程图

　　　　

　　　　1.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——>采集文件——>创建文档——>分析文档——>索引文档

　　　　2.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——>创建查询——>执行搜索，从索引库中搜索——>渲染搜索结构

　　创建索引

　　　　1.获得原始文档

　　　　　　原始文档是指要索引和搜索的内容。原始内容包含互联网上的网页，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，将获取的网页内容存储起来；

　　　　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，文档中包含一个一个的域，域中存储内容；

　　　　　　　　

　　　　3.分析文档

　　　　　　将原始内容创建为包含域的文档，需要在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我一个一个的单词；

　　　　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文档

　　　　　　　　

　　　　　　注意：创建索引是对语汇单元索引，通词语找文档，这种索引的结构叫到倒序索引结构；

　　　　　　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法，数据量大，搜索慢；

　　　　　　倒序索引结构是根据内容找文档，如下图：

　　　　　　　　

　　　　　　倒序索引结构也叫反向索引结构，包括索引和文档两个部分，索引即词汇表，它的规模较小，而文档集合较大；

　　查询索引

　　　　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；

　　　　　　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。

　　　　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：“fileName:lucene”表示要操作field与的内容为“lucene”文档；

　　　　3.执行查询

　　　　　　搜索索引过程：

　　　　　　　　根据查询语法在倒序索引词典表中分别找出对应搜索词的索引，从而知道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；

　　　　　　　　

　　　　4.渲染结构

　　　　　　以一个友好的界面将查询结构展示在用户面前，用户根据搜索结构找自己想要的信息，为了帮助用户很快找到自己的结构，提供了很多展示的效果；

案例

　　1.导入依赖

<dependencies>
    <dependency>
      <groupId>junit</groupId>
      <artifactId>junit</artifactId>
      <version>4.11</version>
      <scope>test</scope>
    </dependency>
    <!-- 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>
  </dependencies>

　　2.创建索引类

package com.wn.Lucene;

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;

public class Index {
    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    RAMDirectory内存
        Directory directory = FSDirectory.open(new File("E:\Lucene\temp\index").toPath());
        //步骤二：创建一个IndexWriter对象，用于写索引
        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:\Lucene\temp\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.getPath(), 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);
        }
        //步骤八：关闭资源
        indexWriter.close();

    }

}

 

　　3.创建查询索引类

package com.wn.Lucene;

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;

public class searchIndex {
    public static void main(String[] args)throws IOException {
        //创建Directory对象，指定索引位置
        Directory directory= FSDirectory.open(new File("E:\Lucene\temp\index").toPath());
        //创建indexReader对象，读取索引库内容
        IndexReader indexReader= DirectoryReader.open(directory);
        //创建indexSearcher对象
        IndexSearcher indexSearcher=new IndexSearcher(indexReader);
        //创建Query查询对象
        Query query=new TermQuery(new Term("fieldContent","spring"));
        //执行查询，获取到文档对象
        TopDocs topDocs = indexSearcher.search(query, 10);
        System.out.println("一共获取文档数："+topDocs.totalHits+"--------------------------");
        //获取文档列表
        ScoreDoc[] scoreDocs=topDocs.scoreDocs;
        for (ScoreDoc item:scoreDocs){
            //获取文档ID
            int docld=item.doc;
            //取出文档
            Document doc = indexSearcher.doc(docld);
            //获取到文档域中数据
            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("========================================================");
        }
        //关闭资源
        indexReader.close();

    }
}