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

    全文检索框架---Lucene

    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;

        全文检索框架---Lucene

    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

        全文检索框架---Lucene

      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:

        全文检索框架---Lucene

      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;

        全文检索框架---Lucene

    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();

    }
}
 

 

    

上一篇:elasticsearch--知识点


下一篇:Lucene