首页 > 代码库 > java所搜引擎slor学习笔记(一)

java所搜引擎slor学习笔记(一)

java搜索引擎有很多,比较熟悉的就是slor和lucene。

luncene:

概念:全文检索是计算机程序通过扫描文章中的每一个词,对每一个词建立一个索引,指明该词在文章中出现的次数和位置。当用户查询时根据建立的索引查找,类似于通过字典的检索字表查字的过程 

luncene入门:

全文检索(Full-Text Retrieval)是指以文本作为检索对象,找出含有指定词汇的文本。全面、准确和快速是衡量全文检索系统的关键指标。 关于全文检索,我们要知道:

1,只处理文本。

2,不处理语义。

3,搜索时英文不区分大小写。

4,结果列表有相关度排序。 在信息检索工具中,全文检索是最具通用性和实用性的。

全文检索应用场景:

我们使用Lucene,主要是做站内搜索,即对一个系统内的资源进行搜索。如BBS、BLOG中的文章搜索,网上商店中的商品搜索等。使用Lucene的项目有Eclipse、Jira等。一般不做互联网中资源的搜索,因为不易获取与管理海量资源(专业搜索方向的公司除外)。

全文检索不同于数据库检索

全文检索不同于数据库的SQL查询。(他们所解决的问题不一样,解决的方案也不一样,所以不应进行对比)。在数据库中的搜索就是使用SQL,如:SELECT * FROM t WHERE content like ‘%ant%’。这样会有如下问题:

1、匹配效果:如搜索ant会搜索出planting。这样就会搜出很多无关的信息。

2、相关度排序:查出的结果没有相关度排序,不知道我想要的结果在哪一页。我们在使用百度搜索时,一般不需要翻页,为什么?因为百度做了相关度排序:为每一条结果打一个分数,这条结果越符合搜索条件,得分就越高,叫做相关度得分,结果列表会按照这个分数由高到低排列,所以第1页的结果就是我们最想要的结果。

3、全文检索的速度大大快于SQL的like搜索的速度。这是因为查询方式不同造成的,以查字典举例:数据库的like就是一页一页的翻,一行一行的找,而全文检索是先查目录,得到结果所在的页码,再直接翻到这一页。

准备Lucene的开发环境:

搭建Lucene的开发环境只需要加入Lucene的Jar包,要加入的jar包至少要有:

lucene-core-3.0.1.jar(核心包)

contrib\analyzers\common\lucene-analyzers-3.0.1.jar(分词器)

contrib\highlighter\lucene-highlighter-3.0.1.jar(高亮)

contrib\memory\lucene-memory-3.0.1.jar(高亮)

全文检索程序工作流程

操作索引库的方法

下面是一个luncene的hello world

public class Article {private Integer id;   //idprivate String title; //标题private String content; //内容}

建立索引库

@Testpublic void testCreateIndex() throws Exception {Article article = new Article();article.setId(1); // 通过设置id的值模拟一个已保存到数据库中的数据article.setTitle("Lucene是全文检索框架");article.setContent("全文检索(Full-Text Retrieval)是指以文本作为检索对象,找出含有指定词汇的文本。");// 建立索引 Directory directory = FSDirectory.open(new File("./indexDir/")); // 索引库目录Analyzer analyzer = new StandardAnalyzer(Version.LUCENE_30); // 分词器// >> 把Aritcle转为DocumentDocument doc = new Document();doc.add(new Field("id", article.getId().toString(), Store.YES, Index.NOT_ANALYZED)); // 要把id转为String型doc.add(new Field("title", article.getTitle(), Store.NO, Index.ANALYZED));doc.add(new Field("content", article.getContent(), Store.YES, Index.ANALYZED));// >> 保存到索引库中IndexWriter indexWriter = new IndexWriter(directory, analyzer, MaxFieldLength.LIMITED);//MaxFieldLength.LIMITED:表示限定分词,不超过10000indexWriter.addDocument(doc);indexWriter.close();}
// 搜索@Testpublic void testSearch() throws Exception {// 搜索条件String queryString = "lucene";Directory directory = FSDirectory.open(new File("./indexDir/")); // 索引库目录Analyzer analyzer = new StandardAnalyzer(Version.LUCENE_30); // 分词器// 1,把查询字符串转为Query对象(只在title中查询)QueryParser queryParser = new QueryParser(Version.LUCENE_30, "title", analyzer);Query query = queryParser.parse(queryString);// 2,执行搜索,得到中间结果IndexSearcher indexSearcher = new IndexSearcher(directory);TopDocs topDocs = indexSearcher.search(query, 100); //100 返回查询出来的前n条结果int count = topDocs.totalHits; // 总结果数ScoreDoc[] scoreDocs = topDocs.scoreDocs; // 前n条结果的信息}
@Testpublic void testSearch() throws Exception {// 3,处理结果List<Article> list = new ArrayList<Article>();for (int i = 0; i < scoreDocs.length; i++) {ScoreDoc scoreDoc = scoreDocs[i];System.out.println("得分:" + scoreDoc.score);// 根据内部编号取出真正的Document数据int docId = scoreDoc.doc;System.out.println("docId内部编号="+docId);Document doc = indexSearcher.doc(docId);// 把Document转为ArticleArticle article = new Article();article.setId(Integer.parseInt(doc.get("id"))); // 要转型article.setTitle(doc.get("title"));article.setContent(doc.get("content")); // doc.getField("content").stringValue()list.add(article);}indexSearcher.close();// 显示结果System.out.println("总结果数:" + count);for (Article article : list) {System.out.println("---------> id = " + article.getId());System.out.println("title  = " + article.getTitle());System.out.println("content= " + article.getContent());}}

索引库内部结构分析(创建)

1、把原始数据内容存储到数据的缓存区,会自动生成内部编号

2、在更新目录,会使用分词器

Store参数:

YES:存储本字段的原始值

NO:不存储本字段的原始值,这时,获取到信息字段为null

Index参数:

NO:不更新目录

ANALYZED:把本字段的值分词后更新到目录

NOT_ANALYZED不分词,而是把本字段的值当成一个词更新到目录

注意:一般情况下数据的唯一标识符使用不分词索引 如ID,Path,URL或是姓名、日期、数字

Store:能不能按照这个字段搜索到这个结果 Index:如果不更新目录,则不能按照本字段搜索到结果

 

lucene索引库操作CRUD

保持索引库和数据库状态一致

所有的数据(对象),我们都要存到数据库中。对于要进行搜索的数据,还要存到索引库中,以供搜索。一份数据同时存到数据库与索引库中(格式不同),就要想办法保证他们的状态一致。否则,就会影响搜索结果。

Article和Document之间的转换

/** * 把Article转为Document*/public static Document articleToDocument(Article article) {Document doc = new Document();String idStr = article.getId().toString(); // 把Integer转为String型doc.add(new Field("id", idStr, Store.YES, Index.NOT_ANALYZED));doc.add(new Field("title", article.getTitle(), Store.YES, Index.ANALYZED));doc.add(new Field("content", article.getContent(), Store.YES, Index.ANALYZED));return doc;}/** * 把Document转为Article*/public static Article documentToArticle(Document doc) {Article article = new Article();Integer id = Integer.parseInt(doc.get("id")); // 把String型转为Integer型article.setId(id);article.setTitle(doc.get("title"));article.setContent(doc.get("content"));return article;}
public class Configuration {private static Directory directory;private static Analyzer analyzer;static {// 初始化所有配置,应通过读取配置文件得到配置的值try {directory = FSDirectory.open(new File("./indexDir/"));analyzer = new StandardAnalyzer(Version.LUCENE_30);} catch (Exception e) {         throw new RuntimeException(e);}}public static Directory getDirectory() {    return directory;}public static Analyzer getAnalyzer() {    return analyzer;}}
public void save(Article article) {// 1,把对象转为DocumentDocument doc = ArticleDocumentUtils.articleToDocument(article);IndexWriter indexWriter = null;// 2,添加到索引库中try {indexWriter = new IndexWriter(Configuration.getDirectory(),Configuration.getAnalyzer(),MaxFieldLength.LIMITED);indexWriter.addDocument(doc);} catch (Exception e) {    throw new RuntimeException(e);} finally{try {if(indexWriter!=null){indexWriter.close();}} catch (Exception e) {         throw new RuntimeException(e);}}}
public void delete(Integer id) {IndexWriter indexWriter = null;try {//term:某个字段的一个关键词Term term = new Term("id", id.toString());indexWriter = new IndexWriter(Configuration.getDirectory(),Configuration.getAnalyzer(),MaxFieldLength.LIMITED);indexWriter.deleteDocuments(term);} catch (Exception e) {    throw new RuntimeException(e);} finally{try {if(indexWriter!=null){    indexWriter.close();}} catch (Exception e) {         throw new RuntimeException(e);}}}public void update(Article article) {IndexWriter indexWriter = null;try {//term:某个字段的一个关键词Term term = new Term("id", article.getId().toString());Document doc = ArticleDocumentUtils.articleToDocument(article);indexWriter = new IndexWriter(Configuration.getDirectory(),Configuration.getAnalyzer(),MaxFieldLength.LIMITED);//indexWriter.updateDocument(term, doc);// 更新就是先删除再创建 indexWriter.deleteDocuments(term); indexWriter.addDocument(doc);} catch (Exception e) {    throw new RuntimeException(e);} finally{try {if(indexWriter!=null){indexWriter.close();}} catch (Exception e) {         Throw new RuntimeException(e);}}}

更新索引库

索引文件的检索与维护,更新是先删除后创建

维护倒排索引有三个操作:添加、删除和更新文档。但是更新操作需要较高的代价。因为文档修改后(即使是很小的修改),就可能会造成文档中的很多的关键词的位置都发生了变化,这就需要频繁的读取和修改记录,这种代价是相当高的。因此,一般不进行真正的更新操作,而是使用“先删除,再创建”的方式代替更新操作。

public SearchResult<Article> search(String queryString, int firstResult, int maxResults) {       IndexSearcher indexSearcher = null;       try {            // 1,把查询字符串转为Query对象            // QueryParser queryParser = new QueryParser(Version.LUCENE_30, "title",Configuration.getAnalyzer()); // 默认只在title中查询           QueryParser queryParser = new MultiFieldQueryParser(Version.LUCENE_30, new String[] { "title", "content" }, Configuration.getAnalyzer()); // 默认在多个字段中查询           Query query = queryParser.parse(queryString);           // 2,执行查询,得到中间结果           indexSearcher = new IndexSearcher(Configuration.getDirectory());           TopDocs topDocs = indexSearcher.search(query, firstResult + maxResults); // 最多返回前n条结果            int count = topDocs.totalHits; // 总记录数           ScoreDoc[] scoreDocs = topDocs.scoreDocs; // 前n条结果的信息           // 3,处理结果           List<Article> list = new ArrayList<Article>();           int endIndex = Math.min(firstResult + maxResults, scoreDocs.length);           for (int i = firstResult; i < endIndex; i++) { // 只取一段数据                  // 根据内部编号取出Document数据                  Document doc = indexSearcher.doc(scoreDocs[i].doc);                  // 把Document转为Article                  Article article = ArticleDocumentUtils.documentToArticle(doc);                  list.add(article);          }            return new SearchResult<Article>(count,list); // 返回                                                                                              } catch (Exception e) {           throw new RuntimeException(e);     } finally{           if(indexSearcher!=null){           try {                  indexSearcher.close();           } catch (IOException e) {                  throw new RuntimeException(e);           }     }} 
public class SearchResult<T> {private int count;private List<T> list;public SearchResult(int count, List<T> list) {this.count = count;this.list = list;}//提供set和get方法}private ArticleIndexDao1 indexDao1 = new ArticleIndexDao1();@Testpublic void testSave_1() {// 模拟了一个已保存到数据库中的数据Article article = new Article();article.setId(1);article.setTitle("Lucene全文检索的说明");article.setContent("全文检索(Full-Text Retrieval)是指以文本作为检索对象,找出含有指定词汇的文本。");indexDao1.save(article);}@Testpublic void testSave_25() {for(int i=1;i<=25;i++){// 模拟了一个已保存到数据库中的数据Article article = new Article();article.setId(i);article.setTitle("Lucene全文检索的说明");article.setContent("全文检索(Full-Text Retrieval)是指以文本作为检索对象,找出含有指定词汇的文本。");indexDao1.save(article);}}
private ArticleIndexDao1 indexDao1 = new ArticleIndexDao1();@Testpublic void testDelete() {Integer id = 1;indexDao1.delete(id);}@Testpublic void testUpdate() {// 模拟了一个已保存到数据库中的数据Article article = new Article();article.setId(1);article.setTitle("Lucene全文检索的说明123");article.setContent("这是更新后的数据123");indexDao1.update(article);}
private ArticleIndexDao1 indexDao1 = new ArticleIndexDao1();@Testpublic void testSearch() {String queryString = "lucene";//SearchResult<Article> queryResult = indexDao1.search(queryString, 0, 10000);//SearchResult<Article> queryResult = indexDao1.search(queryString, 0, 10);//SearchResult<Article> queryResult = indexDao1.search(queryString, 10, 10);SearchResult<Article> queryResult = indexDao1.search(queryString, 20, 10);System.out.println("总记录数是:"+ queryResult.getCount());for(Article article: queryResult.getList()){System.out.println("-----------> id = " + article.getId());System.out.println("title  = " + article.getTitle());System.out.println("content= " + article.getContent());}}
IndexWriter indexWriter = new IndexWriter(Configuration.getDirectory(),Configuration.getAnalyzer(),MaxFieldLength.LIMITED);//indexWriter.close();IndexWriter indexWriter2 = new IndexWriter(Configuration.getDirectory(),Configuration.getAnalyzer(),MaxFieldLength.LIMITED);//indexWriter2.close();

 

java所搜引擎slor学习笔记(一)