全文检索技术Lucene入门和学习、与数据库数据结合的demo实现

      背景：其实，我前两年就开始接触过Lucene了，当时是准备把做一个内容管理系统CMS，那么搜索这块就需要使用到Lucene技术了，当时，由于项目经费问题，技术方案确定，项目没有立项，最后没能实现..

      前个月，现在的这家公司需要实现有个检索的功能，我当时就想到了Lucene技术, 我就去确认数据量有多大？，检索的范围有多大？精确度等，.才700多条数据，而且还只是检索一个字段...以后数据量会每天的递增，研究Lucene刻不容缓啊..

      首先，要非常感谢 博客园的 “觉先”先生的分享， 他的博客带我进入了Lucene的大门 :http://www.cnblogs.com/forfuture1978/category/300665.html ，通过他的博

客对Lucene分析文章，让我对Lucene有个完整的认识，虽然都是简单的认识，但受益匪浅..

 

       我在这就简单的说下，lucene是什么？

        

      Lucene是一个高效的，基于Java的全文检索库。

     所以在了解Lucene 之前要费一番工夫了解一下全文检索。

          那么什么叫做全文检索呢？这要从我们生活中的数据说起。

          我们生活中的数据总体分为两种：结构化数据和非结构化数据。

           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。

       非结构化数据：指不定长或无固定格式的数据，如邮件，word文档等。

     当然有的地方还会提到第三种，半结构化数据，如XML，HTML 等，当根据需要可按结构化数据来处理，也可抽取出纯文本按非结构化数据来处理。非结构化数据又一种叫

法叫全文数据。
      

 按照数据的分类，搜索也分为两种：

       

     对结构化数据的搜索：如对数据库的搜索，用SQL语句。再如对元数据的搜索，如利用windows 搜索对文件名，类型，修改时间进行搜索等。
    

     对非结构化数据的搜索：如利用windows 的搜索也可以搜索文件内容，Linux 下的grep命令，再如用Google 和百度可以搜索大量内容数据。

 对非结构化数据也即对全文数据的搜索主要有两种方法：

        一种是顺序扫描法(Serial Scanning)：所谓顺序扫描，比如要找内容包含某一个字符串的文件，就是一个文档一个文档的看，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。如果你有一个80G 硬盘，如果想在上面找到一个内容包含某字符串的文件，不花他几个小时，怕是做不到。Linux 下的grep 命令也是这一种方式。大家可能觉得这种方法比较原始，但对于小数 据量的文件，这种方法还是最直接，最方便的。但是对于大量的文件，这种方法就很慢了。有人可能会说，对非结构化数据顺序扫描很慢，对结构化数据的搜索却相对较快（由于结构化数据有一定的结构可以采取一定的搜索算法加快速度），那么把我们的非结构化数据想办法弄得有一定结构不就行了吗？

         想法很天然，却构成了全文检索的基本思路，也即将非结构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。这部分从非结构化数据中提取出的然后重新组织的信息，我们称之索引。这种说法比较抽象，举几个例子就很容易明白，比如字典，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。
     

 首先建立索引，再对索引进行搜索的过程就叫全文检索(Full-text Search)。
    

下面这幅图来自《Lucene in action》，但却不仅仅描述了Lucene 的检索过程，而是描述了全文检索的一般过程。

     

    

 

全文检索大体分两个过程，索引创建(Indexing)和搜索索引(Search)。
       索引创建：将现实世界中所有的结构化和非结构化数据提取信息，创建索引的过程。
       搜索索引：就是得到用户的查询请求，搜索创建的索引，然后返回结果的过程

 关于 索引里面是什么结构？请看:http://www.cnblogs.com/forfuture1978/category/300665.html 介绍

          下面 我们就来实现全文检索demo （本文代码引用的是lucene 3.0.3jar包）：

      DBDataIndexer 工具类： 是我针对数据库数据来生成索引文件，其实如果是先实现demo,直接看下面一个java代码，

import java.io.File;
import java.io.IOException;

import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.standard.StandardAnalyzer;
import org.apache.lucene.document.Document;
import org.apache.lucene.document.Field;
import org.apache.lucene.index.IndexWriter;
import org.apache.lucene.store.Directory;
import org.apache.lucene.store.FSDirectory;
import org.apache.lucene.util.Version;

import com.zte.its.app.lucene.model.ItsCommProblems;

/**
 * 针对数据库表数据-索引生成 工具类
 * 
 * @author 欧阳鸿
 * 
 */
public class DBDataIndexer {

	private static String INDEX_DIR = "D://LuceneTest//index";// 索引存放目录

	private Directory directory = null;

	/***
	 * 初始化索引文件目录
	 * 
	 * @return
	 * @throws Exception
	 */
	public Directory initLuceneDirctory() throws Exception {
		if (directory == null) {
			File indexDir = new File(INDEX_DIR);
			// 文件目录
			// 把索引文件存储到磁盘目录
			// 索引文件可放的位置：索引可以存放在两个地方1.硬盘，2.内存；
			// 放在硬盘上可以用FSDirectory()，放在内存的用RAMDirectory()不过一关机就没了
			directory = FSDirectory.open(indexDir);
		}
		return directory;
	};

	/***
	 * 初始化 Lucene 创建、增量索引的对象
	 * 
	 * @param cOra
	 *            true:表示创建索引，false表示在原有的索引基础上增量
	 * @return
	 * @throws IOException
	 */
	public static IndexWriter initLuceneObj(Directory directory, boolean cOra) {
		Analyzer analyzer = new StandardAnalyzer(Version.LUCENE_CURRENT); // 创建一个语法分析器
		IndexWriter writer = null;
		try {

			// 创建一个IndexWriter(存放索引文件的目录,分析器,Field的最大长度)
			System.out.println(IndexWriter.MaxFieldLength.UNLIMITED);
			// 可见构造它需要一个索引文件目录，一个分析器(一般用标准的这个)，一个参数是标识是否清空索引目录
			writer = new IndexWriter(directory, analyzer, cOra,
					IndexWriter.MaxFieldLength.UNLIMITED);
			// 索引合并因子
			// 一、SetMergeFactor（合并因子）
			// SetMergeFactor是控制segment合并频率的，其决定了一个索引块中包括多少个文档，当硬盘上的索引块达到多少时，
			// 将它们合并成一个较大的索引块。当MergeFactor值较大时，生成索引的速度较快。MergeFactor的默认值是10，建议在建立索引前将其设置的大一些。
			writer.setMergeFactor(100);
			// 二、SetMaxBufferedDocs（最大缓存文档数）
			// SetMaxBufferedDocs是控制写入一个新的segment前内存中保存的document的数目，
			// 设置较大的数目可以加快建索引速度，默认为10。
			writer.setMaxMergeDocs(1000);
			// 三、SetMaxMergeDocs（最大合并文档数）
			// SetMaxMergeDocs是控制一个segment中可以保存的最大document数目，值较小有利于追加索引的速度，默认Integer.MAX_VALUE，无需修改。
			// 在创建大量数据的索引时，我们会发现索引过程的瓶颈在于大量的磁盘操作，如果内存足够大的话，
			// 我们应当尽量使用内存，而非硬盘。可以通过SetMaxBufferedDocs来调整，增大Lucene使用内存的次数。
			return writer;
		} catch (IOException e) {
			e.printStackTrace();
		} catch (Exception e) {
			// TODO Auto-generated catch block
			e.printStackTrace();
		}
		return null;
	}

	/**
	 * 对单个Entity对象（自定义对应数据库数据对象）进行索引
	 * 
	 * @param writer
	 * @param e  自定义javaBean对象，
	 * @throws IOException
	 */
	public static void indexEntity(IndexWriter writer, ItsCommProblems e)
			throws IOException {
		if (e == null) {
			return;
		}
		Document doc = new Document();
		doc.add(new Field("requestId", e.getRequestId(), Field.Store.YES,
				Field.Index.NO));
		doc.add(new Field("docid", e.getDocid(), Field.Store.YES,
				Field.Index.NO));
		doc.add(new Field("articleTitle", e.getArticletitle(), Field.Store.YES,
				Field.Index.ANALYZED));
		writer.addDocument(doc);
	}

	/***
	 * 
	 * 获得本次创建/增量索引的原数据数量（条）
	 * 
	 * @param writer
	 * @return
	 */
	public static int getNumDocs(IndexWriter writer) throws IOException {
		int numIndexed = 0;
		if (writer != null) {
			numIndexed = writer.numDocs();
		}
		return numIndexed;
	}

	/***
	 * 关闭Lucene相关Io对象
	 */
	public static void closeIndexWriter(IndexWriter writer, Directory directory) {
		if (writer != null) {
			try {
				writer.close(); // 关闭IndexWriter时,才把内存中的数据写到文件
			} catch (IOException e) {
				e.printStackTrace();
			}
		}
	}

}

     下面就是检索索引的代码：

import java.io.IOException;
import java.util.ArrayList;
import java.util.List;

import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.standard.StandardAnalyzer;
import org.apache.lucene.document.Document;
import org.apache.lucene.index.CorruptIndexException;
import org.apache.lucene.index.Term;
import org.apache.lucene.queryParser.MultiFieldQueryParser;
import org.apache.lucene.queryParser.ParseException;
import org.apache.lucene.search.BooleanClause;
import org.apache.lucene.search.BooleanQuery;
import org.apache.lucene.search.FuzzyQuery;
import org.apache.lucene.search.IndexSearcher;
import org.apache.lucene.search.MultiSearcher;
import org.apache.lucene.search.PrefixQuery;
import org.apache.lucene.search.Query;
import org.apache.lucene.search.ScoreDoc;
import org.apache.lucene.search.TermQuery;
import org.apache.lucene.search.TopScoreDocCollector;
import org.apache.lucene.search.WildcardQuery;
import org.apache.lucene.store.Directory;
import org.apache.lucene.util.Version;

/**
 * @author 查询
 * 
 */
public class Searcher {

	// private static String INDEX_DIR = "D://LuceneTest//index"; // 索引所在的路径
	// private static String KEYWORD = "领导";// 关键词
	private static String K_FEILD = "articleTitle"; // 关键词 对应 索引的域

	private static int TOP_NUM = 5;// 显示前5条结果

	/***
	 * 多种匹配词--查询
	 * 
	 * @param keywords
	 * @throws Exception
	 */
	public static List searchIndex(Directory diretory, String keywords)
			throws Exception {
		List requestIdList = new ArrayList();
		if (keywords != null && !"".equals(keywords)) {
			IndexSearcher indexSearcher = null;
			MultiSearcher searcher = null;

			/* 创建一个搜索，搜索刚才创建的目录下的索引 */
			try {
				indexSearcher = new IndexSearcher(diretory, true);
				// read-only
				/* 在这里我们只需要搜索一个目录 */
				IndexSearcher indexSearchers[] = { indexSearcher };
				/* 我们需要搜索两个域ArticleTitle, ArticleText里面的内容 */
				String[] fields = { K_FEILD };
				/*
				 * 下面这个表示要同时搜索这两个域，而且只要一个域里面有满足我们搜索的内容就行
				 * BooleanClause.Occur[]数组,它表示多个条件之间的关系
				 * ,BooleanClause.Occur.MUST表示and,
				 * BooleanClause.Occur.MUST_NOT表示not
				 * ,BooleanClause.Occur.SHOULD表示or. 1、MUST和MUST表示“与”的关系，即“并集”。
				 * 2、MUST和MUST_NOT前者包含后者不包含。 3、MUST_NOT和MUST_NOT没意义
				 * 4、SHOULD与MUST表示MUST，SHOULD失去意义；
				 * 5、SHOUlD与MUST_NOT相当于MUST与MUST_NOT。 6、SHOULD与SHOULD表示“或”的概念
				 */
				BooleanClause.Occur[] clauses = { BooleanClause.Occur.SHOULD };
				/*
				 * MultiFieldQueryParser表示多个域解析， 同时可以解析含空格的字符串，如果我们搜索"上海 中国"
				 */
				Analyzer analyzer = new StandardAnalyzer(Version.LUCENE_CURRENT); // 创建一个语法分析器
				// ，Lucene3.0之后
				// 有变化的地方
				Query multiFieldQuery = MultiFieldQueryParser.parse(
						Version.LUCENE_CURRENT, keywords, fields, clauses,
						analyzer);
				Query termQuery = new TermQuery(new Term(K_FEILD, keywords));// 词语搜索,完全匹配,搜索具体的域

				Query wildqQuery = new WildcardQuery(
						new Term(K_FEILD, keywords));// 通配符查询

				Query prefixQuery = new PrefixQuery(new Term(K_FEILD, keywords));// 字段前缀搜索

				Query fuzzyQuery = new FuzzyQuery(new Term(K_FEILD, keywords));// 相似度查询,模糊查询比如OpenOffica，OpenOffice

				/* Multisearcher表示多目录搜索，在这里我们只有一个目录 */
				searcher = new MultiSearcher(indexSearchers);
				// 多条件搜索
				BooleanQuery multiQuery = new BooleanQuery();

				multiQuery.add(wildqQuery, BooleanClause.Occur.SHOULD);
				multiQuery.add(multiFieldQuery, BooleanClause.Occur.SHOULD);
				multiQuery.add(termQuery, BooleanClause.Occur.SHOULD);
				multiQuery.add(prefixQuery, BooleanClause.Occur.SHOULD);
				multiQuery.add(fuzzyQuery, BooleanClause.Occur.SHOULD);

				/* 开始搜索 */
				TopScoreDocCollector collector = TopScoreDocCollector.create(
						TOP_NUM, false);// Lucene3.0之后 有变化的地方

				searcher.search(multiQuery, collector);
				ScoreDoc[] hits = collector.topDocs().scoreDocs;

				for (int i = 0; i < hits.length; i++) {

					Document doc = searcher.doc(hits[i].doc);// new method
																// is.doc()
					requestIdList.add(doc.getField("requestId").stringValue());
					// System.out.println("常见问题Id:"
					// + doc.getField("requestId").stringValue() + "   "
					// + hits[i].toString() + "  ");
				}
			} catch (CorruptIndexException e) {
				// TODO Auto-generated catch block
				e.printStackTrace();
			} catch (IOException e) {
				// TODO Auto-generated catch block
				e.printStackTrace();
			} catch (ParseException e) {
				// TODO Auto-generated catch block
				e.printStackTrace();
			} finally {
				if (searcher != null) {
					try {
						/* 关闭 */
						searcher.close();
					} catch (IOException e) {
						e.printStackTrace();
					}
				}
				if (indexSearcher != null) {
					try {
						indexSearcher.close();
					} catch (IOException e) {
						e.printStackTrace();
					}
				}
			}
		}
		return requestIdList;
	}

	public static void main(String[] args) throws Exception {
		// searchIndex(KEYWORD);// 调用searchIndex方法进行查询
	}
}

有个Searcher查询类， 我们就可以根据关键字来查询.. 我这有个main方法 是用来调试使用的。大家可以试试

    

对了，还少了个调用的代码

     

	//

	public void initLuceneIndex() throws Exception {
		Map map = new HashMap();

		long start = new Date().getTime();
		//这里 我是调用了Dao持久层数据方法，使用了MVC的朋友应该知道.
		List list = luceneDao.initLuceneIndex();

		// 得到初始化索引文件目录
		Directory directory = new DBDataIndexer().initLuceneDirctory();
		if (directory != null) {

			IndexWriter writer = DBDataIndexer.initLuceneObj(directory, true);
			if (list != null && list.size() > 0) {
				for (ItsCommProblems object : list) {
					DBDataIndexer.indexEntity(writer, object);
				}
			}
			DBDataIndexer.closeIndexWriter(writer, directory);
		} else { // 索引存放路径不存在
			throw new IOException(directory
					+ " does not exist or is not a directory");
		}
		long end = new Date().getTime();

		System.out.println(" InitIndexed: took " + (end - start)
				+ " milliseconds");
	}

         //根据关键字查询对应的记录： 思路是，同关键字去索引查询到对应的记录Id,然而再通过id查询记录
	public List rearcherBykeyWord(String keywords)
			throws Exception {
		Map map = new HashMap();

		long start = new Date().getTime();
		List commProblemList = null;

		// 得到初始化索引文件目录
		Directory directory = new DBDataIndexer().initLuceneDirctory();
		List requestIdList = Searcher.searchIndex(directory, keywords);
		if (requestIdList != null && requestIdList.size() > 0) {
			map.put("requestIdList", requestIdList);
			commProblemList = luceneDao.rearcherBykeyWord(map);
		}

		long end = new Date().getTime();
		System.out.println(" rearcherBykeyWord 《 " + keywords + "》  共花费："
				+ (end - start) + " milliseconds");
		if (commProblemList != null && commProblemList.size() > 0) {
			for (ItsCommProblems itsCommProblems : commProblemList) {
				System.out.println(" 查询获得:  "
						+ itsCommProblems.getArticletitle());
			}
		}
		return commProblemList;
	}

 

     其实，我这只是完成了简单的检索，很多策略问题，中英文等。都还没来的及实现...Lucene这个技术是很深的.需要花大量时间和精力研究和学习的..