Lucene搜索引擎-搜索
文章目录
- 搜索API详解
- IndexReader 索引读取器
- IndexSearch 索引搜索器
- 查询结果
- 基本查询详解
- TermQuery 词项查询
- BooleanQuery 布尔查询
- PhraseQuery 短语查询
- MultiPhraseQuery 多重短语查询
- SpanNearQuery 临近查询（跨度查询）
- TermRangeQuery 词项范围查询
- PrefixQuery, WildcardQuery, RegexpQuery
- FuzzyQuery 模糊查询
- 数值查询
- QuerParser查询解析器
- QueryParser 传统解析器
- MultiFieldQueryParser 传统解析器
- StandardQueryParser 新标准解析器
- 查询解析语法
- 总结
如果对Lucene不熟悉的，请移步：Lucene搜索引擎-分词器
当分词、索引存储完毕，就可以开始进行搜索了。
先看一段代码：
public class SearchBaseFlow {
public static void main(String[] args) throws IOException, ParseException {
// 使用的分词器
Analyzer analyzer = new IKAnalyzer4Lucene7(true);
// 索引存储目录
Directory directory = FSDirectory.open(Paths.get("f:/test/indextest"));
// 索引读取器
IndexReader indexReader = DirectoryReader.open(directory);
// 索引搜索器
IndexSearcher indexSearcher = new IndexSearcher(indexReader);
// 要搜索的字段
String filedName = "name";
// 查询生成器（解析输入生成Query查询对象）
QueryParser parser = new QueryParser(filedName, analyzer);
// 通过parse解析输入（分词），生成query对象
Query query = parser.parse("Thinkpad");
// 搜索，得到TopN的结果（结果中有命中总数，topN的scoreDocs（评分文档（文档id，评分）））
TopDocs topDocs = indexSearcher.search(query, 10); //前10条
//获得总命中数
System.out.println(topDocs.totalHits);
// 遍历topN结果的scoreDocs,取出文档id对应的文档信息
for (ScoreDoc sdoc : topDocs.scoreDocs) {
// 根据文档id取存储的文档
Document hitDoc = indexSearcher.doc(sdoc.doc);
// 取文档的字段
System.out.println(hitDoc.get(filedName));
}
// 使用完毕，关闭、释放资源
indexReader.close();
directory.close();
}
}
搜索的核心API：
搜索API详解
IndexReader 索引读取器
open一个读取器，读取的是该时刻点的索引视图。如果后续索引发生改变，需重新open一个读取器。
获得索引读取器的方式：
- DirectoryReader.open(IndexWriter indexWriter) 优先使用
- DirectoryReader.open(Directory)
- DirectoryReader.openIfChanged(DirectoryReader) 共享当前reader资源重新打开一个（当索引变化时）
IndexReader分为两类：
- 叶子读取器：支持获取stored fields, doc values, terms（词项）, and postings （词项对应的文档）
- 复合读取器：多个读取器的复合，只可直接用它获取stored fields 。在内部通过CompositeReader.getSequentialSubReaders 得到里面的叶子读取器来获取其他数据
上述代码使用到的DirectoryReader 是 复合读取器。
注意：IndexReader是线程安全的
IndexReader主要API：
LeafReader主要API：
IndexSearch 索引搜索器
应用通过调用它的search(Query,int)重载方法在一个IndexReader上实现搜索。
出于性能的考虑，请使用一个IndexSearcher实例，除非索引发生变化。如索引更新了则通过DirectoryReader.openIfChanged(DirectoryReader) 取得新的读取器，再创建新的搜索器。
注意：IndexSearch是线程安全的
查询结果
基本查询详解
常用的查询API如下：
TermQuery 词项查询
词项查询，最基本、最常用的查询，用来查询指定字段包含指定词项的文档。
TermQuery tq = new TermQuery(new Term("fieldName", "term"));
TermQuery tq = new TermQuery(new Term(“name", “thinkpad"));
BooleanQuery 布尔查询
搜索的条件往往是多个的，如要查询名称包含"电脑" 或 "thinkpad"的商品，就需要两个词项查询做或合并。
布尔查询就是用来组合多个子查询的。每个子查询称为布尔字句 BooleanClause，布尔字句自身也可以是组合的。
组合关系支持如下四种：
- Occur.SHOULD：或
- Occur.MUST：且
- Occur.MUST_NOT：且非
- Occur.FILTER：同MUST,但该字句不参与评分
布尔查询默认的最大字句数为1024，在将通配符查询这样的查询rewriter为布尔查询时，往往会产生很多的字句，可能抛出TooManyClauses 异常。可通过BooleanQuery.setMaxClauseCount(int)设置最大字句数。
// 布尔查询
Query query1 = new TermQuery(new Term(filedName, "thinkpad"));
Query query2 = new TermQuery(new Term("simpleIntro", "英特尔"));
BooleanQuery.Builder booleanQueryBuilder = new BooleanQuery.Builder();
booleanQueryBuilder.add(query1, Occur.SHOULD);
booleanQueryBuilder.add(query2, Occur.MUST);
BooleanQuery booleanQuery = booleanQueryBuilder.build();
// 可像下一行这样写
// BooleanQuery booleanQuery = new BooleanQuery.Builder()
// .add(query1, Occur.SHOULD).add(query2, Occur.MUST).build();
PhraseQuery 短语查询
最常用的查询，匹配特点序列的多个词项。
PhraserQuery使用一个位置移动因子（slop）来决定任意两个词项的位置（词项出现的次序）可最大移动多少个位置来进行匹配，默认为0。有两种方式来构建对象：
- 直接用构造方法
- 用里面的Builder来构建
注意：
- Builder方式构造中的int 值为词项的位置，后面加入的词项的位置需>=前一词项的位置
- 所有加入的词项都匹配才算匹配（即使是你在同一位置加入多个词项）
- 如果需要在同一位置匹配多个同义词中的一个，适合用MultiPhraseQuery
短语查询示例：
PhraseQuery phraseQuery1 = new PhraseQuery("name", "thinkpad", "carbon");
PhraseQuery phraseQuery2 = new PhraseQuery(1, "name", "thinkpad", "carbon");
PhraseQuery phraseQuery3 = new PhraseQuery("name", "笔记本电脑", "联想");
PhraseQuery phraseQuery4 = new PhraseQuery.Builder()
.add(new Term("name", "笔记本电脑"), 4)
.add(new Term("name", "联想"), 5).build();
PhraseQuery phraseQuery5 = new PhraseQuery.Builder()
.add(new Term("name", "笔记本电脑"), 0)
.add(new Term("name", "联想"), 1).build();
移动因子slop说明：slop是指两个项的位置之间允许的最大间隔距离。
- String name = “ThinkPad X1 Carbon 20KH0009CD/25CD 超极本轻薄笔记本电脑联想”;
- 如果想用 thinkpad carbon 来匹配 name,则需要如何移动才会和name中的ThinkPand [X1] Carbon匹配呢？这种情况比较简单，只要计算两者间的距离，thinkpad向左移动1即可，此时slop=1
- 如果想用 *carbon thinkpad 来匹配 name,则只需要将carbon向右移动3位即可匹配ThinkPand [X1] Carbon，因此slop=3
MultiPhraseQuery 多重短语查询
短语查询的一种更通用的用法，支持同位置多个词的OR匹配。通过里面的Builder来构建MultiPhraseQuery
示例：
// 多重短语查询
Term[] terms = new Term[2];
terms[0] = new Term("name", "笔记本");
terms[1] = new Term("name", "笔记本电脑");
Term t = new Term("name", "联想");
MultiPhraseQuery multiPhraseQuery = new MultiPhraseQuery.Builder()
.add(terms).add(t).build();
// 对比 PhraseQuery在同位置加入多个词 ，同位置的多个词都需匹配，所以查不出
PhraseQuery pquery = new PhraseQuery.Builder()
.add(terms[0], 0).add(terms[1], 0).add(t, 1).build();
SpanNearQuery 临近查询（跨度查询）
用于更复杂的短语查询，可以指定词间位置的最大间隔跨度。
通过组合一系列的SpanQuery 实例来进行查询，可以指定是否按顺序匹配、slop、gap。
示例：
// SpanNearQuery 临近查询
SpanTermQuery tq1 = new SpanTermQuery(new Term("name", "thinkpad"));
SpanTermQuery tq2 = new SpanTermQuery(new Term("name", "carbon"));
SpanNearQuery spanNearQuery = new SpanNearQuery(new SpanQuery[] { tq1, tq2 }, 1, true);
// SpanNearQuery 临近查询 gap slop 使用
SpanNearQuery.Builder spanNearQueryBuilder = SpanNearQuery.newOrderedNearQuery("name");
spanNearQueryBuilder.addClause(tq1).addGap(0).setSlop(1).addClause(tq2);
SpanNearQuery spanNearQuery5 = spanNearQueryBuilder.build();
TermRangeQuery 词项范围查询
用于查询包含某个范围内的词项的文档，如以字母开头a到c的词项。词项在反向索引中是排序的，只需指定的开始词项、结束词项，就可以查询该范围的词项。
如果是做数值的范围查询则用 PointRangeQuery
参数说明：
- field：字段
- lowerTerm：下边界词
- upperTerm：上边界词
- includeLower：是否包含下边界
- includeUpper：是否包含上边界
示例：
// TermRangeQuery 词项范围查询
TermRangeQuery termRangeQuery = TermRangeQuery.newStringRange("name", "carbon", "张三", false, true);
PrefixQuery, WildcardQuery, RegexpQuery
- PrefixQuery 前缀查询
查询包含以xxx为前缀的词项的文档，是通配符查询，如 app，实际是 app* - WildcardQuery 通配符查询
*表示0个或多个字符，?表示1个字符，\是转义符。通配符查询可能会比较慢，不可以通配符开头（那样就是所有词项了） - RegexpQuery 正则表达式查询
词项符合某正则表达式
这三种查询可能会比较慢，使用时要谨慎
示例：
// PrefixQuery 前缀查询
PrefixQuery prefixQuery = new PrefixQuery(new Term("name", "think"));
// WildcardQuery 通配符查询
WildcardQuery wildcardQuery = new WildcardQuery(new Term("name", "think*"));
// WildcardQuery 通配符查询
WildcardQuery wildcardQuery2 = new WildcardQuery(new Term("name", "厉害了???"));
// RegexpQuery 正则表达式查询
RegexpQuery regexpQuery = new RegexpQuery(new Term("name", "厉害.{4}"));
FuzzyQuery 模糊查询
简单地与索引词项进行相近匹配，允许最大2个不同字符。常用于拼写错误的容错：如把 “thinkpad” 拼成 “thinkppd”或 “thinkd”，使用FuzzyQuery 仍可搜索到正确的结果。
示例：
// FuzzyQuery 模糊查询
FuzzyQuery fuzzyQuery = new FuzzyQuery(new Term("name", "thind"));
FuzzyQuery fuzzyQuery2 = new FuzzyQuery(new Term("name", "thinkd"), 2);
FuzzyQuery fuzzyQuery3 = new FuzzyQuery(new Term("name", "thinkpaddd"));
FuzzyQuery fuzzyQuery4 = new FuzzyQuery(new Term("name", "thinkdaddd"));
数值查询
前提：查询的数值字段必须索引。
通过 IntPoint, LongPoint, FloatPoint, or DoublePoint 中的方法构建对应的查询。
以IntPoint为例：
示例：
// 精确值查询
Query exactQuery = IntPoint.newExactQuery("price", 1999900);
// 数值范围查询
Query pointRangeQuery = IntPoint.newRangeQuery("price", 499900,1000000);
// 集合查询
Query setQuery = IntPoint.newSetQuery("price", 1999900, 1000000, 2000000);
QuerParser查询解析器
用户的查询需求是多变的，我们无法事先知道，也就无法事先编写好构建查询的代码。不同的查询需求只是不同字段的不同基本查询的组合。
比如需求如下：
(name:“联想笔记本电脑” OR simpleIntro :“联想笔记本电脑”) AND type:电脑 AND price:[800000 TO 1000000]
用户的查询需求被很好的描述出来了，我们的搜索程序中得能解读这个描述，并把它转为对应的查询组合。这就是 QueryParser包的功能。
核心API：
Lucene QueryPaser包中提供了两类查询解析器：
- 传统的解析器：QueryParser、MultiFieldQueryParser
- 基于新的 flexible 框架的解析器：StandardQueryParser
QueryParser 传统解析器
单默认字段
// 使用的分词器
Analyzer analyzer = new IKAnalyzer4Lucene7(true);
// 要搜索的默认字段
String defaultFiledName = "name";
// 查询生成器（解析输入生成Query查询对象）
QueryParser parser = new QueryParser(defaultFiledName, analyzer);
// 通过parse解析输入，生成query对象
Query query1 = parser.parse(
"(name:\"联想笔记本电脑\" OR simpleIntro:英特尔) AND type:电脑 AND price:999900");
MultiFieldQueryParser 传统解析器
多默认字段
// 传统查询解析器-多默认字段
String[] multiDefaultFields = { "name", "type", "simpleIntro" };
MultiFieldQueryParser multiFieldQueryParser = new MultiFieldQueryParser(multiDefaultFields, analyzer);
// 设置默认的组合操作，默认是 OR
multiFieldQueryParser.setDefaultOperator(Operator.OR);
Query query4 = multiFieldQueryParser.parse("笔记本电脑 AND price:1999900");
StandardQueryParser 新标准解析器
StandardQueryParser queryParserHelper = new StandardQueryParser(analyzer);
// 设置默认字段
// queryParserHelper.setMultiFields(CharSequence[] fields);
// queryParserHelper.setPhraseSlop(8);
// Query query = queryParserHelper.parse("a AND b", "defaultField");
Query query5 = queryParserHelper.parse(
"(\"联想笔记本电脑\" OR simpleIntro:英特尔) AND type:电脑 AND price:1999900","name");
查询解析语法
-
Term词项
单个词项的表示：电脑
短语的表示：“联想笔记本电脑” -
Field字段
示例1： name:“联想笔记本电脑” AND type:电脑
如果name是默认字段，则可写成： “联想笔记本电脑” AND type:电脑
示例2：type:电脑 计算机 手机
只有第一个是type的值，后两个则是使用默认字段。 -
Term Modifiers 词项修饰符
通配符
- ? 单个字符
- 0个或多个字符
- 示例：te?t test* te*t
- 注意：通配符不可用在开头。
模糊查询
- 示例： roam~
- 模糊查询最大支持两个不同字符。
- 示例： roam~1
正则表达式
- /xxxx/
- 示例：/[mb]oat/
临近查询
- 短语后加~移动值
- 示例：“jakarta apache”~10
范围查询
- mod_date:[20020101 TO 20030101] 包含边界值
- title:{Aida TO Carmen} 不包含边界值
词项加权
- 使该词项的相关性更高，通过 ^数值来指定加权因子，默认加权因子值是1
- 示例：如要搜索包含 jakarta apache 的文章，jakarta更相关，则：jakarta^4 apache
- 短语也可以： “jakarta apache”^4 “Apache Lucene”
-
布尔操作符
Lucene支持的布尔操作： AND, “+”, OR, NOT ,"-"
OR：“jakarta apache” jakarta 等同于 “jakarta apache” OR jakarta
AND：“jakarta apache” AND “Apache Lucene”
+：表示必须包含，+jakarta lucene
NOT：非，“jakarta apache” NOT “Apache Lucene”，NOT不能单独使用，如NOT "Apache Lucene"是不行的
-：同NOT，“jakarta apache” - “Apache Lucene” -
组合
字句组合：(jakarta OR apache) AND website
字段组合：title:(+return +“pink panther”) -
转义 \
对语法字符： + - && || ! ( ) { } [ ] ^ “ ~ * ? : \ / 进行转义。
如要查询包含 (1+1):2，则使用转义(1+1):2
总结
- 查询字符串应是由人输入的，而不应是你编程产生。如果你为了用查询解析器，而在你的应用中编程产生查询字符串，不可取，更应该直接使用基本查询API;
- 未分词的字段，应直接使用基本查询API加入到查询中，而不应使用查询解析器；
- 对于普通文本字段，使用查询解析器，而其他值字段：如 时间、数值，则应使用基本查询API