Lucene全文检索（一）

Dawn ·

更新时间:2024-09-21

· 874 次阅读

Lucene实现全文检索的流程

创建索引

获得文档原始文档：要基于那些数据来进行搜索，那么这些数据就是原始文档。搜索引擎：使用爬虫获得原始文档站内搜索：数据库中的数据。本地搜索：直接使用io流读取磁盘上的文件。 * 分析文档（每个文档拆分成不同的域，再把每个域进行分词）构建Trem对象每个关键词都封装成一个Term对象中（Term中包含两部分内容：关键词所在的域（字段名）、关键词本身（字段值）把Trem根据空格进行字符串分词，得到一个单词列表，把单词统一转换成小写，去除标点符号，去除停用词构建Document对象对应每个原始文档创建一个Document对象每个document对象中包含多个Trem（即上一步要进行索引或者保存的Trem）创建索引基于关键词列表创建一个索引，保存到索引库中索引库中：索引、document对象、关键词和文档的对应关系通过词语找文档，这种索引的结构叫倒排索引结构。

查询索引

用户查询接口用户输入查询条件的地方（例如：百度的搜索框）把关键词封装成一个查询对象要查询的域、要搜索的关键词执行查询根据要查询的关键词到对应的域上进行搜索。找到关键词，根据关键词找到对应的文档渲染结果根据文档的id找到文档对象对关键词进行高亮显示、分页处理，最终展示给用户看。

注意：

Lucene保存的数据没有结构，只是会根据能够索引的Term建立索引树，然后每次查询索引树找到对应的Document（每个文档都有一个唯一的编号，就是文档id）要保存结构化数据还是关系型数据库 环境准备

依赖

 
            org.apache.lucene
            lucene-core
            7.4.0
            org.apache.lucene
            lucene-queryparser
            7.4.0
            org.apache.lucene
            lucene-analyzers-common
            7.4.0
  
        org.apache.commons
        commons-io
        1.3.2

IK分词器（中文分词器）

链接：https://pan.baidu.com/s/1Rsled6iBdgOZAbjzxS_BCA
提取码：f5wh
复制这段内容后打开百度网盘手机App，操作更方便哦

在这里插入图片描述
IKAnalyzer.cfg.xml 必须在classpath 一级路径下，而hotword.dic（热词）、stopword.dic（禁用词）是由IKAnalyzer.cfg.xml 指定路径

增加索引库

步骤

创建一个Directory对象，指定索引库保存的位置。基于Directory对象创建一个IndexWriter对象读取磁盘上的文件，对应每个文件创建一个文档对象。向文档对象中添加域把文档对象写入索引库关闭indexwriter对象

public void addDocument() throws Exception {
		/**
		 * 1、创建一个Director对象，指定索引库保存的位置。
         * 把索引库保存在内存中：Directory directory = new RAMDirectory();
         * 把索引库保存在磁盘：
         */
        Directory directory = FSDirectory.open(new File("C:\\temp\\index").toPath());
        /**
         * 2、基于Directory对象创建一个IndexWriter对象
         * IndexWriterConfig config=new IndexWriterConfig() //不指定为IKAnalyzer会默认使用自带的英文分词器
         */
        IndexWriterConfig config = new IndexWriterConfig(new IKAnalyzer());
        IndexWriter indexWriter = new IndexWriter(directory, config);
        /**
         * 3、读取磁盘上的文件，对应每个文件创建一个文档对象。
         */
        File dir = new File("C:\\temp\\searchsource");
        File[] files = dir.listFiles();
        for (File f : files) {
            //取文件名
            String fileName = f.getName();
            //文件的路径
            String filePath = f.getPath();
            //文件的内容
            String fileContent = FileUtils.readFileToString(f, "utf-8");
            //文件的大小
            long fileSize = FileUtils.sizeOf(f);
            /**
             * 4、创建Field
             * 参数1：域的名称，参数2：域的内容，参数3：是否存储
             */
            Field fieldName = new TextField("name", fileName, Field.Store.YES);
            Field fieldPath = new StoredField("path", filePath);
            Field fieldContent = new TextField("content", fileContent, Field.Store.YES);
            Field fieldSizeValue = new LongPoint("size", fileSize);
            //创建文档对象
            Document document = new Document();
            //向文档对象中添加域
            document.add(fieldName);
            document.add(fieldPath);
            document.add(fieldContent);
            document.add(fieldSizeValue);
            /**
             * 5、把文档对象写入索引库
             */
            indexWriter.addDocument(document);
        }
        /**
         * 6、关闭indexwriter对象
         */
        indexWriter.close();
 }

常用Filed类型
在这里插入图片描述

Stored 属性说明

如果有的字段要在索引库只做索引（即只在搜索的时候使用），而不用在搜到对应Document的时候获取这个字段的值（即documet.get() 取不到值）

Indexed 属性说明

这个字段是否做查询时的索引（比如：url、path等就不用做索引，所以应该用StroedFiled）

Analyzed 属性说明

这个字段表明是否分词，因为有的句子不可拆分（比如身份证号）

分词器说明

测试分词

 public void testTokenStream() throws Exception {
        //1）创建一个Analyzer对象，StandardAnalyzer对象
		// Analyzer analyzer = new StandardAnalyzer(); //自带的英文分词器
        Analyzer analyzer = new IKAnalyzer();
        //2）使用分析器对象的tokenStream方法获得一个TokenStream对象
        //第一个参数指定分词字段（没有document使用的话不用指定）
        //第二个参数是分词的句子
        TokenStream tokenStream = analyzer.tokenStream("", "Lucene是一款高性能的、可扩展的信息检索(IR)工具库。信息检索是指文档搜索、文档内信息搜索或者文档相关的元数据搜索等操作。");
        //3）向TokenStream对象中设置一个每个词类型引用，相当于数一个指针
        CharTermAttribute charTermAttribute = tokenStream.addAttribute(CharTermAttribute.class);
        //4）调用TokenStream对象的rest方法。如果不调用抛异常
        tokenStream.reset();
        //5）使用while循环遍历TokenStream对象
        while(tokenStream.incrementToken()) {
            System.out.println(charTermAttribute.toString());
        }
        //6）关闭TokenStream对象
        tokenStream.close();
    }

修改热词或者禁用词

增加热词（在分词时把该词当一个整体）：hotword.dic 增加禁用词（把句子分词后会删除该词）：stopword.dic

注意

hotword.dic和ext_stopword.dic文件的格式为UTF-8，注意是无BOM 的UTF-8 编码。
也就是说禁止使用windows记事本编辑扩展词典文件

使用EditPlus.exe保存为无BOM 的UTF-8 编码格式，如下：

在这里插入图片描述

删除索引库 删除整个索引库

 public void deleteAllDocument() throws Exception {
        //创建一个IndexWriter对象，使用IKAnalyzer作为分析器
        IndexWriter indexWriter = new IndexWriter(
                FSDirectory.open(new File("C:\\temp\\index").toPath()),
                new IndexWriterConfig(new IKAnalyzer()));
        //删除全部文档
        indexWriter.deleteAll();
        //关闭索引库
        indexWriter.close();
    }

把查询到的删除

public void deleteDocumentByQuery() throws Exception {
        //创建一个IndexWriter对象，使用IKAnalyzer作为分析器
        IndexWriter indexWriter = new IndexWriter(
                FSDirectory.open(new File("C:\\temp\\index").toPath()),
                new IndexWriterConfig(new IKAnalyzer()));
        indexWriter.deleteDocuments(new Term("name", "apache"));
        indexWriter.close();
    }

更新索引库

 public void updateDocument() throws Exception {
        //创建一个IndexWriter对象，使用IKAnalyzer作为分析器
        IndexWriter indexWriter = new IndexWriter(
                FSDirectory.open(new File("C:\\temp\\index").toPath()),
                new IndexWriterConfig(new IKAnalyzer()));
        //创建一个新的文档对象
        Document document = new Document();
        //向文档对象中添加域
        document.add(new TextField("name", document.get("name"), Field.Store.YES));
        document.add(new TextField("name1", "新增字段name2", Field.Store.YES));
        //更新操作
        indexWriter.updateDocument(new Term("name", "spring"), document);
        //关闭索引库
        indexWriter.close();
    }

说明

Lucene的查找是先删除查找到的Document，然后再增加 Lucene的Document 没有结构，所以可以增加任意Trem（字段），同样查找时也是通过某个Trem找到整个Document
作者：槑！

lucene

1024 个赞