Apache Lucene學習筆記_ZenDei技術網路在線

Hadoop概述 Apache lucene: 全球第一個開源的全文檢索引擎工具包完整的查詢引擎和搜索引擎部分文本分析引擎開發人員在此基礎建立完整的全文檢索引擎以下為轉載：http://www.cnblogs.com/xing901022/p/3933675.htm 首先呢，學習任何一門新的 ...

Hadoop概述

　　Apache lucene:

　　　　全球第一個開源的全文檢索引擎工具包

　　　　完整的查詢引擎和搜索引擎

　　　　部分文本分析引擎

　　　　開發人員在此基礎建立完整的全文檢索引擎

以下為轉載：http://www.cnblogs.com/xing901022/p/3933675.htm

首先呢，學習任何一門新的亦或是舊的開源技術，百度其中一二是最簡單的辦法，先瞭解其中的大概，思想等等。這裡就貢獻一個講解很到位的ppt。已經被我轉成了PDF，便於搜藏。

　　其次，關於第一次編程初探，建議還是查看官方資料。百度到的資料，目前Lucene已經更新到4.9版本，這個版本需要1.7以上的JDK，所以如果還用1.6甚至是1.5的小盆友，請參考低版本，由於我用的1.6，因此在使用Lucene4.0。

　　這是Lucene4.0的官網文檔：http://lucene.apache.org/core/4_0_0/core/overview-summary.html

　　這裡非常佩服Lucene的開元貢獻者，可以閱讀Lucene in Action，作者最初想要寫軟體賺錢，最後貢獻給了Apache，跑題了。

　　最後，提醒學習Lucene的小盆友們，這個開源軟體的版本更新不慢，版本之間的編程風格亦是不同，所以如果百度到的帖子，可能這段代碼，用了4.0或者3.6就會不好使。

　　比如，以前版本的申請IndexWriter時，是這樣的：

 IndexWriter indexWriter  =   new IndexWriter(indexDir,luceneAnalyzer, true );

　　但是4.0，我們需要配置一個conf，把配置內容放到這個對象中：

    IndexWriterConfig config = new IndexWriterConfig(Version.LUCENE_CURRENT, analyzer);
    IndexWriter iwriter = new IndexWriter(directory, config);

　　所以，請一定要參考官方文檔的編程風格，進行代碼的書寫。

　　最後的最後，從官網上面下載下來的文件，已經上傳至百度網盤，歡迎下載。

　　這是其中最常用的五個文件：

　　第一個，也是最重要的，Lucene-core-4.0.0.jar,其中包括了常用的文檔，索引，搜索，存儲等相關核心代碼。

　　第二個，Lucene-analyzers-common-4.0.0.jar，這裡麵包含了各種語言的詞法分析器，用於對文件內容進行關鍵字切分，提取。

　　第三個，Lucene-highlighter-4.0.0.jar，這個jar包主要用於搜索出的內容高亮顯示。

　　第四個和第五個，Lucene-queryparser-4.0.0.jar，提供了搜索相關的代碼，用於各種搜索，比如模糊搜索，範圍搜索，等等。

廢話說到這裡，下麵我們簡單的講解一下什麼是全文檢索。

　　比如，我們一個文件夾中，或者一個磁碟中有很多的文件，記事本、world、Excel、pdf，我們想根據其中的關鍵詞搜索包含的文件。例如，我們輸入Lucene，所有內容含有Lucene的文件就會被檢查出來。這就是所謂的全文檢索。

　　因此，很容易的我們想到，應該建立一個關鍵字與文件的相關映射，盜用ppt中的一張圖，很明白的解釋了這種映射如何實現。

　　在Lucene中，就是使用這種“倒排索引”的技術，來實現相關映射。

有了這種映射關係，我們就來看看Lucene的架構設計。

　　下麵是Lucene的資料必出現的一張圖，但也是其精髓的概括。

　　我們可以看到，Lucene的使用主要體現在兩個步驟：

　　1 創建索引，通過IndexWriter對不同的文件進行索引的創建，並將其保存在索引相關文件存儲的位置中。

　　2 通過索引查尋關鍵字相關文檔。

　　下麵針對官網上面給出的一個例子，進行分析：

 1 　　Analyzer analyzer = new StandardAnalyzer(Version.LUCENE_CURRENT);
 2 
 3     // Store the index in memory:
 4     Directory directory = new RAMDirectory();
 5     // To store an index on disk, use this instead:
 6     //Directory directory = FSDirectory.open("/tmp/testindex");
 7     IndexWriterConfig config = new IndexWriterConfig(Version.LUCENE_CURRENT, analyzer);
 8     IndexWriter iwriter = new IndexWriter(directory, config);
 9     Document doc = new Document();
10     String text = "This is the text to be indexed.";
11     doc.add(new Field("fieldname", text, TextField.TYPE_STORED));
12     iwriter.addDocument(doc);
13     iwriter.close();
14     
15     // Now search the index:
16     DirectoryReader ireader = DirectoryReader.open(directory);
17     IndexSearcher isearcher = new IndexSearcher(ireader);
18     // Parse a simple query that searches for "text":
19     QueryParser parser = new QueryParser(Version.LUCENE_CURRENT, "fieldname", analyzer);
20     Query query = parser.parse("text");
21     ScoreDoc[] hits = isearcher.search(query, null, 1000).scoreDocs;
22     assertEquals(1, hits.length);
23     // Iterate through the results:
24     for (int i = 0; i < hits.length; i++) {
25       Document hitDoc = isearcher.doc(hits[i].doc);
26       assertEquals("This is the text to be indexed.", hitDoc.get("fieldname"));
27     }
28     ireader.close();
29     directory.close();

索引的創建

　　首先，我們需要定義一個詞法分析器。

　　比如一句話，“我愛我們的中國！”，如何對他拆分，扣掉停頓詞“的”，提取關鍵字“我”“我們”“中國”等等。這就要藉助的詞法分析器Analyzer來實現。這裡面使用的是標準的詞法分析器，如果專門針對漢語，還可以搭配paoding，進行使用。

1 Analyzer analyzer = new StandardAnalyzer(Version.LUCENE_CURRENT);

　　參數中的Version.LUCENE_CURRENT，代表使用當前的Lucene版本，本文環境中也可以寫成Version.LUCENE_40。

　　第二步，確定索引文件存儲的位置，Lucene提供給我們兩種方式：

　　1 本地文件存儲

Directory directory = FSDirectory.open("/tmp/testindex");

　　2 記憶體存儲

Directory directory = new RAMDirectory();

　　可以根據自己的需要進行設定。

　　第三步，創建IndexWriter，進行索引文件的寫入。

IndexWriterConfig config = new IndexWriterConfig(Version.LUCENE_CURRENT, analyzer);
IndexWriter iwriter = new IndexWriter(directory, config);

　　這裡的IndexWriterConfig，據官方文檔介紹，是對indexWriter的配置，其中包含了兩個參數，第一個是目前的版本，第二個是詞法分析器Analyzer。

　　第四步，內容提取，進行索引的存儲。

Document doc = new Document();
String text = "This is the text to be indexed.";
doc.add(new Field("fieldname", text, TextField.TYPE_STORED));
iwriter.addDocument(doc);
iwriter.close();

　　第一行，申請了一個document對象，這個類似於資料庫中的表中的一行。

　　第二行，是我們即將索引的字元串。

　　第三行，把字元串存儲起來（因為設置了TextField.TYPE_STORED,如果不想存儲，可以使用其他參數，詳情參考官方文檔），並存儲“表明”為"fieldname".

　　第四行，把doc對象加入到索引創建中。

　　第五行，關閉IndexWriter,提交創建內容。

　　這就是索引創建的過程。

關鍵字查詢：

　　第一步，打開存儲位置

DirectoryReader ireader = DirectoryReader.open(directory);

　　第二步，創建搜索器

IndexSearcher isearcher = new IndexSearcher(ireader);

　　第三步，類似SQL，進行關鍵字查詢

QueryParser parser = new QueryParser(Version.LUCENE_CURRENT, "fieldname", analyzer);
Query query = parser.parse("text");
ScoreDoc[] hits = isearcher.search(query, null, 1000).scoreDocs;
assertEquals(1, hits.length);
for (int i = 0; i < hits.length; i++) {
    Document hitDoc = isearcher.doc(hits[i].doc);
    assertEquals("This is the text to be indexed.",hitDoc.get("fieldname"));
}

　　這裡，我們創建了一個查詢器，並設置其詞法分析器，以及查詢的“表名“為”fieldname“。查詢結果會返回一個集合，類似SQL的ResultSet，我們可以提取其中存儲的內容。

　　關於各種不同的查詢方式，可以參考官方手冊，或者推薦的PPT

　　第四步，關閉查詢器等。

ireader.close();
directory.close();

　　最後，博豬自己寫了個簡單的例子，可以對一個文件夾內的內容進行索引的創建，並根據關鍵字篩選文件，並讀取其中的內容。

創建索引：

/**
     * 創建當前文件目錄的索引
     * @param path 當前文件目錄
     * @return 是否成功
     */
    public static boolean createIndex(String path){
        Date date1 = new Date();
        List<File> fileList = getFileList(path);
        for (File file : fileList) {
            content = "";
            //獲取文件尾碼
            String type = file.getName().substring(file.getName().lastIndexOf(".")+1);
            if("txt".equalsIgnoreCase(type)){
                
                content += txt2String(file);
            
            }else if("doc".equalsIgnoreCase(type)){
            
                content += doc2String(file);
            
            }else if("xls".equalsIgnoreCase(type)){
                
                content += xls2String(file);
                
            }
            
            System.out.println("name :"+file.getName());
            System.out.println("path :"+file.getPath());
//            System.out.println("content :"+content);
            System.out.println();
            
            
            try{
                analyzer = new StandardAnalyzer(Version.LUCENE_CURRENT);
                directory = FSDirectory.open(new File(INDEX_DIR));
    
                File indexFile = new File(INDEX_DIR);
                if (!indexFile.exists()) {
                    indexFile.mkdirs();
                }
                IndexWriterConfig config = new IndexWriterConfig(Version.LUCENE_CURRENT, analyzer);
                indexWriter = new IndexWriter(directory, config);
                
                Document document = new Document();
                document.add(new TextField("filename", file.getName(), Store.YES));
                document.add(new TextField("content", content, Store.YES));
                document.add(new TextField("path", file.getPath(), Store.YES));
                indexWriter.addDocument(document);
                indexWriter.commit();
                closeWriter();
    
                
            }catch(Exception e){
                e.printStackTrace();
            }
            content = "";
        }
        Date date2 = new Date();
        System.out.println("創建索引-----耗時：" + (date2.getTime() - date1.getTime()) + "ms\n");
        return true;
    }

進行查詢：

/**
     * 查找索引，返回符合條件的文件
     * @param text 查找的字元串
     * @return 符合條件的文件List
     */
    public static void searchIndex(String text){
        Date date1 = new Date();
        try{
            directory = FSDirectory.open(new File(INDEX_DIR));
            analyzer = new StandardAnalyzer(Version.LUCENE_CURRENT);
            DirectoryReader ireader = DirectoryReader.open(directory);
            IndexSearcher isearcher = new IndexSearcher(ireader);
    
            QueryParser parser = new QueryParser(Version.LUCENE_CURRENT, "content", analyzer);
            Query query = parser.parse(text);
            
            ScoreDoc[] hits = isearcher.search(query, null, 1000).scoreDocs;
        
            for (int i = 0; i < hits.length; i++) {
                Document hitDoc = isearcher.doc(hits[i].doc);
                System.out.println("____________________________");
                System.out.println(hitDoc.get("filename"));
                System.out.println(hitDoc.get("content"));
                System.out.println(hitDoc.get("path"));
                System.out.println("____________________________");
            }
            ireader.close();
            directory.close();
        }catch(Exception e){
            e.printStackTrace();
        }
        Date date2 = new Date();
        System.out.println("查看索引-----耗時：" + (date2.getTime() - date1.getTime()) + "ms\n");
    }

全部代碼:

按 Ctrl+C 複製代碼按 Ctrl+C 複製代碼

運行結果：

　　所有包含man關鍵字的文件，都被篩選出來了。