Lucene简介

Lucene是Apache基金会下的一个开源项目，提供能够实现全文索引和检索的Java API。Lucene包含索引引擎和检索引擎两部分。对于包含多个字段（Field）的文档（Document），可以通过Lucene的索引引擎对文档字段中的文本内容进行分词处理，构建关键字索引。当索引构建完成后，可以通过Lucene的检索引擎对特定字段进行基于关键字的查询。Lucene支持多种查询方式，包括模糊检索、分组查询等。对于查询结果，Lucene使用基于向量空间模型的排名算法计算得出查询结果的排名。

1.1 倒排索引

倒排索引（Inverted Index）是一种索引数据结构。在倒排索引中，词语被映射到包含该词语的文档。通过使用倒排索引，可以实现快速的全文搜索。一个简单的倒排索引及其构建过程如图1.1所示，其中文档d1和d2的内容分别是“home sales rise in July”和“increase in home sales in July”。

对于文档d1和d2，首先进行分词处理，将文本内容划分为词语集。因为在英文文本中，单词之间均有空格，所以使用空格作为分隔符进行分词处理，得到词语集，如图1.1中左侧一列。对于划分后的词语集，进行统计，统计词语及其出现的次数和位置，如图1.1中右侧一列，构成倒排索引。





图1.1 倒排索引及其构建过程

1.2 Lucene工作原理





Lucene中包含了以下6个核心包：

1）org.apache.lucene.document包，包含了用于表示文档及其内容的类，如表示文档的Document类，表示文档中字段的Field类。

2）org.apache.lucene.index包，包含了用于构建、读取索引的类。

3）org.apache.lucene.analysis包，包含了用于对文档中的自然语言文本进行分词处理的类。

4）org.apache.lucene.store包，包含了用于存储索引的类。

5）org.apache.lucene.search包，包含了用于查询索引的类。

6）org.apache.lucene.queryParser包，包含了用于构建、解析查询条件的类。

在Lucene的倒排索引中，包含字段（Field）、文档（Document）、关键字（Term）这三个部分。每一个关键字均与一个集合相映射。集合中的每一个元素为一个二元组（Document，Field），表示该文档的该字段包含此关键字。Lucene的工作原理如图所示，主要分为以下6个步骤：

1）为每一个待检索的文件构建Document类对象，将文件中各部分内容作为Field类对象。

2）使用Analyzer类实现对文档中的自然语言文本进行分词处理，并使用IndexWriter类构建索引。

3）使用FSDirectory类设定索引存储的方式和位置，实现索引的存储。

4）使用IndexReader类读取索引。

5）使用Term类表示用户所查找的关键字以及关键字所在的字段，使用QueryParser类表示用户的查询条件。

6）使用IndexSearcher类检索索引，返回符合查询条件的Document类对象。



1.2 Lucene应用示例

package com.wt.testlucene.main;

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

import org.apache.lucene.analysis.standard.StandardAnalyzer;
import org.apache.lucene.document.Document;
import org.apache.lucene.document.Field;
import org.apache.lucene.index.CorruptIndexException;
import org.apache.lucene.index.IndexWriter;
import org.apache.lucene.index.IndexWriter.MaxFieldLength;
import org.apache.lucene.queryParser.ParseException;
import org.apache.lucene.queryParser.QueryParser;
import org.apache.lucene.search.IndexSearcher;
import org.apache.lucene.search.Query;
import org.apache.lucene.search.ScoreDoc;
import org.apache.lucene.search.TopDocs;
import org.apache.lucene.store.FSDirectory;
import org.apache.lucene.store.LockObtainFailedException;
import org.apache.lucene.util.Version;

public class TestLucene {

private static final String indexDir = "J:\\tempIndex";
private static final String dataDir = "J:\\tempData";

public static void main(String[] args) throws CorruptIndexException,
LockObtainFailedException, IOException, ParseException {
/******************* 写入索引 *******************/
// IndexWriter用于写入索引
// FSDirectory表示索引存储于磁盘
// StandardAnalyzer表示采用标准的词法分析器进行分词处理
IndexWriter indexWriter = new IndexWriter(FSDirectory.open(new File(
indexDir)), new StandardAnalyzer(Version.LUCENE_CURRENT), true,
MaxFieldLength.UNLIMITED);
indexWriter.setUseCompoundFile(false);

File[] files = new File(dataDir).listFiles();
for (int i = 0; i < files.length; i++) {
// Document表示索引中的文档
Document document = new Document();
// Field表示文档中的域，对于域有不同的处理方法
// Field.Store用于设置存储属性
// YES:存储
// NO :不存储
// Field.Index用于设置存储属性
// NO :不索引
// ANALYZED :索引且保存NORMS信息
// ANALYZED_NO_NORMS :索引但不保存NORMS信息
// NOT_ANALYZED :不索引但保存NORMS信息
// NOT_ANALYZED_NO_NORMS:不索引且不保存NORMS信息
// 存储name的域保存、索引但不分词
document.add(new Field("name", files[i].getName(), Field.Store.YES,
Field.Index.NOT_ANALYZED));
// 存储content的域保存、索引且分词
document.add(new Field("content", new FileReader(files[i])));
// 存储path的域保存、不索引
document.add(new Field("path", files[i].getAbsolutePath(),
Field.Store.YES, Field.Index.NO));
// 加入文档
indexWriter.addDocument(document);
}
// 优化
indexWriter.optimize();
// 提交
indexWriter.commit();
// 关闭
indexWriter.close();

/******************* 查询索引 *******************/
// IndexSearcher用于查询索引
IndexSearcher indexSearcher = new IndexSearcher(FSDirectory
.open(new File(indexDir)));
String queryString = "TEST";
// QueryParser用于解析查询语句生成相应的查询
QueryParser parser = new QueryParser(Version.LUCENE_CURRENT, "content",
new StandardAnalyzer(Version.LUCENE_CURRENT));
Query query = parser.parse(queryString);
// 返回最符合查询条件的前10个结果
TopDocs topDocs = indexSearcher.search(query, 10);
ScoreDoc[] list = topDocs.scoreDocs;
for (int i = 0; i < list.length; i++) {
ScoreDoc scoreDoc = list[i];
Document document = indexSearcher.doc(scoreDoc.doc);
// 输出文件序号、得分和名称
System.out.println(scoreDoc.doc + "\t" + scoreDoc.score + "\t"
+ document.get("name"));
}
indexSearcher.close();
}
}