Lucene全文检索学习笔记

全文索引 介绍Lucene的作者：Lucene的贡献者Doug Cutting是 一位资深全文索引/检索专家，曾经是V-Twin搜索引擎(Apple的Copland操作系统的成就之一)的主要开发者，后在Excite担任高级系统架构设计师，目前从事于一些INTERNET底层架构的研究。他贡献出的Lucene的目标是为各种中小型应用程序加入全文检索功能。原理lucene的检索算法属于索引检索，即用空间来换取时间，对需要检索的文件、字符流进行全文索引，在检索的时候对索引进行快速的检索，得到检索位置，这个位置记录检索词出现的文件路径或者某个关键词。

在使用数据库的项目中，不使用数据库进行检索的原因主要是：数据库在非精确查询的时候使用查询语言“like %keyword%”，对数据库进行查询是对所有记录遍历，并对字段进行“%keyword%”匹配，在数据库的数据庞大以及某个字段存储的数据量庞大的时候，这种遍历是致命的，它需要对所有的记录进行匹配查询。因此，lucene主要适用于文档集的全文检索，以及海量数据库的模糊检索，特别是对数据库的xml或者大数据的字符类型。

一、 搭建环境

a) 导包：

IKAnalyzer3.2.0Stable.jar //中文分词器

lucene-analyzers-3.0.1.jar //英文分词器

lucene-core-3.0.1.jar //核心包

lucene-highlighter-3.0.1.jar //关键字高亮显示

lucene-memory-3.0.1.jar //缓存机制

二、 建立索引

a) 步骤：

创建索引的javaBean类文件，如Article.java

创建全文检索库，Directory directory = FSDirectory.open(new File("./indexDir"));

创建分词器，Analyzer analyzer = new StandardAnalyzer(Version.LUCENE_30);//在这里使用的是Lucene自带的分词器，也可以使用上面的IKAnalyzer中文分词

创建IndexWriter对象，IndexWriter indexWriter = new IndexWriter(directory, analyzer, MaxFieldLength.UNLIMITED);

创建Document对象，Document document = new Document();

将Article对象转换为Document对象，Field idField = new Field("id", article.getId().toString(), Store.YES, Index.NOT_ANALYZED);

将Field添加到Document中，document.add(idField);

将Document对象写入到索引库中，indexWriter.addDocument(document);

最后，切记关闭IndexWriter对象，否则会产生一个锁文件，导致下面无法执行。indexWriter.close();

三、 如何删除索引

a) 步骤：

lucene提供了两种从索引中删除document的方法，一种是void deleteDocument(int docNum)这种方法是根据document在索引中的编号来删除，每个document加进索引后都会有个唯一编号，所以根据编号删除是一种精确删除，但是这个编号是索引的内部结构，一般我们不会知道某个文件的编号到底是几，所以用处不大。另一种是void deleteDocuments(Term term)这种方法实际上是首先根据参数term执行一个搜索操作，然后把搜索到的结果批量删除了。我们可以通过这个方法提供一个严格的查询条件，达到删除指定document的目的。 下面给出一个例子：

Directory dir = FSDirectory.getDirectory(PATH, false);

IndexReader reader = IndexReader.open(dir);

Term term = new Term(field, key);

reader.deleteDocuments(term);

reader.close();

四、
更新索引

a) 步骤：

lucene并没有提供专门的索引更新方法，我们需要先将相应的document删除，然后再将新的document加入索引。例如：

Directory dir = FSDirectory.getDirectory(PATH, false);

IndexReader reader = IndexReader.open(dir);

Term term = new Term(“title”, “lucene introduction”);

reader.deleteDocuments(term);

reader.close();

IndexWriter writer = new IndexWriter(dir, new StandardAnalyzer(), true);

Document doc = new Document();

doc.add(new Field("title", "lucene introduction",
Field.Store.YES, Field.Index.TOKENIZED));

doc.add(new Field("content", "lucene is funny",
Field.Store.YES, Field.Index.TOKENIZED));

writer.addDocument(doc);

writer.optimize();

writer.close();

五、 根据关键字进行搜索

a) 步骤：

创建全文检索库，Directory directory =
FSDirectory.open(new File("./indexDir"));

创建IndexSearcher对象，IndexSearcher indexSearcher = new
IndexSearcher(directory);

创建分词器，Analyzer analyzer = new
StandardAnalyzer(Version.LUCENE_30);//在这里使用的是Lucene自带的分词器，也可以使用上面的IKAnalyzer中文分词

创建QueryParser对象，QueryParser queryParser = new
QueryParser(Version.LUCENE_30, "title", analyzer);

创建Query对象，Query
query = queryParser.parse("lucene");//lucene为关键词

获取查询对象：
TopDocs topDocs =
indexSearcher.search(query, 10);

int count =
topDocs.totalHits;// 总的记录数

ScoreDoc[] scoreDocs =
topDocs.scoreDocs;

For循环遍历scoreDocs数组，将查询出来的每一个Document对象转换为Article对象，并装进List集合中。

关闭IndexSearcher对象

六、 分页处理

a) 步骤：

通过两个参数来实现Lucene的分页处理，一个是：开始的记录，二是：每页显示的记录条数。

在Lucene中每次查询都是全部检索，所以可以通过这个方法获取总记录数，然后用每页显示的条件将其进行分开。int count = topDocs.totalHits;// 总的记录数

如：每页显示5条，索引从0开始，现在要查询第二页，那就是从第5开始到第9条数据。具体写法：

for (int i = startResult; i < len; i++) {}

七、 高亮显示

a) 步骤：

在进行了查询以后，开始配置高亮器TopDocs topDocs =
indexSearcher.search(query, 25);

在关键字的前后加前缀和后缀，用于使关键词变色Formatter formatter = new
SimpleHTMLFormatter("<font
color='red'>","</font>");

封装了关键字Scorer scorer = new QueryScorer(query);

Highlighter highlighter =
new Highlighter(formatter,scorer); //摘要

Fragmenter fragmenter =
new SimpleFragmenter(5);

highlighter.setTextFragmenter(fragmenter);

在循环scoreDocs中为关键字进行高亮String text = highlighter.getBestFragment(LuceneUtils.analyzer,
"title",document.get("title"));

如果高亮完成则会返回高亮后的字符串，如果不成功则会返回Null

八、 Lucene优化

介绍：

Lucene 会为每一次addDocument(document) 是在索引库目录下新增一个文件".cfs"后缀的文件。这意味我们的程序将便对越来越多的文件(但是默认情况下，最多也不会超过10个，当文件达到10个的时候，lucene 会将它们合并为一个大的文件)。意味着 IO 流的打开和关闭也将越来越多。这对效率的影响是比较大的。

方式是调用 IndexWriter 的 IndexWriter.optimize() 或 indexWriter.setMergeFactor(int)，IndexWriter.optimize() 被调用后，lucene 会立即将索引库目录下所有 ".cfs" 后缀的文件合并为一个大的文件。但是它的数据是不会改变的。indexWriter.setMergeFactor(int) 接收一个整型参数表示当 ".cfs" 文件达到多少数量时就自动合并。

a) 具体信息：

调用commit方法，会生成一个.cfs文件，调用一次生成一个。

单独调用optimize()方法，会额外生成一个合并了多个.cfs文件的大.cfs文件，此时如果不close()，则索引文件大小翻倍。单独close()方法无效。

添加文档后，手动GC一次，内存释放快。

设置合并因子，根据.cfs文件个数合并。

添加一次document则消耗一定内存，然后释放，内存回升。

不进行提交操作，内存逐渐增长，若进行提交且内存占用多，则一次性回升大，然后降低至最低。

暂时未发现改变内存缓冲大小setRAMBufferSizeMB对索引性能的影响。

如果合并索引文件，则剩余的碎片会在commit或者是close之后自动删除。

合并式的索引效率没有提交式的索引效率高。

加载索引，首先读入段信息，然后看一下有几个段：如果只有一个，那么可能是优化过的，直接读取这一个段就可以；否则需要一次读入各个段，然后再拼成一个MultiReader。

增强索引的实时性，利用内存索引存放document一段时间，然后写入磁盘索引。搜索的时候提供内存跟磁盘索引多级目录。合并的时候，需要创建第三个索引，用于存放新增加的document，搜索时需要遍历这三个索引。

分布式的处理， 需要将相应的类，按照同样的路径打包，否则出现问题。

分布式的注册类，实现UnicastRemoteObject类后就不需要专门生成RMI类。

采用多线程，对每一个线程都有一个对应的文档集处理对象，因此可以并行的进行索引，虽然对文档的处理过程可以并行，但是将文档写入索引文件却必须串行进行。

setMergeFactor设置lucene的合并参数，可以由setMaxMergeDocs来控制一个.cfs文件里面的document个数，如果超过了，则合并因子失效了。

所谓的优化就是对整个目录内未合并的segment进行的合并。同设置合并因子之后的合并。