Lucene索引概述

╰+哭是因爲堅強的太久メ 2022-06-14 05:29 195阅读 0赞

# Lucene索引概述 #

## lucene ##

Lucene是apache旗下的顶级项目,是一个全文检索工具包

Lucene就是一个可以创建全文检索引擎系统的一堆jar包.可以使用它来构建全文检索引擎系统,但是它不能独立运，内部使用了倒排索引算法

### 全文检索算法(倒排索引算法): ###

将文件中的内容提取出来, 将文字拆封成一个一个的词(分词),  
将这些词组成索引(字典中的目录),  
搜索的时候先搜索索引,通过索引找文档,这个过程就叫做全文检索.

**分词**: 去掉停用词(a, an, the ,的, 地, 得, 啊, 嗯  
,呵呵),因为搜索的时候搜索这些词没有意义,将句子拆分成词,去掉标点符号和空格

**优点**: 搜索速度快

**缺点:**  
因为创建的索引需要占用磁盘空间,所以这个算法会使用掉更多的磁盘空间,这是用空间换时间。

## 原理: ##

相当于字典,分为目录和正文两部分,查询的时候通过先查目录,然后通过目录上标注的页数去正文页查找需要的内容

# Lucene结构 #

**比方说我需要为这些文件建立索引**

--------------------

![这里写图片描述][SouthEast]

--------------------

**那么可以建立如下的索引存储结构**  
![这里写图片描述][SouthEast 1]

## 索引（index）: ##

域名:词 这样的形式,

它里面有指针执行这个词来源的文档

索引库: 放索引的文件夹(这个文件夹可以自己随意创建,在里面放索引就是索引库)

Term词元: 就是一个词, 是lucene中词的最小单位

## 文档（Document）: ##

Document对象,一个Document中可以有多个Field域对象,Field域对象中是key  
value键值对的形式:有域名和域值,

一个document就是数据库表中的一条记录, 一个Filed域对象就是数据库表中的一行一列

这是一个通用的存储结构.

创建索引和所有时所用的分词器必须一致

## 域（Field） ##

是否分词:

分词的作用是为了索引

需要分词: 文件名称, 文件内容

不需要分词: 不需要索引的域不需要分词,还有就是分词后无意义的域不需要分词

比如: id, 身份证号

是否索引:

索引的的目的是为了搜索.

需要搜索的域就一定要创建索引,只有创建了索引才能被搜索出来

不需要搜索的域可以不创建索引

需要索引: 文件名称, 文件内容, id, 身份证号等

不需要索引: 比如图片地址不需要创建索引, e:\\\\xxx.jpg

因为根据图片地址搜索无意义

是否存储:

存储的目的是为了显示.

是否存储看个人需要,存储就是将内容放入Document文档对象中保存出来,会额外占用磁盘空间,  
如果搜索的时候需要马上显示出来可以放入document中也就是要存储,这样查询显示速度快,  
如果不是马上立刻需要显示出来,则不需要存储,因为额外占用磁盘空间不划算.

## 域的各种类型 ##

<table> 
 <thead> 
  <tr> 
   <th>Field类</th> 
   <th>数据类型</th> 
   <th>Analyzed 是否分析</th> 
   <th>Indexed 是否索引</th> 
   <th>Stored 是否存储</th> 
   <th>说明</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>StringField(FieldName, FieldValue,Store.YES))</td> 
   <td>字符串</td> 
   <td>N</td> 
   <td>Y</td> 
   <td>Y或N</td> 
   <td>这个Field用来构建一个字符串Field，但是不会进行分析，会将整个串存储在索引中，比如(订单号,姓名等) 是否存储在文档中用Store.YES或Store.NO决定</td> 
  </tr> 
  <tr> 
   <td>LongField(FieldName, FieldValue,Store.YES)</td> 
   <td>Long型</td> 
   <td>Y</td> 
   <td>Y</td> 
   <td>Y或N</td> 
   <td>这个Field用来构建一个Long数字型Field，进行分析和索引，比如(价格) 是否存储在文档中用Store.YES或Store.NO决定</td> 
  </tr> 
  <tr> 
   <td>StoredField(FieldName, FieldValue)</td> 
   <td>重载方法，支持多种类型</td> 
   <td>N</td> 
   <td>N</td> 
   <td>Y</td> 
   <td>这个Field用来构建不同类型Field 不分析，不索引，但要Field存储在文档中</td> 
  </tr> 
  <tr> 
   <td>TextField(FieldName, FieldValue, Store.NO) 或 TextField(FieldName, reader)</td> 
   <td>字符串 或 流</td> 
   <td>Y</td> 
   <td>Y</td> 
   <td>Y或N</td> 
   <td>如果是一个Reader, lucene猜测内容比较多,会采用Unstored的策略.</td> 
  </tr> 
 </tbody> 
</table>

## 给出示例代码 ##

首先需要引入以下包：  
![这里写图片描述][SouthEast 2]

package com.guxiang.lucence;
    
    import org.apache.commons.io.FileUtils;
    import org.apache.lucene.analysis.Analyzer;
    import org.apache.lucene.analysis.standard.StandardAnalyzer;
    import org.apache.lucene.document.Document;
    import org.apache.lucene.document.Field;
    import org.apache.lucene.document.LongField;
    import org.apache.lucene.document.TextField;
    import org.apache.lucene.index.IndexWriter;
    import org.apache.lucene.index.IndexWriterConfig;
    import org.apache.lucene.index.Term;
    import org.apache.lucene.store.Directory;
    import org.apache.lucene.store.FSDirectory;
    import org.apache.lucene.util.Version;
    import org.testng.annotations.Test;
    import org.wltea.analyzer.lucene.IKAnalyzer;
    
    
    import java.io.File;
    import java.io.IOException;
    import java.util.ArrayList;
    
    
    /** * IndexManagerTest * * @author guxiang * @date 2017/6/8 */
    public class IndexManagerTest { 
    
        @Test
        public void testIndexCreate() throws IOException {
            //采集文件中的文档数据 放入lucene中
            ArrayList<Document> docList = new ArrayList<>();
    
    
            //指定文件夹
            File dir = new File("D:\\serversoftware\\JarAndSourceFile\\searchsource");
            //循环取出文件
            for (File file : dir.listFiles()) {
                //文件名称
                String fileName = file.getName();
                //文件内容
                String fileContext = FileUtils.readFileToString(file);
                //文件大小
                Long fileSize = FileUtils.sizeOf(file);
    
                Document document = new Document();
    
                //第一个参数:域名
                //第二个参数:域值
                //第三个参数:是否存储,是为yes,不存储为no
                TextField nameFiled = new TextField("fileName", fileName, Field.Store.YES);
                TextField contextFiled = new TextField("fileContext", fileContext, Field.Store.YES);
                TextField sizeFiled = new TextField("fileSize", fileSize.toString(), Field.Store.YES);
    
    
    
                //将所有的域都存放进入文档
                document.add(nameFiled);
                document.add(contextFiled);
                document.add(sizeFiled);
    
                docList.add(document);
            }
    
    
            //创建分词器,StandardAnalyzer标准分词器,标准分词器对英文分词效果很好,对中文是单字分词
            Analyzer analyzer = new IKAnalyzer();
    
            //指定索引和文档存储的目录
            Directory directory = FSDirectory.open(new File("E:\\dic"));
            IndexWriterConfig indexWriterConfig = new IndexWriterConfig(Version.LUCENE_4_10_3, analyzer);
    
            //创建写对象的初始化对象
            IndexWriterConfig config = new IndexWriterConfig(Version.LUCENE_4_10_3, analyzer);
            //创建索引和文档写对象
            IndexWriter indexWriter = new IndexWriter(directory, config);
    
            //将文档加入到索引和文档的写对象中
            for(Document doc : docList){
                indexWriter.addDocument(doc);
            }
            //提交
            indexWriter.commit();
            //关闭流
            indexWriter.close();
    
        }
    }

[SouthEast]: /images/20220614/a5e1fcbec3ff451bb57cdd77d1254e4d.png
[SouthEast 1]: /images/20220614/6cf23bb098894115a8de92efb4ab0657.png
[SouthEast 2]: /images/20220614/d65578a122124679b8fb972afc332780.png