Lunece介绍和简单实用
文章目录
- Lunece
- 什么是全文检索
- 数据分类
- 结构化数据查询方法
- 非结构化数据查询方法
- 如何实现全文检索
- Lunece实现全文索引的流程
- 索引和搜索的流程图
- 创建索引
- 获取原始文档
- 创建文档对象
- 分析文档
- 创建索引
- 查询索引
- 用户查询接口
- 创建查询
- 执行查询
- 渲染结果
- 测试案例——配置开发环境
- Lunece是开发全文检索功能的工具包,从官方网站上下载lunece-7.4.0,并解压
- 入门程序
- 需求:
- 创建索引
- 查询索引
- 分词器
- Lunece自带的中文分词器
- IKAnalyzer
- 索引库维护
- 索引库的添加
- Field域的属性
- 添加文档代码实现
- 索引库删除
- 删除全部
- 指定查询条件删除
- 索引库的修改
- Lunece索引库查询
- TermQuery
- 数值范围查询
- 使用queryParse查询
Lunece
全文检索技术
什么是全文检索
数据分类
数据总体分为两类:
- 结构化数据:指具有固定格式或有限长度的数据,如数据库,元数据等。
- 非机构化数据:指不定场或无固定格式的数据,入邮件,worf文档等磁盘上的文件
结构化数据查询方法
数据库搜索
数据库中的搜索很容易实现,通常都是使用SQL语句进行查询,而且能很快得得到结果。
为什么数据库搜索很容易?
因为数据库中的数据存储是有规律的,有行有列而且数据格式、数据长度都是固定的。
非结构化数据查询方法
- 顺序扫描法
所谓顺序扫描,比如要找内容包含某一个字符串的文件,就是一个文档一个文档的看,对于每一个文档,从头看到尾,如果此文档包含此字符串,则此文档为我们要找的文件,接着看下一个文件,直到扫米啊完所有的文件,如利用windows的搜索也可以搜索文件内容,只是相当的慢。
2.全文检索
将非结果化数据中的一部分信息提取出来,重新组织,使其变得有一定结构,然后对此有一定结构的数据进行搜索,从而达到搜索相对较快的目的。这部分从非结构化数据中提取出的然后重新组织的信息,我们称之索引。
这种先建立索引,再对苏音进行搜索的过程就叫全文索引。
虽然创建索引的过程也是非常耗时的,但是索引一旦创建就可以多次使用,全文检索主要处理的是查询,所以耗时间创建索引是值得的。
如何实现全文检索
可以使用Lunece实现全文检索。Lunece是apache下的一个开放源代码的全文检索引擎工具包。提供了完整的查询引擎和索引引擎,部分文本分析引擎。Lunece的目的是为软件开发人寰提供一个简单易用的工具包,以方便的在目标系统中实现全文检索的功能。
Lunece实现全文索引的流程
索引和搜索的流程图
1、绿色表示索引过程,对要搜索的原始内容进行索引构建一个索引口,索引过程包括:
确认原始内容即要搜索的内容采集文档、创建文档、分析文档、索引文档
2、红色表示搜索过程,从索引口中搜索内容,搜索过程包括:
用户通过搜索界面、创建查询、执行搜索,从索引口搜索渲染搜索结果
创建索引
对文档索引的过程,将用户要搜索的文档内容进行索引,索引存储在索引库中。
获取原始文档
原始文档是指要索引的搜索的内容。原始内容包括互联网上的网页,数据库中的数据,磁盘上的文件等。
从互联网上、数据库、文件系统中等获取需要搜索的原始信息,这个过程就是信息采集,信息采集的目的是为了对原始内容进行索引。
在Internet上采集信息的软件通常成为爬虫,也成为网络机器人,爬虫访问互联网上的每一个网页,获取到的网页内容存储起来。
此次,使用构造数据来模拟数据。
创建文档对象
获取原始内容的目的是为了索引,在索引前需要将原始内容创建成文档(Document)、文档中包括一个一个的域(Field),域中存储内容。
这里我们可以将磁盘上的一个文件当成一个document,Document中包括一些Field(file_name文件名称、file_path文件路径、file_size文件大小、file_content文件内容),如下:
注意:每个Document可以有多个Field,不同的Document可以有不同的Field,同一个Document可以有相同Field(域名和域值都相同)
每个文档都有一个唯一的编号,就是文档Id。
分析文档
将原始内容创建为包含域(Field)的文档(document),需要再对域中的内容进行分析,分析的过程是经过对原始文档提取单词、将字母转为小写、去除标点符号、去除停用词等过程最终的语汇单元,可以将语汇单元理解为一个一个的单词。
比如下边的文档经过分析如下:
原始文档内容:
Lunece is a Java full-text search rngine. Lunch is not a comlete application, but rather a code library and API that can easily be used to add search capabilities to applications.
分析后得到的语汇单元:
Lunece、Java、full、search、engine 。。。
每个单词叫做一个Term,不同的域中拆分出来的相同的单词是不同的term。term中包含两部分一部分是文档的路径,另一部分是单词的内容。
例如:文件名中包含apache和文件内容中包含apache是不同的term。
创建索引
对所有文档分析得出的语汇单元进行索引,索引的目的是为了搜索,最终要实现只搜索被索引的语汇单元从而找到Document(文档)
注意:创建索引是对语汇单词索引,通过词语找文档,这种索引的结构叫倒排索引结构。
传统方法是根据文件找到该文件内容,在文件内容中匹配搜索关键字,这种方法是顺序扫描方法,数据量大,搜索慢。
倒排索引结构也叫反向索引结构,包括索引和文档两部分,索引即词汇表,它的规模较小,而文档集合较大。
查询索引
查询索引也是搜索的过程,搜索就是用户输入关键字,从索引(index)中进行搜索的过程。根据关键字搜索索引,根据索引找到对应的文档,从而找到要搜索的内容。
用户查询接口
全文检索系统提供用户搜索界面供用户提交关键字,搜索完成展示搜索结果。
Lunece不提供制作用户搜索界面的功能,需要根据自己的需求开发搜索界面
创建查询
用户输入查询关键子执行搜索之前需要先构建一个查询对象,查询对象中可以指定要查询要搜索的Field文档域,查询关键字等,查询对象会生成具体的查询语法,
例如:
语法“filename:Lunece“表示要搜索Field域的内容为”Lunece“的文档
执行查询
搜索索引过程:
根据查询语法在倒排索引词典表中分别找出对应搜索的索引,从而找到索引所链接的文档列表。
比如搜索语法为“fileName:lunece”表示搜索出fileName域中包含Lunece的文档。
搜索过程就是在索引上查找域为filename,并且关键字为Lunece的term,并根据term找到文档id列表。
渲染结果
以一个友好的界面将查询结果展示给用户,用户根据搜索结果找到自己想要的信息,为了帮助用户很快找到自己的结果,提供了很多展示的效果,比如搜索结果中将关键字高亮显示,百度提供的酷爱等。
测试案例——配置开发环境
Lunece是开发全文检索功能的工具包,从官方网站上下载lunece-7.4.0,并解压
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-neafLoJH-1635609658982)(img/MyLunece/image-20201220195413939.png)]
官方网站:http://lucene.apache.org/
版本:lunece-7.4.0
jdk要求:1.8以上
或者使用maven
<!--核心包--><dependency><groupId>org.apache.lucene</groupId><artifactId>lucene-core</artifactId><version>5.3.1</version></dependency><!--一般分词器,适用于英文分词--><dependency><groupId>org.apache.lucene</groupId><artifactId>lucene-analyzers-common</artifactId><version>5.3.1</version></dependency><!--编码转换 --><!-- https://mvnrepository.com/artifact/commons-io/commons-io --><dependency><groupId>commons-io</groupId><artifactId>commons-io</artifactId><version>2.0</version></dependency>
入门程序
需求:
实现一个搜索功能,通过关键字搜索文件。
模拟数据:
// 模拟数据public static final List<Student> list =new ArrayList<Student>(Arrays.asList(new Student("1","张三",18,"北京市海淀区温泉镇","法外狂徒"),new Student("2","李四",19,"北京市海底区东升镇","唱、跳、rap"),new Student("3","王武",20,"北京市海淀区上庄镇","吸烟、喝酒、烫头"),new Student("4","王五",21,"北京市海淀区苏家坨镇","点烟、倒酒、给别人烫头"),new Student("5","麻六",18,"北京市海淀区西北旺镇","吃饭、喝酒"),new Student("6","酸菜",17,"统一老坛酸菜牛肉面","带着酸菜"),new Student("7","麻辣",10,"统一麻辣牛肉面","带着没有牛肉的牛肉面"),new Student("8","老母鸡",14,"康师傅老母鸡汤面","没有老母鸡的老母鸡面"),new Student("9","酱香",15,"酱香味小龙虾","88元一斤"),new Student("10","蒜蓉",19,"蒜蓉味小龙虾","100元一斤")));
创建索引
1、创建一个Java程序。
2、创建一个indexWriter对象。
指定索引库的存放位置Directory对象(FSDirectory.open 来获取)
指定一个IndexWriterConfig对象(IndexWriterConfig需要analyzer对象)。
3、创建document对象。
4、创建field对象,将field对象添加到document对象中。
5、使用indexWriter对象将document对象写入索引库,此过程进行索引创建,并将索引和docuemnt对象写入索引库
6、关闭indexWriter对象。
代码:
// 2、创建一个indexWriter对象。IndexWriter indexWriter=new IndexWriter(FSDirectory.open(Paths.get(CreateIndexes.path)),new IndexWriterConfig(new StandardAnalyzer()));
// 指定索引库的存放位置Directory对象
// 指定一个IndexWriterConfig对象(IndexWriterConfig需要analyzer对象)。
// 3、创建document对象。Document document=null ;
// 4、创建field对象,将field对象添加到document对象中。List<Student> list1 = CreateIndexes.list;for (Student stu : list1) {document= new Document();// Field 参数: 域的名称、域的内容、是否存储document.add(new TextField("id",stu.getId(), Field.Store.YES));document.add(new TextField("name",stu.getName(), Field.Store.YES));document.add(new TextField("address",stu.getAddress(), Field.Store.YES));document.add(new TextField("hobby",stu.getHobby(), Field.Store.YES));// 5、使用indexWriter对象将document对象写入索引库,此过程进行索引创建,并将索引和docuemnt对象写入索引库indexWriter.addDocument(document);}// 6、关闭indexWriter对象。indexWriter.close();
Field类 | 数据类型 | Analyzer是否分词 | indexed是否索引 | Stored是否存储 | 说明 |
---|---|---|---|---|---|
StringField(FieldName,FieldValue,Stor.YES) | 字符串 | N | Y | Y或者N | 这个Field用来构建一个字符串。不会分词,会整个存储 |
FloatPoint(FieldName,FieldValue) | Float型 | Y | Y | N | 构建一个Float数字类型Field,进行分词和索引,不存储,(价格) |
DoublePoint(FieldName,FieldValue) | Double型 | Y | Y | N | 构建一个Double数字类型Field,进行分词和索引,不存储,(价格) |
LongPoint(Field Name,FieldValue) | Long型 | Y | Y | N | 构建一个Double数字类型Field,进行分词和索引,不存储,(身份证号) |
IntPoint(FieldName,FieldValue) | Integer型 | Y | Y | N | 构建一个Int数字类型Field,进行分词和索引,不存储,(价格) |
StoredField(FieldName,FieldValue) | 重载方法,支持多种类型 | N | N | Y | 构建不同类型的Field,不分析,不索引,只存储 |
TextField(FieldName,FieldValue,Store.No)或TextField(FieldName,reader) | 字符串或流 | Y | Y | Y或者N | 如果是一个Reader,Lunece猜测内容比较多,会采用Unstored的策略 |
查询索引
1、实现
- 创建一个Directory对象,也就是索引库存的位置。
- 创建一个IndexReader对象,需要指定Directory对象。
- 创建一个indexSearcher对象,需要指定IndexReader对象。
- 创建一个TermQuery对象,指定查询的域和查询的关键词。
- 执行查询
- 返回查询结果,遍历查询结果并输出
- 关闭indexReader对象
代码
/*** 搜索索引*/@Testpublic void search() throws IOException, ParseException {
// * 创建一个Directory对象,也就是索引库存的位置。Directory directory =FSDirectory.open(Paths.get(CreateIndexes.path));
// * 创建一个IndexReader对象,需要指定Directory对象。IndexReader indexReader=DirectoryReader.open(directory);
// * 创建一个indexSearcher对象,需要指定IndexReader对象。IndexSearcher indexSearcher =new IndexSearcher(indexReader);
// * 创建一个TermQuery对象,指定查询的域和查询的关键词。Query query = new TermQuery(new Term("name","张"));
// * 执行查询TopDocs topDocs = indexSearcher.search(query, 10);System.out.println("查询结果的总条数:"+topDocs.totalHits);
// * 返回查询结果,遍历查询结果并输出for(ScoreDoc scoreDoc:topDocs.scoreDocs){//scoreDoc.doc属性就是document对象的id//根据document的id找到document对象Document document = indexSearcher.doc(scoreDoc.doc);System.out.println(document.get("id"));//System.out.println(document.get("content"));System.out.println(document.get("name"));System.out.println(document.get("address"));System.out.println(document.get("hobby"));System.out.println("-------------------------");}
// * 关闭indexReader对象indexReader.close();}
分词器
Lunece自带的中文分词器
StanderAnalyzer
单字分词:就是按照中文一个字一个字地进行分词。如:“我爱中国”
效果:“我”、“爱“、”中“、”国”
SmartChineseAnalzer
对中文支持较好,但是扩展性差,扩展词库,禁用词库和同义词库等不好处理。
IKAnalyzer
使用方法:
1、添加相应的jar或者pom引用
2、把配置文件和扩展词典和停用词词典添加到classpath下:
注意:hotword.dic和ext——stopword.dic文件格式为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
@Test
public void addDocument() throws Exception {//索引库存放路径Directory directory = FSDirectory.open(new File("D:\\temp\\index").toPath());IndexWriterConfig config = new IndexWriterConfig(new IKAnalyzer());//创建一个indexwriter对象IndexWriter indexWriter = new IndexWriter(directory, config);// .......
}
索引库维护
索引库的添加
Field域的属性
是否分析: 是否对域的内容进行分词处理。前提是我们要对域的内容进行查询
**是否索引:**将Field分析后的词或整个Field值进行索引,只有索引方可搜到。
比如:商品名称、商品简介分析后进行索引,订单号、身份证号不用分析但也要索引,这些将来都要作为查询条件。
**是否存储:**将Field值存储在文档中,存储在文档中的Field才可以从Document中获取。
比如:商品名称、订单号,凡是将来要从Document中获取的Field都要存储。
是否存储的标准:是否要将内容展示给用户
添加文档代码实现
/*** 添加索引*/@Testpublic void addIndexes() throws Exception{// 创建索引库Directory directory =FSDirectory.open(Paths.get(CreateIndexes.path));// 创建IndexWriterConfig 创建标准分词器IndexWriterConfig indexWriterConfig=new IndexWriterConfig(new StandardAnalyzer());// 创建IndexWriterIndexWriter indexWriter=new IndexWriter(directory,indexWriterConfig);// 创建Document文档Document document=new Document();// 创建Field 域Field field=new TextField("name","周一", Field.Store.YES);document.add(field);indexWriter.addDocument(document);// 关闭IndexWriterindexWriter.close();}
索引库删除
删除全部
/*** 删除索引库*/@Testpublic void deleteAllIndexes() throws IOException {IndexWriter indexWriter = new IndexWriter(FSDirectory.open(Paths.get(CreateIndexes.path)),new IndexWriterConfig(new StandardAnalyzer()));//删除全部索引indexWriter.deleteAll();//关闭indexwriterindexWriter.close();}
说明:将索引目录的索引信息全部删除,直接彻底删除,无法回复。
此方法慎用!!!
指定查询条件删除
/*** 根据指定条件删除索引库*/@Testpublic void delete() throws IOException {// 创建索引库IndexWriter indexWriter=new IndexWriter(FSDirectory.open(Paths.get(CreateIndexes.path)),new IndexWriterConfig(new StandardAnalyzer()));// 创建条件indexWriter.deleteDocuments(new TermQuery(new Term("name","张三")));// 关闭IndexwriterindexWriter.close();}
索引库的修改
/*** 索引库的修改*/public void updateIndexes()throws IOException {// 创建索引库IndexWriter indexWriter=new IndexWriter(FSDirectory.open(Paths.get(CreateIndexes.path)),new IndexWriterConfig(new StandardAnalyzer()));// 创建Document 文档Document document =new Document();// 创建Field 域// 不同的document可以有不同的域,同一个document可以有相同的域document.add(new TextField("filename", "要更新的文档", Field.Store.YES));indexWriter.updateDocument(new Term("name","张三"),document);// 关闭indexWriterindexWriter.close();}
Lunece索引库查询
对要搜索的信息创建Query查询对象,Lunece会根据Query查询对象生成最终的查询语法,类似关系数据库Sql语法一样Lunece也有自己的查询语法,比如:“name:Lunece”表示查询Field的name为“lunece“的文档信息。
可以通过两种方法创建查询对象:
- 使用Lunece提供Query子类
- 使用QueryParse解析查询表达式
TermQuery
TermQuery,通过项查询,TermQuery不使用分析器所以建议匹配不分词的Field域查询,比如订单号,分类ID号等,
只要要查询的域和要查询的关键词
/*** 搜索索引*/@Testpublic void search() throws IOException, ParseException {// * 创建一个Directory对象,也就是索引库存的位置。Directory directory =FSDirectory.open(Paths.get(CreateIndexes.path));
// * 创建一个IndexReader对象,需要指定Directory对象。IndexReader indexReader=DirectoryReader.open(directory);
// * 创建一个indexSearcher对象,需要指定IndexReader对象。IndexSearcher indexSearcher =new IndexSearcher(indexReader);
// * 创建一个TermQuery对象,指定查询的域和查询的关键词。Query query = new TermQuery(new Term("name","张"));
// * 执行查询TopDocs topDocs = indexSearcher.search(query, 10);System.out.println("查询结果的总条数:"+topDocs.totalHits);
// * 返回查询结果,遍历查询结果并输出for(ScoreDoc scoreDoc:topDocs.scoreDocs){//scoreDoc.doc属性就是document对象的id//根据document的id找到document对象Document document = indexSearcher.doc(scoreDoc.doc);System.out.println(document.get("id"));//System.out.println(document.get("content"));System.out.println(document.get("name"));System.out.println(document.get("address"));System.out.println(document.get("hobby"));System.out.println("-------------------------");}
// * 关闭indexReader对象indexReader.close();}
数值范围查询
@Test
public void testRangeQuery() throws Exception {IndexSearcher indexSearcher = getIndexSearcher();Query query = LongPoint.newRangeQuery("size", 0l, 10000l);printResult(query, indexSearcher);
}
使用queryParse查询
通过QueryParser也可以创建Query,Qu而已P阿瑟人提供一个Parser方法,此方法可以直接根据查询语法来查询,Query对象执行的查询语法可通过System.out.println(query);查询。
需要使用到分析器,建议创建索引时使用的分析器和查询索引时使用的分析器要一致。
/*** 使用QueryParser*/@Testpublic void queryParser() throws Exception{// 创建查询QueryParser queryParser=new QueryParser("name",new IKAnalyzer());Query query= queryParser.parse("张三");IndexSearcher indexSearcher=new IndexSearcher(DirectoryReader.open(FSDirectory.open(Paths.get(CreateIndexes.path))));TopDocs topDocs = indexSearcher.search(query, 10);//共查询到的document个数System.out.println("查询结果总数量:" + topDocs.totalHits);//遍历查询结果for (ScoreDoc scoreDoc : topDocs.scoreDocs) {Document document = indexSearcher.doc(scoreDoc.doc);System.out.println(document.get("filename"));//System.out.println(document.get("content"));System.out.println(document.get("path"));System.out.println(document.get("size"));}//关闭indexreaderindexSearcher.getIndexReader().close();}
Lunece介绍和简单实用相关推荐
- 介绍一些简单实用的Python小tricks
关注上方"深度学习技术前沿",选择"星标公众号", 资源干货,第一时间送达! Python 是机器学习最广泛采用的编程语言,它最重要的优势在于编程的易用性.如果 ...
- SDL介绍和简单实用
http://www.libsdl.org/download-2.0.php https://blog.csdn.net/liujiayu2/article/details/80691504
- php注入类,简单实用的PHP防注入类实例
这篇文章主要介绍了简单实用的PHP防注入类实例,以两个简单的防注入类为例介绍了PHP防注入的原理与技巧,对网站安全建设来说非常具有实用价值,需要的朋友可以参考下 本文实例讲述了简单实用的PHP防注入类 ...
- 简单实用的jQuery分页插件twbs-pagination
在Web开发中,表格是一个很好展示数据的组件.当数据量大了,分页就不可避免了.分页不仅可以提高读取数据的性能,而且也会让用户体验更好.在前面PHP程序员雷雪松给大家介绍了Bootstrap Table ...
- html美化select样式,select样式美化(简单实用)
美化select,可以实用一个a标签将select嵌套进去,然后将相对定位,在将select绝对定位,美化即可 .sel_mask{ /*将相对定位*/ position:relative; widt ...
- 虹科分享 | 简单实用的CANopen介绍,看完你就明白了(2)——CANopen框架与七种服务类型
目前,CANopen通讯协议已经在工业领域得到了广泛的使用,由于其面向对象的设计思路,CANopen协议已成为欧洲等国家的自动化公司标配的通讯接口之一.在本系列文章中,我们将介绍CANopen协议的基 ...
- 一个简单实用的,基于EF的三层架构
到底什么样的框架才是好框架呢?或许不同人有不同的看法.我个人觉一个好的框架,最重要的要是简单实用,能快速适开发,可维护性高(不会出现复制黏贴的代码),并能快速响应各种业务场景的变化的框架,同时性能不会 ...
- 分享几个用 Python 给图片添加水印的方法,简单实用
作者 |俊欣 来源 |关于数据分析与可视化 今天来分享几种可以给图片添加水印的方法,都是十分的简单实用,大家在看了之后也可以私底下去自己试试,有些方法需要的代码量就比较少,有些方法需要的代码量就稍微多 ...
- 曲线聚类_机器学习入门必读:6种简单实用算法及学习曲线、思维导图
来源:大数据DT 本文约3500字,建议阅读7分钟 本文为你介绍掌握机器领域知识的学习曲线.技术栈以及常用框架. [ 导读 ] 大部分的机器学习算法主要用来解决两类问题--分类问题和回归问题.在本文当 ...
最新文章
- 密码6-12位数字和字母组成
- 可以买的一本书:3D计算机图形学(原书第3版)
- 计算机类自主招生推荐信,自主招生推荐信范文:中国人民大学自主招生推荐信...
- js学习小计6-慎用return false;
- 哈希表(hash table)及其应用举例
- Spring JDBC 框架中, 绑定 SQL 参数的另一种选择:具名参数(named parameter)
- 使用MSHTML解析HTML页面
- Linux查看IP地址命令
- 女明星对比潮人HOLD姐的妖艳妆容
- 古文字识别助手与众包平台——项目博客五
- 简单实用,聊聊我常用的 4 款 Pandas 自动数据分析神器
- mysql 把表名改成大写_mysql将表名改成大写的实例
- linux上redis升级(将 Redis 3.0.7 升级到 5.0.0版本)
- Linux内核中断系统结构——软中断
- 如何将xlsx表格文件转换成txt文件?
- 对自己的些许期盼!!!
- 灰色关联分析模型(C++代码)
- 致远SPM解决方案之合同管理
- C++ c++11(上)
- SiamFC响应图热力图绘制
热门文章
- An exceptionCaught() event was fired, and it reached at the tail of the pipeline.
- 异常处理(六)--------SpringBoot+Maven项目运行异常:Unable to find a single main class from the following candidat
- 如何高效进行无人机动力测试-电池效率
- 视觉数据集是基于物体和风景标记的巨大的图像库
- Java岗大厂面试百日冲刺 - 日积月累,每日三题【Day5】 —— 基础篇2
- android图片点击全屏显示,Android浏览图片,点击放大至全屏效果
- VS 无法启动程序(系统找不到指定路径)的解决方法
- 2345加速浏览器有哪些特点
- 论文笔记-Understanding Convolution for Semantic Segmentation
- 简单的购物卡管理系统 可开源