全文检索技术Lucene入门和学习、与数据库数据结合的demo实现

首先，要非常感谢博客园的 “觉先”先生的分享，他的博客带我进入了Lucene的大门 :http://www.cnblogs.com/forfuture1978/category/300665.html ，通过他的博

客对Lucene分析文章，让我对Lucene有个完整的认识，虽然都是简单的认识，但受益匪浅..

我在这就简单的说下，lucene是什么？

Lucene是一个高效的，基于Java的全文检索库。

所以在了解Lucene 之前要费一番工夫了解一下全文检索。

那么什么叫做全文检索呢？这要从我们生活中的数据说起。

我们生活中的数据总体分为两种：结构化数据和非结构化数据。

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。

非结构化数据：指不定长或无固定格式的数据，如邮件，word文档等。

当然有的地方还会提到第三种，半结构化数据，如XML，HTML 等，当根据需要可按结构化数据来处理，也可抽取出纯文本按非结构化数据来处理。非结构化数据又一种叫

法叫全文数据。

按照数据的分类，搜索也分为两种：

对结构化数据的搜索：如对数据库的搜索，用SQL语句。再如对元数据的搜索，如利用windows 搜索对文件名，类型，修改时间进行搜索等。

对非结构化数据的搜索：如利用windows 的搜索也可以搜索文件内容，Linux 下的grep命令，再如用Google 和百度可以搜索大量内容数据。

对非结构化数据也即对全文数据的搜索主要有两种方法：

一种是顺序扫描法(Serial Scanning)：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，直到扫描完所有的文件。如利用windows的搜索也可以搜索文件内容，只是相当的慢。如果你有一个80G 硬盘，如果想在上面找到一个内容包含某字符串的文件，不花他几个小时，怕是做不到。Linux 下的grep 命令也是这一种方式。大家可能觉得这种方法比较原始，但对于小数据量的文件，这种方法还是最直接，最方便的。但是对于大量的文件，这种方法就很慢了。有人可能会说，对非结构化数据顺序扫描很慢，对结构化数据的搜索却相对较快（由于结构化数据有一定的结构可以采取一定的搜索算法加快速度），那么把我们的非结构化数据想办法弄得有一定结构不就行了吗？

想法很天然，却构成了全文检索的基本思路，也即将非结构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。这种说法比较抽象，举几个例子就很容易明白，比如字典，字典的

拼音表和部首检字表就相当于字典的索引，对每一个字的解释是非结构化的，如果字典没有音节表和部首检字表，在茫茫辞海中找一个字只能顺序扫描。然而字的某些信息可以

提取出来进行结构化处理，比如读音，就比较结构化，分声母和韵母，分别只有几种可以一一列举，于是将读音拿出来按一定的顺序排列，每一项读音都指向此字的详细解释的

页数。我们搜索时按结构化的拼音搜到读音，然后按其指向的页数，便可找到我们的非结构化数据——也即对字的解释。

首先建立索引，再对索引进行搜索的过程就叫全文检索(Full-text Search)。

下面这幅图来自《Lucene in action》，但却不仅仅描述了Lucene 的检索过程，而是描述了全文检索的一般过程。

全文检索大体分两个过程，索引创建(Indexing)和搜索索引(Search)。
索引创建：将现实世界中所有的结构化和非结构化数据提取信息，创建索引的过程。
搜索索引：就是得到用户的查询请求，搜索创建的索引，然后返回结果的过程

关于索引里面是什么结构？请看:http://www.cnblogs.com/forfuture1978/category/300665.html 介绍

下面我们就来实现全文检索demo （本文代码引用的是lucene 3.0.3jar包）：

DBDataIndexer 工具类：是我针对数据库数据来生成索引文件，其实如果是先实现demo,直接看下面一个java代码，

import java.io.File;
import java.io.IOException;  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.index.IndexWriter;
import org.apache.lucene.store.Directory;
import org.apache.lucene.store.FSDirectory;
import org.apache.lucene.util.Version;  import com.zte.its.app.lucene.model.ItsCommProblems;  /** * 针对数据库表数据-索引生成 工具类 *  * @author 欧阳鸿 *  */
public class DBDataIndexer {  private static String INDEX_DIR = "D://LuceneTest//index";// 索引存放目录  private Directory directory = null;  /*** * 初始化索引文件目录 *  * @return * @throws Exception */  public Directory initLuceneDirctory() throws Exception {  if (directory == null) {  File indexDir = new File(INDEX_DIR);  // 文件目录  // 把索引文件存储到磁盘目录  // 索引文件可放的位置：索引可以存放在两个地方1.硬盘，2.内存；  // 放在硬盘上可以用FSDirectory()，放在内存的用RAMDirectory()不过一关机就没了  directory = FSDirectory.open(indexDir);  }  return directory;  };  /*** * 初始化 Lucene 创建、增量索引的对象 *  * @param cOra *            true:表示创建索引，false表示在原有的索引基础上增量 * @return * @throws IOException */  public static IndexWriter initLuceneObj(Directory directory, boolean cOra) {  Analyzer analyzer = new StandardAnalyzer(Version.LUCENE_CURRENT); // 创建一个语法分析器  IndexWriter writer = null;  try {  // 创建一个IndexWriter(存放索引文件的目录,分析器,Field的最大长度)  System.out.println(IndexWriter.MaxFieldLength.UNLIMITED);  // 可见构造它需要一个索引文件目录，一个分析器(一般用标准的这个)，一个参数是标识是否清空索引目录  writer = new IndexWriter(directory, analyzer, cOra,  IndexWriter.MaxFieldLength.UNLIMITED);  // 索引合并因子  // 一、SetMergeFactor（合并因子）  // SetMergeFactor是控制segment合并频率的，其决定了一个索引块中包括多少个文档，当硬盘上的索引块达到多少时，  // 将它们合并成一个较大的索引块。当MergeFactor值较大时，生成索引的速度较快。MergeFactor的默认值是10，建议在建立索引前将其设置的大一些。  writer.setMergeFactor(100);  // 二、SetMaxBufferedDocs（最大缓存文档数）  // SetMaxBufferedDocs是控制写入一个新的segment前内存中保存的document的数目，  // 设置较大的数目可以加快建索引速度，默认为10。  writer.setMaxMergeDocs(1000);  // 三、SetMaxMergeDocs（最大合并文档数）  // SetMaxMergeDocs是控制一个segment中可以保存的最大document数目，值较小有利于追加索引的速度，默认Integer.MAX_VALUE，无需修改。  // 在创建大量数据的索引时，我们会发现索引过程的瓶颈在于大量的磁盘操作，如果内存足够大的话，  // 我们应当尽量使用内存，而非硬盘。可以通过SetMaxBufferedDocs来调整，增大Lucene使用内存的次数。  return writer;  } catch (IOException e) {  e.printStackTrace();  } catch (Exception e) {  // TODO Auto-generated catch block  e.printStackTrace();  }  return null;  }  /** * 对单个Entity对象（自定义对应数据库数据对象）进行索引 *  * @param writer * @param e  自定义javaBean对象， * @throws IOException */  public static void indexEntity(IndexWriter writer, ItsCommProblems e)  throws IOException {  if (e == null) {  return;  }  Document doc = new Document();  doc.add(new Field("requestId", e.getRequestId(), Field.Store.YES,  Field.Index.NO));  doc.add(new Field("docid", e.getDocid(), Field.Store.YES,  Field.Index.NO));  doc.add(new Field("articleTitle", e.getArticletitle(), Field.Store.YES,  Field.Index.ANALYZED));  writer.addDocument(doc);  }  /*** *  * 获得本次创建/增量索引的原数据数量（条） *  * @param writer * @return */  public static int getNumDocs(IndexWriter writer) throws IOException {  int numIndexed = 0;  if (writer != null) {  numIndexed = writer.numDocs();  }  return numIndexed;  }  /*** * 关闭Lucene相关Io对象 */  public static void closeIndexWriter(IndexWriter writer, Directory directory) {  if (writer != null) {  try {  writer.close(); // 关闭IndexWriter时,才把内存中的数据写到文件  } catch (IOException e) {  e.printStackTrace();  }  }  }
}

下面就是检索索引的代码：

import java.io.IOException;
import java.util.ArrayList;
import java.util.List;
import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.standard.StandardAnalyzer;
import org.apache.lucene.document.Document;
import org.apache.lucene.index.CorruptIndexException;
import org.apache.lucene.index.Term;
import org.apache.lucene.queryParser.MultiFieldQueryParser;
import org.apache.lucene.queryParser.ParseException;
import org.apache.lucene.search.BooleanClause;
import org.apache.lucene.search.BooleanQuery;
import org.apache.lucene.search.FuzzyQuery;
import org.apache.lucene.search.IndexSearcher;
import org.apache.lucene.search.MultiSearcher;
import org.apache.lucene.search.PrefixQuery;
import org.apache.lucene.search.Query;
import org.apache.lucene.search.ScoreDoc;
import org.apache.lucene.search.TermQuery;
import org.apache.lucene.search.TopScoreDocCollector;
import org.apache.lucene.search.WildcardQuery;
import org.apache.lucene.store.Directory;
import org.apache.lucene.util.Version;  /** * @author 查询 *  */
public class Searcher {  // private static String INDEX_DIR = "D://LuceneTest//index"; // 索引所在的路径  // private static String KEYWORD = "领导";// 关键词  private static String K_FEILD = "articleTitle"; // 关键词 对应 索引的域  private static int TOP_NUM = 5;// 显示前5条结果  /*** * 多种匹配词--查询 *  * @param keywords * @throws Exception */  public static List<String> searchIndex(Directory diretory, String keywords)  throws Exception {  List<String> requestIdList = new ArrayList<String>();  if (keywords != null && !"".equals(keywords)) {  IndexSearcher indexSearcher = null;  MultiSearcher searcher = null;  /* 创建一个搜索，搜索刚才创建的目录下的索引 */  try {  indexSearcher = new IndexSearcher(diretory, true);  // read-only  /* 在这里我们只需要搜索一个目录 */  IndexSearcher indexSearchers[] = { indexSearcher };  /* 我们需要搜索两个域ArticleTitle, ArticleText里面的内容 */  String[] fields = { K_FEILD };  /* * 下面这个表示要同时搜索这两个域，而且只要一个域里面有满足我们搜索的内容就行 * BooleanClause.Occur[]数组,它表示多个条件之间的关系 * ,BooleanClause.Occur.MUST表示and, * BooleanClause.Occur.MUST_NOT表示not * ,BooleanClause.Occur.SHOULD表示or. 1、MUST和MUST表示“与”的关系，即“并集”。 * 2、MUST和MUST_NOT前者包含后者不包含。 3、MUST_NOT和MUST_NOT没意义 * 4、SHOULD与MUST表示MUST，SHOULD失去意义； * 5、SHOUlD与MUST_NOT相当于MUST与MUST_NOT。 6、SHOULD与SHOULD表示“或”的概念 */  BooleanClause.Occur[] clauses = { BooleanClause.Occur.SHOULD };  /* * MultiFieldQueryParser表示多个域解析， 同时可以解析含空格的字符串，如果我们搜索"上海 中国" */  Analyzer analyzer = new StandardAnalyzer(Version.LUCENE_CURRENT); // 创建一个语法分析器  // ，Lucene3.0之后  // 有变化的地方  Query multiFieldQuery = MultiFieldQueryParser.parse(  Version.LUCENE_CURRENT, keywords, fields, clauses,  analyzer);  Query termQuery = new TermQuery(new Term(K_FEILD, keywords));// 词语搜索,完全匹配,搜索具体的域  Query wildqQuery = new WildcardQuery(  new Term(K_FEILD, keywords));// 通配符查询  Query prefixQuery = new PrefixQuery(new Term(K_FEILD, keywords));// 字段前缀搜索  Query fuzzyQuery = new FuzzyQuery(new Term(K_FEILD, keywords));// 相似度查询,模糊查询比如OpenOffica，OpenOffice  /* Multisearcher表示多目录搜索，在这里我们只有一个目录 */  searcher = new MultiSearcher(indexSearchers);  // 多条件搜索  BooleanQuery multiQuery = new BooleanQuery();  multiQuery.add(wildqQuery, BooleanClause.Occur.SHOULD);  multiQuery.add(multiFieldQuery, BooleanClause.Occur.SHOULD);  multiQuery.add(termQuery, BooleanClause.Occur.SHOULD);  multiQuery.add(prefixQuery, BooleanClause.Occur.SHOULD);  multiQuery.add(fuzzyQuery, BooleanClause.Occur.SHOULD);  /* 开始搜索 */  TopScoreDocCollector collector = TopScoreDocCollector.create(  TOP_NUM, false);// Lucene3.0之后 有变化的地方  searcher.search(multiQuery, collector);  ScoreDoc[] hits = collector.topDocs().scoreDocs;  for (int i = 0; i < hits.length; i++) {  Document doc = searcher.doc(hits[i].doc);// new method  // is.doc()  requestIdList.add(doc.getField("requestId").stringValue());  // System.out.println("常见问题Id:"  // + doc.getField("requestId").stringValue() + "   "  // + hits[i].toString() + "  ");  }  } catch (CorruptIndexException e) {  // TODO Auto-generated catch block  e.printStackTrace();  } catch (IOException e) {  // TODO Auto-generated catch block  e.printStackTrace();  } catch (ParseException e) {  // TODO Auto-generated catch block  e.printStackTrace();  } finally {  if (searcher != null) {  try {  /* 关闭 */  searcher.close();  } catch (IOException e) {  e.printStackTrace();  }  }  if (indexSearcher != null) {  try {  indexSearcher.close();  } catch (IOException e) {  e.printStackTrace();  }  }  }  }  return requestIdList;  }  public static void main(String[] args) throws Exception {  // searchIndex(KEYWORD);// 调用searchIndex方法进行查询  }
}

有个Searcher查询类，我们就可以根据关键字来查询.. 我这有个main方法是用来调试使用的。大家可以试试.对了，还少了个调用的代码

public void initLuceneIndex() throws Exception {  Map map = new HashMap();  long start = new Date().getTime();  //这里 我是调用了Dao持久层数据方法，使用了MVC的朋友应该知道.  List<ItsCommProblems> list = luceneDao.initLuceneIndex();  // 得到初始化索引文件目录  Directory directory = new DBDataIndexer().initLuceneDirctory();  if (directory != null) {  IndexWriter writer = DBDataIndexer.initLuceneObj(directory, true);  if (list != null && list.size() > 0) {  for (ItsCommProblems object : list) {  DBDataIndexer.indexEntity(writer, object);  }  }  DBDataIndexer.closeIndexWriter(writer, directory);  } else { // 索引存放路径不存在  throw new IOException(directory  + " does not exist or is not a directory");  }  long end = new Date().getTime();  System.out.println(" InitIndexed: took " + (end - start)  + " milliseconds");
}

view plainc

//根据关键字查询对应的记录： 思路是，同关键字去索引查询到对应的记录Id,然而再通过id查询记录
ublic List<ItsCommProblems> rearcherBykeyWord(String keywords)  throws Exception {
Map map = new HashMap();  long start = new Date().getTime();
List<ItsCommProblems> commProblemList = null;  // 得到初始化索引文件目录
Directory directory = new DBDataIndexer().initLuceneDirctory();
List<String> requestIdList = Searcher.searchIndex(directory, keywords);
if (requestIdList != null && requestIdList.size() > 0) {  map.put("requestIdList", requestIdList);  commProblemList = luceneDao.rearcherBykeyWord(map);
}  long end = new Date().getTime();
System.out.println(" rearcherBykeyWord 《 " + keywords + "》  共花费："  + (end - start) + " milliseconds");
if (commProblemList != null && commProblemList.size() > 0) {  for (ItsCommProblems itsCommProblems : commProblemList) {  System.out.println(" 查询获得:  "  + itsCommProblems.getArticletitle());  }
}
return commProblemList;

其实，我这只是完成了简单的检索，很多策略问题，中英文等。都还没来的及实现...Lucene这个技术是很深的.需要花大量时间和精力研究和学习的..

来源：http://blog.csdn.net/z69183787/article/details/47912185