一.什么是全文检索
1. 数据的分类
1)结构化数据
格式回定、长度固定、数据类型固定。
例如数据库中的数据
2)非结构化数据
word文档。pdf文档。邮件。htnl. txt
格式不因定、长度不圆定。数据类型不固定。
2. 数据的查询
1)结构化数据的查询
SQL语句。查询结构化数据的方法。简单、速度快。
2)非结构化数据的查询
从文本文件中找出包含spring单词的文件。
1.目测
2.使用程序吧文档读取到内存中，然后匹配字符申。顺序扫描。
3.把非地构化数据交成结构化数据
先跟根据空格进行字符串拆分，得到一一个单词列表，基于单词列表创末一个室引.
然后查询索引，根据单词和文档的对应关系找到文档列表。这个过程叫做全文检索。
索引: 一个为了提高查询速度，创建某种微据结构的集合。
3.全文检索
先创建索引然后查询索引的过程叫做全文检索 索引一次创丰可以多次使用。表现为每次查询速度很快。
二、全文检索的应用场景
1. 搜索引擎
百度、360搜索、谷歌、搜狗
2. 站内搜索
论坛搜索、微博、文章搜索
3. 电商搜索
淘宝搜索，京东搜索
4. 只要是有搜索的地方就可以使用全文检索技术。
三、什么是Lucene
Lucene是-个基于Java开发全文检室工具包。
四、Lucene实现全文检索的流程
1. 创建案引
1)获得文档
原始文档:奏基于那些数据来进行搜索，那么这些数据就是原始文档。 搜索引章:使用爬虫获得原始文档 站内搜索:数据库中的数据。 案例:直接使用io流读取磁盘上的文件。
2)构建文档对象
对应每个原始文档创建一个Docunent对象
每个document对象中包含各个域(field)
域中保存就是原始文档效据。
域的名称
域的值
每个文档都有一个唯一的编号， 就是文档id
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）
3)分析文档
就是分词的过程
1.根据空格进行字符事拆分，得到一个单词列表
2.把单词统一转换成小写.
3.去除标点符号
4.去除停用词
停用词:无意义的词
每个关键词都封装成一个Term对象中。
Term中包含两部分内容:
关键词所在的域
关键词本身
不同的域中拆分出来的相同的关键词是不同的Term.
4)创建索引
基于关键词列表创建一个索引。保存到索引库中。
索引库中:
索引
document对象
关键词和文档的对应关系
通过词语找文档，这种震引的结构叫倒排震引结构。
2、查询索引
1)用户查询接口
用户输入查询条件的地方 例如:百度的搜索框
2)把关键词封装成一个查询对象
要查询的域 要搜索的关键词
3)执行查询
根据要查询的关键词到对应的域上进行搜索。 找到关键词，根据关键词找到对应的文档
4)渲染结果
根据文档的id找到文档对象 对关键词进行高亮显示 分页处理 最终展示给用户看
五、入门程序
1.创建索引
所有环境资源文末会给出下载
环境:
需要下载Lucene
http://lucene.apache.org/
最低要求jdk1.8
工程搭建:
创建一-个java工程
添加jar:
lucene-analyzers-common-7.4.0.jar
lucene-core-7.4.0.jar
commons-io.jar
步骤:
1.创建一个Director对象， 指定索引库保存的位置。
2.基于Directory对象创建一个 Indexwriter对象
3、读取磁盘上的文件，对应每个文件创建-一个文档对象。
4、向文档对象中添加域
5.把文档对象写入索引库
6、关闭indexwriter对象
原始内容就是磁盘上的文件，如下图：
代码实现
@Test
public void createIndex() throws Exception {
//1、创建一个Director对象，指定索引库保存的位置。
//把索引库保存在内存中
//Directory directory = new RAMDirectory();
//把索引库保存在磁盘
Directory directory = FSDirectory.open(new File("E:\\JavaWeb\\lucene\\Code_lucene\\index").toPath());
//2、基于Directory对象创建一个IndexWriter对象
IndexWriterConfig config = new IndexWriterConfig(new IKAnalyzer());
IndexWriter indexWriter = new IndexWriter(directory, config);
//3、读取磁盘上的文件，对应每个文件创建一个文档对象。
File dir = new File("E:\\JavaWeb\\lucene\\02.参考资料\\searchsource");
File[] files = dir.listFiles();
for (File f : files) {
//取文件名
String fileName = f.getName();
//文件的路径
String filePath = f.getPath();
//文件的内容
String fileContent = FileUtils.readFileToString(f, "utf-8");
//文件的大小
long fileSize = FileUtils.sizeOf(f);
//创建Field
//参数1：域的名称，参数2：域的内容，参数3：是否存储
Field fieldName = new TextField("name", fileName, Field.Store.YES);
//Field fieldPath = new TextField("path", filePath, Field.Store.YES);
Field fieldPath = new StoredField("path", filePath);
Field fieldContent = new TextField("content", fileContent, Field.Store.YES);
//Field fieldSize = new TextField("size", fileSize + "", Field.Store.YES);
Field fieldSizeValue = new LongPoint("size", fileSize);
Field fieldSizeStore = new StoredField("size", fileSize);
//创建文档对象
Document document = new Document();
//向文档对象中添加域
document.add(fieldName);
document.add(fieldPath);
document.add(fieldContent);
//document.add(fieldSize);
document.add(fieldSizeValue);
document.add(fieldSizeStore);
//5、把文档对象写入索引库
indexWriter.addDocument(document);
}
//6、关闭indexwriter对象
indexWriter.close();
}
结果如下
2.使用luke查看索引库中的内容
3.查询索引库
步骤:
1、创是一个Director对象，指定索引库的位置
2、创建一个IndexReader对象
3、创建一个IndexSearcher对象。 构造方法中的参数indexReader对象。
4、创建一个Query对象，TermQuery
5、执行查询，得到一个TopDocs对 象
6、取查询结果的总记录数
7、取文档列表
8、打印文档中的内容
9、关闭IndexReader对象
代码实现
@Test
public void searchIndex() throws Exception {
//1、创建一个Director对象，指定索引库的位置
Directory directory = FSDirectory.open(new File("E:\\JavaWeb\\lucene\\Code_lucene\\index").toPath());
//2、创建一个IndexReader对象
IndexReader indexReader = DirectoryReader.open(directory);
//3、创建一个IndexSearcher对象，构造方法中的参数indexReader对象。
IndexSearcher indexSearcher = new IndexSearcher(indexReader);
//4、创建一个Query对象，TermQuery
Query query = new TermQuery(new Term("name", "apache"));
//5、执行查询，得到一个TopDocs对象
//参数1：查询对象 参数2：查询结果返回的最大记录数
TopDocs topDocs = indexSearcher.search(query, 10);
//6、取查询结果的总记录数
System.out.println("查询总记录数：" + topDocs.totalHits);
//7、取文档列表
ScoreDoc[] scoreDocs = topDocs.scoreDocs;
//8、打印文档中的内容
for (ScoreDoc doc : scoreDocs) {
//取文档id
int docId = doc.doc;
//根据id取文档对象
Document document = indexSearcher.doc(docId);
System.out.println(document.get("name"));
System.out.println(document.get("path"));
System.out.println(document.get("size"));
//System.out.println(document.get("content"));
System.out.println("-----------------寂寞的分割线");
}
//9、关闭IndexReader对象
indexReader.close();
}
结果如下
六、分析器
默认使用的数标准分析器StandardAnalyzer
1.查看分析器的分析效果
使用Analyzer对象的tokenStream方法返回一个TokenStream对象。词对象中包含了最终分词结果。
实现步骤:
1)创述一个Analyzer对象，standardAnalyzer对象
2)使用分析器对象的tokenStream方法获得一个TokenStream对象
3)向TokenStrean对象中设置一个引用，相当于数一个指针
4)调用TokenStrean对象的rest方法。如果不调用抛异常
5)使用while循环遗历TokenStream对象
6)关闭TokenStrean对象
2. IKAnalyze的使用方法
1)把IKAnalyzer的jar包添加到工程中 2)把配置文件和扩展词典添加到工程的classpath下 注意:扩展词典严禁使用windows记事本编辑保证扩展词典的编码格式是utf-8I 扩展词典:添加一些新词 停用词词典:无意义的词或者是敏感词汇
3. 代码实现
@Test
public void testTokenStream() throws Exception {
//1）创建一个Analyzer对象，StandardAnalyzer对象
//Analyzer analyzer = new StandardAnalyzer();
Analyzer analyzer = new IKAnalyzer();
//2）使用分析器对象的tokenStream方法获得一个TokenStream对象
TokenStream tokenStream = analyzer.tokenStream("", "2017年12月14日 - 公安局买了否冷传智播客Lucene概述公安局Lucene是一款高性能的、可扩展的信息检索(IR)工具库。信息检索是指文档搜索、文档内信息搜索或者文档相关的元数据搜索等操作。");
//3）向TokenStream对象中设置一个引用，相当于数一个指针
CharTermAttribute charTermAttribute = tokenStream.addAttribute(CharTermAttribute.class);
//4）调用TokenStream对象的rest方法。如果不调用抛异常
tokenStream.reset();
//5）使用while循环遍历TokenStream对象
while (tokenStream.incrementToken()) {
System.out.println(charTermAttribute.toString());
}
//6）关闭TokenStream对象
tokenStream.close();
}
结果如下（手动在扩展词典里面加了新词：“买了否冷”，“传智播客”）
注意：如果有新词可以自己手动在扩展词典（hotword.dic）最后添加；如果有其他的无用词或者敏感词汇，也可以自己在停用词词典（stopword.dic）末尾补充
七、索引库维护
1.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，只有索引方可搜索到。 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
2.添加文档
代码实现
private IndexWriter indexWriter;
@Before
public void init() throws Exception {
//创建一个IndexWriter对象，需要使用IKAnalyzer作为分析器
indexWriter =
new IndexWriter(FSDirectory.open(new File("E:\\JavaWeb\\lucene\\Code_lucene\\index").toPath()),
new IndexWriterConfig(new IKAnalyzer()));
}
@Test
public void addDocument() throws Exception {
//创建一个IndexWriter对象，需要使用IKAnalyzer作为分析器
/*IndexWriter indexWriter =
new IndexWriter(FSDirectory.open(new File("E:\\JavaWeb\\lucene\\Code_lucene\\index").toPath()),
new IndexWriterConfig(new IKAnalyzer()));*/
//创建一个Document对象
Document document = new Document();
//向document对象中添加域
document.add(new TextField("name", "新添加的文件", Field.Store.YES));
document.add(new TextField("content", "新添加的文件内容", Field.Store.NO));
document.add(new StoredField("path", "E:\\JavaWeb\\lucene\\Code_lucene\\helo"));
// 把文档写入索引库
indexWriter.addDocument(document);
//关闭索引库
indexWriter.close();
}
3.删除文档
1)删除全部. 2)根据查询、关键词删除文档
代码实现
@Test
public void deleteAllDocument() throws Exception {
//删除全部文档
indexWriter.deleteAll();
//关闭索引库
indexWriter.close();
}
@Test
public void deleteDocumentByQuery() throws Exception {
//根据查询删除
indexWriter.deleteDocuments(new Term("name", "apache"));
indexWriter.close();
}
3.修改文档
修改的原理是 先删除后添加
@Test
public void updateDocument() throws Exception {
//创建一个新的文档对象
Document document = new Document();
//向文档对象中添加域
document.add(new TextField("name", "更新之后的文档", Field.Store.YES));
document.add(new TextField("name1", "更新之后的文档2", Field.Store.YES));
document.add(new TextField("name2", "更新之后的文档3", Field.Store.YES));
//更新操作（先删除后添加）
indexWriter.updateDocument(new Term("name", "spring"), document);
//关闭索引库
indexWriter.close();
}
八、索引库查询
1.使用Query的子类
1) TermQuery
根据关键词进行查询。 需要指定要查询的城及要查询的关键词
代码实现
@Test
public void searchIndex() throws Exception {
//1、创建一个Director对象，指定索引库的位置
Directory directory = FSDirectory.open(new File("E:\\JavaWeb\\lucene\\Code_lucene\\index").toPath());
//2、创建一个IndexReader对象
IndexReader indexReader = DirectoryReader.open(directory);
//3、创建一个IndexSearcher对象，构造方法中的参数indexReader对象。
IndexSearcher indexSearcher = new IndexSearcher(indexReader);
//4、创建一个Query对象，TermQuery
Query query = new TermQuery(new Term("name", "apache"));
//5、执行查询，得到一个TopDocs对象
//参数1：查询对象 参数2：查询结果返回的最大记录数
TopDocs topDocs = indexSearcher.search(query, 10);
//6、取查询结果的总记录数
System.out.println("查询总记录数：" + topDocs.totalHits);
//7、取文档列表
ScoreDoc[] scoreDocs = topDocs.scoreDocs;
//8、打印文档中的内容
for (ScoreDoc doc : scoreDocs) {
//取文档id
int docId = doc.doc;
//根据id取文档对象
Document document = indexSearcher.doc(docId);
System.out.println(document.get("name"));
System.out.println(document.get("path"));
System.out.println(document.get("size"));
//System.out.println(document.get("content"));
System.out.println("-----------------寂寞的分割线");
}
//9、关闭IndexReader对象
indexReader.close();
}
2) RangeQuery
范围查询
代码实现
private IndexReader indexReader;
private IndexSearcher indexSearcher;
@Before
public void init() throws Exception {
indexReader = DirectoryReader.open(FSDirectory.open(new File("E:\\JavaWeb\\lucene\\Code_lucene\\index").toPath()));
indexSearcher = new IndexSearcher(indexReader);
}
@Test
public void testRangeQuery() throws Exception {
//创建一个Query对象
Query query = LongPoint.newRangeQuery("size", 0l, 100);
printResult(query);
}
private void printResult(Query query) throws Exception {
//执行查询
TopDocs topDocs = indexSearcher.search(query, 10);
System.out.println("总记录数：" + topDocs.totalHits);
ScoreDoc[] scoreDocs = topDocs.scoreDocs;
for (ScoreDoc doc:scoreDocs){
//取文档id
int docId = doc.doc;
//根据id取文档对象
Document document = indexSearcher.doc(docId);
System.out.println(document.get("name"));
System.out.println(document.get("path"));
System.out.println(document.get("size"));
//System.out.println(document.get("content"));
System.out.println("-----------------寂寞的分割线");
}
indexReader.close();
}
2.使用QueryPaser进行查询
可以对要查询的内容先分词，然后基于分词的结果进行查询. 添加一一个jar包 lucene-queryparser-7.4.0.jad
代码实现
@Test
public void testQueryParser() throws Exception {
//创建一个QueryPaser对象，两个参数
QueryParser queryParser = new QueryParser("name", new IKAnalyzer());
//参数1：默认搜索域，参数2：分析器对象
//使用QueryPaser对象创建一个Query对象
Query query = queryParser.parse("lucene是一个Java开发的全文检索工具包");
//执行查询
printResult(query);
}
九、lucene的jar包和相关资源下载
点击下载
链接：https://pan.baidu.com/s/1qK030WQlKbOoSBudb__H8A
提取码：14zz
