Lucene初级教程

Lucene教程2007-12-26 15:24 点击次数：0 次1 lucene简介1.1 什么是luceneLucene是一个全文搜索框架，而不是应用产品。

因此它并不像或者google Desktop 那么拿来就能用，它只是提供了一种工具让你能实现这些产品。

2 lucene的工作方式lucene提供的服务实际包含两部分：一入一出。

所谓入是写入，即将你提供的源（本质是字符串）写入索引或者将其从索引中删除；所谓出是读出，即向用户提供全文搜索服务，让用户可以通过关键词定位源。

2.1写入流程源字符串首先经过analyzer处理，包括：分词，分成一个个单词；去除stopword（可选）。

将源中需要的信息加入Document的各个Field中，并把需要索引的Field索引起来，把需要存储的Field 存储起来。

将索引写入存储器，存储器可以是内存或磁盘。

2.2读出流程用户提供搜索关键词，经过analyzer处理。

对处理后的关键词搜索索引找出对应的Document。

用户根据需要从找到的Document中提取需要的Field。

3 一些需要知道的概念3.1 analyzerAnalyzer是分析器，它的作用是把一个字符串按某种规则划分成一个个词语，并去除其中的无效词语，这里说的无效词语是指英文中的“of”、“the”，中文中的“的”、“地”等词语，这些词语在文章中大量出现，但是本身不包含什么关键信息，去掉有利于缩小索引文件、提高效率、提高命中率。

分词的规则千变万化，但目的只有一个：按语义划分。

这点在英文中比较容易实现，因为英文本身就是以单词为单位的，已经用空格分开；而中文则必须以某种方法将连成一片的句子划分成一个个词语。

具体划分方法下面再详细介绍，这里只需了解分析器的概念即可。

3.2 document用户提供的源是一条条记录，它们可以是文本文件、字符串或者数据库表的一条记录等等。

一条记录经过索引之后，就是以一个Document的形式存储在索引文件中的。

用户进行搜索，也是以Document列表的形式返回。

3.3 field一个Document可以包含多个信息域，例如一篇文章可以包含“标题”、“正文”、“最后修改时间”等信息域，这些信息域就是通过Field在Document中存储的。

Field有两个属性可选：存储和索引。

通过存储属性你可以控制是否对这个Field进行存储；通过索引属性你可以控制是否对该Field进行索引。

这看起来似乎有些废话，事实上对这两个属性的正确组合很重要，下面举例说明：还是以刚才的文章为例子，我们需要对标题和正文进行全文搜索，所以我们要把索引属性设置为真，同时我们希望能直接从搜索结果中提取文章标题，所以我们把标题域的存储属性设置为真，但是由于正文域太大了，我们为了缩小索引文件大小，将正文域的存储属性设置为假，当需要时再直接读取文件；我们只是希望能从搜索解果中提取最后修改时间，不需要对它进行搜索，所以我们把最后修改时间域的存储属性设置为真，索引属性设置为假。

上面的三个域涵盖了两个属性的三种组合，还有一种全为假的没有用到，事实上Field不允许你那么设置，因为既不存储又不索引的域是没有意义的。

3.4 termterm是搜索的最小单位，它表示文档的一个词语，term由两部分组成：它表示的词语和这个词语所出现的field。

3.5 tockentocken是term的一次出现，它包含trem文本和相应的起止偏移，以及一个类型字符串。

一句话中可以出现多次相同的词语，它们都用同一个term表示，但是用不同的tocken，每个tocken标记该词语出现的地方。

3.6 segment添加索引时并不是每个document都马上添加到同一个索引文件，它们首先被写入到不同的小文件，然后再合并成一个大索引文件，这里每个小文件都是一个segment。

4 如何建索引4.1 最简单的能完成索引的代码片断IndexWriter writer = new IndexWriter(“/data/index/”, 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 works well", Field.Store.YES, Field.Index.TOKENIZED)); writer.addDocument(doc);writer.optimize();writer.close();下面我们分析一下这段代码。

首先我们创建了一个writer，并指定存放索引的目录为“/data/index”，使用的分析器为StandardAnal yzer，第三个参数说明如果已经有索引文件在索引目录下，我们将覆盖它们。

然后我们新建一个document。

我们向document添加一个field，名字是“title”，内容是“lucene introduction”，对它进行存储并索引。

再添加一个名字是“content”的field，内容是“lucene works well”，也是存储并索引。

然后我们将这个文档添加到索引中，如果有多个文档，可以重复上面的操作，创建document并添加。

添加完所有document，我们对索引进行优化，优化主要是将多个segment合并到一个，有利于提高索引速度。

随后将writer关闭，这点很重要。

对，创建索引就这么简单！当然你可能修改上面的代码获得更具个性化的服务。

4.2 索引文本文件如果你想把纯文本文件索引起来，而不想自己将它们读入字符串创建field，你可以用下面的代码创建field：Field field = new Field("content", new FileReader(file));这里的file就是该文本文件。

该构造函数实际上是读去文件内容，并对其进行索引，但不存储。

Lucene 2 教程Lucene是apache组织的一个用java实现全文搜索引擎的开源项目。

其功能非常的强大，api也很简单。

总得来说用Lucene来进行建立和搜索和操作数据库是差不多的(有点像)，Document可以看作是数据库的一行记录，Field可以看作是数据库的字段。

用lucene实现搜索引擎就像用JDBC实现连接数据库一样简单。

Lucene2.0，它与以前广泛应用和介绍的Lucene 1.4.3并不兼容。

Lucene2.0的下载地址是/lucene/java/例子一：1、在windows系统下的的C盘，建一个名叫s的文件夹,在该文件夹里面随便建三个txt文件，随便起名啦，就叫"1.txt","2.txt"和"3.txt"啦其中1.txt的内容如下：中华人民共和国全国人民2006年而"2.txt"和"3.txt"的内容也可以随便写几写，这里懒写，就复制一个和1.txt 文件的内容一样吧2、下载lucene包，放在classpath路径中建立索引:package ;import java.io.BufferedReader;import java.io.File;import java.io.FileInputStream;import java.io.IOException;import java.io.InputStreamReader;import java.util.Date;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;/*** author lighter date 2006-8-7*/public class TextFileIndexer {public static void main(String[] args) throws Exception {/*指明要索引文件夹的位置,这里是C盘的S文件夹下*/File fileDir = new File( " c:\\s " );/*这里放索引文件的位置*/File indexDir = new File( " c:\\index " );Analyzer luceneAnalyzer = new StandardAnalyzer();IndexWriter indexWriter = new IndexWriter(indexDir, luceneAnalyze r,true);File[] textFiles = fileDir.listFiles();long startTime = new Date().getTime();//增加document到索引去for ( int i = 0 ; i < textFiles.length; i ++ ) {if (textFiles[i].isFile()&& textFiles[i].getName().endsWith( " .txt " )) {System.out.println( " File " + textFiles[i].getCanonicalPath()+ " 正在被索引. " );String temp = FileReaderAll(textFiles[i].getCanonicalPath()," GBK " );System.out.println(temp);Document document = new Document();Field FieldPath = new Field( " path " , textFiles[i].getPath(),Field.Store.YES, Field.Index.NO);Field FieldBody = new Field( " body " , temp, Field.Store.YES,Field.Index.TOKENIZED,Field.TermVector.WITH_POSITIONS_OFFSETS);document.add(FieldPath);document.add(FieldBody);indexWriter.addDocument(document);}}//optimize()方法是对索引进行优化indexWriter.optimize();indexWriter.close();//测试一下索引的时间long endTime = new Date().getTime();System.out.println( " 这花费了"+ (endTime - startTime)+ " 毫秒来把文档增加到索引里面去! "+ fileDir.getPath());}public static String FileReaderAll(String FileName, String charset)throws IOException {BufferedReader reader = new BufferedReader( new InputStreamRead er(new FileInputStream(FileName), charset));String line = new String();String temp = new String();while ((line = reader.readLine()) != null) {temp += line;}reader.close();return temp;}}索引的结果：File C:\s\ 1 .txt正在被索引.中华人民共和国全国人民2006年File C:\s\ 2 .txt正在被索引.中华人民共和国全国人民2006年File C:\s\ 3 .txt正在被索引.中华人民共和国全国人民2006年这花费了297 毫秒来把文档增加到索引里面去! c:\s3、建立了索引之后，查询啦....package ;import java.io.IOException;import org.apache.lucene.analysis.Analyzer;import org.apache.lucene.analysis.standard.StandardAnalyzer;import org.apache.lucene.queryParser.ParseException;import org.apache.lucene.queryParser.QueryParser;import org.apache.lucene.search.Hits;import org.apache.lucene.search.IndexSearcher;import org.apache.lucene.search.Query;public class TestQuery {public static void main(String[] args) throws IOException, ParseExc eption {Hits hits = null;String queryString = " 中华" ;Query query = null;IndexSearcher searcher = new IndexSearcher( " c:\\index " );Analyzer analyzer = new StandardAnalyzer();try{QueryParser qp = new QueryParser( " body " , analyzer);query = qp.parse(queryString);} catch (ParseException e) {}if (searcher != null) {hits = searcher.search(query);if (hits.length() > 0 ) {System.out.println( " 找到: " + hits.length() + " 个结果! " );}}}}其运行结果：找到: 3 个结果!Lucene 其实很简单的,它最主要就是做两件事:建立索引和进行搜索来看一些在lucene中使用的术语,这里并不打算作详细的介绍,只是点一下而已----因为这一个世界有一种好东西，叫搜索。