为生存而奔跑

   :: 首页 :: 联系 :: 聚合  :: 管理
  271 Posts :: 0 Stories :: 58 Comments :: 0 Trackbacks

留言簿(5)

我参与的团队

搜索

  •  

积分与排名

  • 积分 - 319329
  • 排名 - 75

最新评论

阅读排行榜

评论排行榜

Luceneapache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 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http://apache.justdn.org/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""3.txt" 
其中1.txt的内容如下:

中华人民共和国   
全国人民   
2006
  

"2.txt""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  lighter.javaeye.com;   
  
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, luceneAnalyzer,   
                
 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  InputStreamReader(   
                
 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   
File C:\s\
 2 .txt正在被索引 .   
中华人民共和国全国人民2006   
File C:\s\
 3 .txt正在被索引 .   
中华人民共和国全国人民2006   
这花费了297 毫秒来把文档增加到索引里面去 ! c:\s  


3
、建立了索引之后,查询啦....

package  lighter.javaeye.com;   
  
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, ParseException  {   
        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。

IndexWriter:lucene中最重要的的类之一,它主要是用来将文档加入索引,同时控制索引过程中的一些参数使用。

Analyzer:分析器,主要用于分析搜索引擎遇到的各种文本。常用的有StandardAnalyzer分析器,StopAnalyzer分析器,WhitespaceAnalyzer分析器等。

Directory:索引存放的位置;lucene提供了两种索引存放的位置,一种是磁盘,一种是内存。一般情况将索引放在磁盘上;相应地lucene提供了FSDirectoryRAMDirectory两个类。

Document:文档;Document相当于一个要进行索引的单元,任何可以想要被索引的文件都必须转化为Document对象才能进行索引。

Field:字段。

IndexSearcher:lucene中最基本的检索工具,所有的检索都会用到IndexSearcher工具;

Query:查询,lucene中支持模糊查询,语义查询,短语查询,组合查询等等,如有TermQuery,BooleanQuery,RangeQuery,WildcardQuery等一些类。

QueryParser是一个解析用户输入的工具,可以通过扫描用户输入的字符串,生成Query对象。

Hits:在搜索完成之后,需要把搜索结果返回并显示给用户,只有这样才算是完成搜索的目的。在lucene中,搜索的结果的集合是用Hits类的实例来表示的。

上面作了一大堆名词解释,下面就看几个简单的实例吧
1
、简单的的StandardAnalyzer测试例子

 

package  lighter.javaeye.com;   
  
import  java.io.IOException;   
import  java.io.StringReader;   
  
import  org.apache.lucene.analysis.Analyzer;   
import  org.apache.lucene.analysis.Token;   
import  org.apache.lucene.analysis.TokenStream;   
import  org.apache.lucene.analysis.standard.StandardAnalyzer;   
  
public   class  StandardAnalyzerTest    
{   
    
 // 
构造函数,    
     public  StandardAnalyzerTest()   
    
 {   
    }
    
    
 public   static   void  main(String[] args)    
    
 {   
        
 // 
生成一个StandardAnalyzer对象    
        Analyzer aAnalyzer  =   new  StandardAnalyzer();   
        
 // 
测试字符串    
        StringReader sr  =   new  StringReader( " lighter javaeye com is the are on " );   
        
 // 
生成TokenStream对象    
        TokenStream ts  =  aAnalyzer.tokenStream( " name " , sr);    
        
 try   {   
            
 int  i = 0 ;   
            Token t 
 =  ts.next();   
            
 while (t != null )   
            
 {   
                
 // 
辅助输出时显示行号    
                i ++ ;   
                
 // 
输出处理后的字符    
                System.out.println( " 
 " + i + " : " + t.termText());   
                
 // 
取得下一个字符    
                t = ts.next();   
            }
    
        }
   catch  (IOException e)  {   
            e.printStackTrace();   
        }
    
    }
    
}
    

显示结果:

1:lighter 
2:javaeye 
3:com

提示一下: 
StandardAnalyzer
lucene中内置的"标准分析器",可以做如下功能
1
、对原有句子按照空格进行了分词 
2
、所有的大写字母都可以能转换为小写的字母 
3
、可以去掉一些没有用处的单词,例如"is","the","are"等单词,也删除了所有的标点 
查看一下结果与"new StringReader("lighter javaeye com is the are on")"作一个比较就清楚明了。 
这里不对其API进行解释了,具体见lucene的官方文档。需要注意一点,这里的代码使用的是lucene2API,与1.43版有一些明显的差别。

2、看另一个实例,简单地建立索引,进行搜索

package  lighter.javaeye.com;   
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.queryParser.QueryParser;   
import  org.apache.lucene.search.Hits;   
import  org.apache.lucene.search.IndexSearcher;   
import  org.apache.lucene.search.Query;   
import  org.apache.lucene.store.FSDirectory;   
  
public   class  FSDirectoryTest  {   
  
    
 // 
建立索引的路径    
     public   static   final  String path  =   " c:\\index2 " ;   
  
    
 public   static   void  main(String[] args)  throws  Exception  {   
        Document doc1 
 =   new  Document();   
        doc1.add( 
 new  Field( " name "  " lighter javaeye com " ,Field.Store.YES,Field.Index.TOKENIZED));   
  
        Document doc2 
 =   new  Document();   
        doc2.add(
 new  Field( " name "  " lighter blog " ,Field.Store.YES,Field.Index.TOKENIZED));   
  
        IndexWriter writer 
 =   new  IndexWriter(FSDirectory.getDirectory(path,  true ),  new  StandardAnalyzer(),  true );   
        writer.setMaxFieldLength(
 3 );   
        writer.addDocument(doc1);   
        writer.setMaxFieldLength(
 3 );   
        writer.addDocument(doc2);   
        writer.close();   
  
        IndexSearcher searcher 
 =   new  IndexSearcher(path);   
        Hits hits 
 =   null ;   
        Query query 
 =   null ;   
        QueryParser qp 
 =   new  QueryParser( " name " , new  StandardAnalyzer());   
           
        query 
 =  qp.parse( " lighter " );   
        hits 
 =  searcher.search(query);   
        System.out.println(
 " 
查找\ " lighter\ "   "   +  hits.length()  +   " 个结果 " );   
  
        query 
 =  qp.parse( " javaeye " );   
        hits 
 =  searcher.search(query);   
        System.out.println(
 " 
查找\ " javaeye\ "   "   +  hits.length()  +   " 个结果 " );   
  
    }
    
  
}
   

运行结果:

查找 " lighter "  2个结果   
查找 " javaeye "  1个结果 


到现在我们已经可以用lucene建立索引了
下面介绍一下几个功能来完善一下:
1
.索引格式

其实索引目录有两种格式,

一种是除配置文件外,每一个Document独立成为一个文件(这种搜索起来会影响速度)。

另一种是全部的Document成一个文件,这样属于复合模式就快了。

2.
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

FSDirectory.getDirectory(File file,  boolean  create)
FSDirectory.getDirectory(String path, 
 boolean  create)

两个工厂方法返回目录
New RAMDirectory()
就直接可以
再和

IndexWriter(Directory d, Analyzer a,  boolean  create)

一配合就行了
如:

IndexWrtier indexWriter  =   new  IndexWriter(FSDirectory.getDirectory(“c:\\index”, true ), new  StandardAnlyazer(), true );
IndexWrtier indexWriter 
 =   new  IndexWriter( new  RAMDirectory(), new  StandardAnlyazer(), true );

3.索引的合并
这个可用

IndexWriter.addIndexes(Directory[] dirs)

将目录加进去
来看个例子:

public   void  UniteIndex()  throws  IOException
    
 {
        IndexWriter writerDisk 
 =   new  IndexWriter(FSDirectory.getDirectory( " c:\\indexDisk "  true ), new  StandardAnalyzer(), true );
        Document docDisk 
 =   new  Document();
        docDisk.add(
 new  Field( " name " , " 
程序员之家 " ,Field.Store.YES,Field.Index.TOKENIZED));
        writerDisk.addDocument(docDisk);
        RAMDirectory ramDir 
 =   new  RAMDirectory();
        IndexWriter writerRam 
 =   new  IndexWriter(ramDir, new  StandardAnalyzer(), true );
        Document docRam 
 =   new  Document();
        docRam.add(
 new  Field( " name " , " 
程序员杂志 " ,Field.Store.YES,Field.Index.TOKENIZED));
        writerRam.addDocument(docRam);
        writerRam.close();
 // 
这个方法非常重要,是必须调用的 
        writerDisk.addIndexes( new  Directory[] {ramDir} );
        writerDisk.close();
    }
 
    
 public   void  UniteSearch()  throws  ParseException, IOException
    
 {
        QueryParser queryParser 
 =   new  QueryParser( " name " , new  StandardAnalyzer());
        Query query 
 =  queryParser.parse( " 
程序员 " );
        IndexSearcher indexSearcher 
 = new  IndexSearcher( " c:\\indexDisk " );
        Hits hits 
 =  indexSearcher.search(query);
        System.out.println(
 " 
找到了 " + hits.length() + " 结果 " );
        
 for ( int  i = 0 ;i
        
 {
            Document doc 
 =  hits.doc(i);
            System.out.println(doc.get(
 " name " ));
        }
 
}


这个例子是将内存中的索引合并到硬盘上来.
注意:合并的时候一定要将被合并的那一方的IndexWriterclose()方法调用。

4.
对索引的其它操作:
IndexReader
类是用来操作索引的,它有对Document,Field的删除等操作。
下面一部分的内容是:全文的搜索
全文的搜索主要是用:IndexSearcher,Query,Hits,Document(都是Query的子类),有的时候用QueryParser
主要步骤:

1 . new  QueryParser(Field字段, new  分析器)
2
 .Query query  =  QueryParser.parser(“要查询的字串”);这个地方我们可以用反射api看一下query究竟是什么类型
3
 . new  IndexSearcher(索引目录).search(query);返回Hits
4
 .Hits.doc(n);可以遍历出Document
5
 .Document可得到Field的具体信息了。

其实1 ,2两步就是为了弄出个Query 实例,究竟是什么类型的看分析器了。

拿以前的例子来说吧

QueryParser queryParser  =   new  QueryParser( " name " , new  StandardAnalyzer());
        Query query 
 =  queryParser.parse( " 
程序员 " );
/* 
这里返回的就是org.apache.lucene.search.PhraseQuery */ 
        IndexSearcher indexSearcher 
 = new  IndexSearcher( " c:\\indexDisk " );
        Hits hits 
 =  indexSearcher.search(query);


不管是什么类型,无非返回的就是Query的子类,我们完全可以不用这两步直接newQuery的子类的实例就ok了,不过一般还是用这两步因为它返回的是PhraseQuery这个是非常强大的query子类它可以进行多字搜索用QueryParser可以设置各个关键字之间的关系这个是最常用的了。
IndexSearcher:
其实IndexSearcher它内部自带了一个IndexReader用来读取索引的,IndexSearcher有个close()方法,这个方法不是用来关闭IndexSearche的是用来关闭自带的IndexReader

QueryParser
呢可以用parser.setOperator()来设置各个关键字之间的关系(与还是或)它可以自动通过空格从字串里面将关键字分离出来。
注意:用QueryParser搜索的时候分析器一定的和建立索引时候用的分析器是一样的。
Query:
可以看一个lucene2.0的帮助文档有很多的子类:
BooleanQuery, ConstantScoreQuery, ConstantScoreRangeQuery, DisjunctionMaxQuery, FilteredQuery, MatchAllDocsQuery, MultiPhraseQuery, MultiTermQuery, PhraseQuery, PrefixQuery, RangeQuery, SpanQuery, TermQuery
各自有用法看一下文档就能知道它们的用法了
下面一部分讲一下lucene的分析器:
分析器是由分词器和过滤器组成的,拿英文来说吧分词器就是通过空格把单词分开,过滤器就是把the,to,of等词去掉不被搜索和索引。
我们最常用的是StandardAnalyzer()它是lucene的标准分析器它集成了内部的许多的分析器。
最后一部分了:lucene的高级搜索了
1.
排序
Lucene
有内置的排序用IndexSearcher.search(query,sort)但是功能并不理想。我们需要自己实现自定义的排序。
这样的话得实现两个接口: ScoreDocComparator, SortComparatorSource
IndexSearcher.search(query,new Sort(new SortField(String Field,SortComparatorSource)));
就看个例子吧:
这是一个建立索引的例子:

public   void  IndexSort()  throws  IOException
{
        IndexWriter writer 
 =   new  IndexWriter( " C:\\indexStore " , new  StandardAnalyzer(), true );
        Document doc 
 =   new  Document()
        doc.add(
 new  Field( " sort " , " 1 " ,Field.Store.YES,Field.Index.TOKENIZED));
        writer.addDocument(doc);
        doc 
 =   new  Document();
        doc.add(
 new  Field( " sort " , " 4 " ,Field.Store.YES,Field.Index.TOKENIZED));
        writer.addDocument(doc);
        doc 
 =   new  Document();
        doc.add(
 new  Field( " sort " , " 3 " ,Field.Store.YES,Field.Index.TOKENIZED));
        writer.addDocument(doc);
        doc 
 =   new  Document();
        doc.add(
 new  Field( " sort " , " 5 " ,Field.Store.YES,Field.Index.TOKENIZED));
        writer.addDocument(doc);
        doc 
 =   new  Document();
        doc.add(
 new  Field( " sort " , " 9 " ,Field.Store.YES,Field.Index.TOKENIZED));
        writer.addDocument(doc);
        doc 
 =   new  Document();
        doc.add(
 new  Field( " sort " , " 6 " ,Field.Store.YES,Field.Index.TOKENIZED));
        writer.addDocument(doc);
        doc 
 =   new  Document();
        doc.add(
 new  Field( " sort " , " 7 " ,Field.Store.YES,Field.Index.TOKENIZED));
        writer.addDocument(doc);
        writer.close();
}
 


下面是搜索的例子:
[code]
public void SearchSort1() throws IOException, ParseException
{
        IndexSearcher indexSearcher = new IndexSearcher("C:\\indexStore");
        QueryParser queryParser = new QueryParser("sort",new StandardAnalyzer());
        Query query = queryParser.parse("4");
       
        Hits hits = indexSearcher.search(query);
        System.out.println("
"+hits.length()+"个结果");
        Document doc = hits.doc(0);
        System.out.println(doc.get("sort"));
}
public void SearchSort2() throws IOException, ParseException
{
        IndexSearcher indexSearcher = new IndexSearcher("C:\\indexStore");
        Query query = new RangeQuery(new Term("sort","1"),new Term("sort","9"),true);//
这个地方前面没有提到,它是用于范围的Query可以看一下帮助文档.
        Hits hits = indexSearcher.search(query,new Sort(new SortField("sort",new MySortComparatorSource())));
        System.out.println("
"+hits.length()+"个结果");
        for(int i=0;i
        {
            Document doc = hits.doc(i);
            System.out.println(doc.get("sort"));
        }
}
public class MyScoreDocComparator implements ScoreDocComparator
{
    private Integer[]sort;
    public MyScoreDocComparator(String s,IndexReader reader, String fieldname) throws IOException
    {
        sort = new Integer[reader.maxDoc()];
        for(int i = 0;i
        {
            Document doc =reader.document(i);
            sort[i]=new Integer(doc.get("sort"));
        }
    }
    public int compare(ScoreDoc i, ScoreDoc j)
    {
        if(sort[i.doc]>sort[j.doc])
            return 1;
        if(sort[i.doc]
            return -1;
        return 0;
    }
    public int sortType()
    {
        return SortField.INT;
    }
    public Comparable sortValue(ScoreDoc i)
    {
        // TODO 
自动生成方法存根
        return new Integer(sort[i.doc]);
    }
}
public class MySortComparatorSource implements SortComparatorSource
{
    private static final long serialVersionUID = -9189690812107968361L;
    public ScoreDocComparator newComparator(IndexReader reader, String fieldname)
            throws IOException
    {
        if(fieldname.equals("sort"))
            return new MyScoreDocComparator("sort",reader,fieldname);
        return null;
    }
}[/code]
SearchSort1()
输出的结果没有排序,SearchSort2()就排序了。
2.
多域搜索MultiFieldQueryParser
如果想输入关键字而不想关心是在哪个Field里的就可以用MultiFieldQueryParser
用它的构造函数即可后面的和一个Field一样。
MultiFieldQueryParser. parse(String[] queries, String[] fields, BooleanClause.Occur[] flags, Analyzer analyzer)                                          ~~~~~~~~~~~~~~~~~
第三个参数比较特殊这里也是与以前lucene1.4.3不一样的地方
看一个例子就知道了
String[] fields = {"filename", "contents", "description"};
 BooleanClause.Occur[] flags = {BooleanClause.Occur.SHOULD,
                BooleanClause.Occur.MUST,//
在这个Field里必须出现的
                BooleanClause.Occur.MUST_NOT};//
在这个Field里不能出现
 MultiFieldQueryParser.parse("query", fields, flags, analyzer);

1
lucene的索引不能太大,要不然效率会很低。大于1G的时候就必须考虑分布索引的问题

2、不建议用多线程来建索引,产生的互锁问题很麻烦。经常发现索引被lock,无法重新建立的情况

3、中文分词是个大问题,目前免费的分词效果都很差。如果有能力还是自己实现一个分词模块,用最短路径的切分方法,网上有教材和demo源码,可以参考。

4、建增量索引的时候很耗cpu,在访问量大的时候会导致cpuidle0

5、默认的评分机制不太合理,需要根据自己的业务定制

 

整体来说lucene要用好不容易,必须在上述方面扩充他的功能,才能作为一个商用的搜索引擎

posted on 2010-01-05 09:14 baby-fly 阅读(1906) 评论(0)  编辑 收藏 引用 所属分类: Information Retrival / Data Mining

只有注册用户登录后才能发表评论。
网站导航: 博客园   IT新闻   BlogJava   知识库   博问   管理