手把手教你全文检索

淡淡的烟草味﹌ 2022-06-13 05:23 418阅读 0赞

## 讲解之前，先来分享一些资料 ##

首先呢，学习任何一门新的亦或是旧的开源技术，百度其中一二是最简单的办法，先了解其中的大概，思想等等。[这里就贡献一个讲解很到位的ppt ][ppt]。已经被我转成了PDF，便于搜藏。

其次，关于第一次编程初探，建议还是查看官方资料。百度到的资料，目前Lucene已经更新到4.9版本，这个版本需要1.7以上的JDK，所以如果还用1.6甚至是1.5的小盆友，请参考低版本，由于我用的1.6，因此在使用Lucene4.0。

这是Lucene4.0的官网文档：http://lucene.apache.org/core/4\_0\_0/core/overview-summary.html

这里非常佩服Lucene的开元贡献者，可以阅读Lucene in Action，作者最初想要写软件赚钱，最后贡献给了Apache，跑题了。

最后，提醒学习Lucene的小盆友们，这个开源软件的版本更新不慢，版本之间的编程风格亦是不同，所以如果百度到的帖子，可能这段代码，用了4.0或者3.6就会不好使。

比如，以前版本的申请IndexWriter时，是这样的：

IndexWriter indexWriter  =   new IndexWriter(indexDir,luceneAnalyzer, true );

但是4.0，我们需要配置一个conf，把配置内容放到这个对象中：

IndexWriterConfig config = new IndexWriterConfig(Version.LUCENE_CURRENT, analyzer);
        IndexWriter iwriter = new IndexWriter(directory, config);

所以，请一定要参考官方文档的编程风格，进行代码的书写。

最后的最后，[从官网上面下载下来的文件，已经上传至百度网盘，欢迎下载。][Link 1]

![242144055348718.jpg][]

这是其中最常用的五个文件：

第一个，也是最重要的，Lucene-core-4.0.0.jar,其中包括了常用的文档，索引，搜索，存储等相关核心代码。

第二个，Lucene-analyzers-common-4.0.0.jar，这里面包含了各种语言的词法分析器，用于对文件内容进行关键字切分，提取。

第三个，Lucene-highlighter-4.0.0.jar，这个jar包主要用于搜索出的内容高亮显示。

第四个和第五个，Lucene-queryparser-4.0.0.jar，提供了搜索相关的代码，用于各种搜索，比如模糊搜索，范围搜索，等等。

--------------------

## 废话说到这里，下面我们简单的讲解一下什么是全文检索。 ##

比如，我们一个文件夹中，或者一个磁盘中有很多的文件，记事本、world、Excel、pdf，我们想根据其中的关键词搜索包含的文件。例如，我们输入Lucene，所有内容含有Lucene的文件就会被检查出来。这就是所谓的全文检索。

因此，很容易的我们想到，应该建立一个关键字与文件的相关映射，盗用ppt中的一张图，很明白的解释了这种映射如何实现。

![242153077539335.jpg][]

在Lucene中，就是使用这种“倒排索引”的技术，来实现相关映射。

--------------------

## 有了这种映射关系，我们就来看看Lucene 的架构设计。 ##

下面是Lucene的资料必出现的一张图，但也是其精髓的概括。

![242155074404668.jpg][]

我们可以看到，Lucene的使用主要体现在两个步骤：

1 创建索引，通过IndexWriter对不同的文件进行索引的创建，并将其保存在索引相关文件存储的位置中。

2 通过索引查寻关键字相关文档。

下面针对官网上面给出的一个例子，进行分析：

1 　Analyzer analyzer = new StandardAnalyzer(Version.LUCENE_CURRENT);
     2 
     3     // Store the index in memory:
     4     Directory directory = new RAMDirectory();
     5     // To store an index on disk, use this instead:
     6     //Directory directory = FSDirectory.open("/tmp/testindex");
     7     IndexWriterConfig config = new IndexWriterConfig(Version.LUCENE_CURRENT, analyzer);
     8     IndexWriter iwriter = new IndexWriter(directory, config);
     9     Document doc = new Document();
    10     String text = "This is the text to be indexed.";
    11     doc.add(new Field("fieldname", text, TextField.TYPE_STORED));
    12     iwriter.addDocument(doc);
    13     iwriter.close();
    14     
    15     // Now search the index:
    16     DirectoryReader ireader = DirectoryReader.open(directory);
    17     IndexSearcher isearcher = new IndexSearcher(ireader);
    18     // Parse a simple query that searches for "text":
    19     QueryParser parser = new QueryParser(Version.LUCENE_CURRENT, "fieldname", analyzer);
    20     Query query = parser.parse("text");
    21     ScoreDoc[] hits = isearcher.search(query, null, 1000).scoreDocs;
    22     assertEquals(1, hits.length);
    23     // Iterate through the results:
    24     for (int i = 0; i < hits.length; i++) {
    25       Document hitDoc = isearcher.doc(hits[i].doc);
    26       assertEquals("This is the text to be indexed.", hitDoc.get("fieldname"));
    27     }
    28     ireader.close();
    29     directory.close();

## 索引的创建 ##

首先，我们需要定义一个词法分析器。

比如一句话，“我爱我们的中国！”，如何对他拆分，扣掉停顿词“的”，提取关键字“我”“我们”“中国”等等。这就要借助的词法分析器Analyzer来实现。这里面使用的是标准的词法分析器，如果专门针对汉语，还可以搭配paoding，进行使用。

1 Analyzer analyzer = new StandardAnalyzer(Version.LUCENE_CURRENT);

参数中的Version.LUCENE\_CURRENT，代表使用当前的Lucene版本，本文环境中也可以写成Version.LUCENE\_40。

第二步，确定索引文件存储的位置，Lucene提供给我们两种方式：

1 本地文件存储

Directory directory = FSDirectory.open("/tmp/testindex");

2 内存存储

Directory directory = new RAMDirectory();

可以根据自己的需要进行设定。

第三步，创建IndexWriter，进行索引文件的写入。

IndexWriterConfig config = new IndexWriterConfig(Version.LUCENE_CURRENT, analyzer);
    IndexWriter iwriter = new IndexWriter(directory, config);

这里的IndexWriterConfig，据官方文档介绍，是对indexWriter的配置，其中包含了两个参数，第一个是目前的版本，第二个是词法分析器Analyzer。

第四步，内容提取，进行索引的存储。

Document doc = new Document();
    String text = "This is the text to be indexed.";
    doc.add(new Field("fieldname", text, TextField.TYPE_STORED));
    iwriter.addDocument(doc);
    iwriter.close();

第一行，申请了一个document对象，这个类似于数据库中的表中的一行。

第二行，是我们即将索引的字符串。

第三行，把字符串存储起来（因为设置了TextField.TYPE\_STORED,如果不想存储，可以使用其他参数，详情参考官方文档），并存储“表明”为"fieldname".

第四行，把doc对象加入到索引创建中。

第五行，关闭IndexWriter,提交创建内容。

这就是索引创建的过程。

## 关键字查询： ##

第一步，打开存储位置

DirectoryReader ireader = DirectoryReader.open(directory);

第二步，创建搜索器

IndexSearcher isearcher = new IndexSearcher(ireader);

第三步，类似SQL，进行关键字查询

QueryParser parser = new QueryParser(Version.LUCENE_CURRENT, "fieldname", analyzer);
    Query query = parser.parse("text");
    ScoreDoc[] hits = isearcher.search(query, null, 1000).scoreDocs;
    assertEquals(1, hits.length);
    for (int i = 0; i < hits.length; i++) {
        Document hitDoc = isearcher.doc(hits[i].doc);
        assertEquals("This is the text to be indexed.",hitDoc.get("fieldname"));
    }

这里，我们创建了一个查询器，并设置其词法分析器，以及查询的“表名“为”fieldname“。查询结果会返回一个集合，类似SQL的ResultSet，我们可以提取其中存储的内容。

关于各种不同的查询方式，可以参考官方手册，或者推荐的PPT

第四步，关闭查询器等。

ireader.close();
    directory.close();

--------------------

最后，博猪自己写了个简单的例子，可以对一个文件夹内的内容进行索引的创建，并根据关键字筛选文件，并读取其中的内容。

## 创建索引： ##

/**
         * 创建当前文件目录的索引
         * @param path 当前文件目录
         * @return 是否成功
         */
        public static boolean createIndex(String path){
            Date date1 = new Date();
            List<File> fileList = getFileList(path);
            for (File file : fileList) {
                content = "";
                //获取文件后缀
                String type = file.getName().substring(file.getName().lastIndexOf(".")+1);
                if("txt".equalsIgnoreCase(type)){
                    
                    content += txt2String(file);
                
                }else if("doc".equalsIgnoreCase(type)){
                
                    content += doc2String(file);
                
                }else if("xls".equalsIgnoreCase(type)){
                    
                    content += xls2String(file);
                    
                }
                
                System.out.println("name :"+file.getName());
                System.out.println("path :"+file.getPath());
    //            System.out.println("content :"+content);
                System.out.println();
                
                
                try{
                    analyzer = new StandardAnalyzer(Version.LUCENE_CURRENT);
                    directory = FSDirectory.open(new File(INDEX_DIR));
        
                    File indexFile = new File(INDEX_DIR);
                    if (!indexFile.exists()) {
                        indexFile.mkdirs();
                    }
                    IndexWriterConfig config = new IndexWriterConfig(Version.LUCENE_CURRENT, analyzer);
                    indexWriter = new IndexWriter(directory, config);
                    
                    Document document = new Document();
                    document.add(new TextField("filename", file.getName(), Store.YES));
                    document.add(new TextField("content", content, Store.YES));
                    document.add(new TextField("path", file.getPath(), Store.YES));
                    indexWriter.addDocument(document);
                    indexWriter.commit();
                    closeWriter();
        
                    
                }catch(Exception e){
                    e.printStackTrace();
                }
                content = "";
            }
            Date date2 = new Date();
            System.out.println("创建索引-----耗时：" + (date2.getTime() - date1.getTime()) + "ms\n");
            return true;
        }

## 进行查询： ##

/**
         * 查找索引，返回符合条件的文件
         * @param text 查找的字符串
         * @return 符合条件的文件List
         */
        public static void searchIndex(String text){
            Date date1 = new Date();
            try{
                directory = FSDirectory.open(new File(INDEX_DIR));
                analyzer = new StandardAnalyzer(Version.LUCENE_CURRENT);
                DirectoryReader ireader = DirectoryReader.open(directory);
                IndexSearcher isearcher = new IndexSearcher(ireader);
        
                QueryParser parser = new QueryParser(Version.LUCENE_CURRENT, "content", analyzer);
                Query query = parser.parse(text);
                
                ScoreDoc[] hits = isearcher.search(query, null, 1000).scoreDocs;
            
                for (int i = 0; i < hits.length; i++) {
                    Document hitDoc = isearcher.doc(hits[i].doc);
                    System.out.println("____________________________");
                    System.out.println(hitDoc.get("filename"));
                    System.out.println(hitDoc.get("content"));
                    System.out.println(hitDoc.get("path"));
                    System.out.println("____________________________");
                }
                ireader.close();
                directory.close();
            }catch(Exception e){
                e.printStackTrace();
            }
            Date date2 = new Date();
            System.out.println("查看索引-----耗时：" + (date2.getTime() - date1.getTime()) + "ms\n");
        }

## 全部代码: ##

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

## 运行结果： ##

所有包含man关键字的文件，都被筛选出来了。

![242216129719795.jpg][]

![242215150347594.jpg][]

--------------------

JAVA读取文本大全：http://blog.csdn.net/csh624366188/article/details/6785817

Lucene官方文档：http://lucene.apache.org/core/4\_0\_0/core/overview-summary.html

[ppt]: http://pan.baidu.com/s/1jGxGi6E
[Link 1]: http://pan.baidu.com/s/1gdejAMJ
[242144055348718.jpg]: /images/20220613/3688e133d8424502a54f9284307685c9.png
[242153077539335.jpg]: /images/20220613/e206e128333d423c919fa0060f2e2054.png
[242155074404668.jpg]: /images/20220613/701ea1f7ce694893bdd50abb6f46b288.png
[ContractedBlock.gif]: http://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif
[ExpandedBlockStart.gif]: /images/20220613/de3b8a824d7c4b1483bc220c83180973.png
[242216129719795.jpg]: /images/20220613/0c4a6b27a2cc4005b4b8fd87da7e429b.png
[242215150347594.jpg]: /images/20220613/bdc64f74d76d461c9955026ef96a57ed.png