Lucene 就是这么简单

栏目: 后端 · 发布时间: 6年前

内容简介：Lucene是一个开源的使用java语言编写的全文搜索引擎开发包，可以融入到自己的项目中来实现增加索引和搜索功能，其实就是一款高性能的、可扩展的信息检索工具库。和其他开源软件一样，有着与生俱来的优点：功能和结构的透明性、功能强大且具有较强的扩展性、技术社区的强大支持同时也方便技术交流。Lucene只是一个搜索的核心库，并不提供具体的实现，但它的应用十分广泛，Solr、ElasticSearch 、Katta等底层用的都是Lucene。其特点：API简单，易于学习（但是不同的版本API差别较大）。Lucen

本文要点：

Lucene 简介
Lucene 的核心API
Lucene的简单使用
利用Luke查看分词结果

1. 简介

1.1 什么是lucene？

Lucene是一个开源的使用 java 语言编写的全文搜索引擎开发包，可以融入到自己的项目中来实现增加索引和搜索功能，其实就是一款高性能的、可扩展的信息检索工具库。和其他开源软件一样，有着与生俱来的优点：功能和结构的透明性、功能强大且具有较强的扩展性、技术社区的强大支持同时也方便技术交流。

Lucene只是一个搜索的核心库，并不提供具体的实现，但它的应用十分广泛，Solr、ElasticSearch 、Katta等底层用的都是Lucene。其特点：API简单，易于学习（但是不同的版本API差别较大）。

Lucene的原理：是倒排序索引。

那么到底什么是倒排序索引，什么又是正排序索引呢？

个人理解：

倒排序索引：即经过Lucene分词之后，它会维护一个类似于“词条--文档ID”的对应关系，当我们进行搜索某个词条的时候，就会得到相应的文档ID。

而正排序索引是：当我们进行搜索的时候，会对整个文档的内容进行搜索，不维护“词条--文档ID”的对应关系，然后如果匹配上，得到对应的文档ID，这样做肯定耗时，因为就像是数据库里的表缺少了索引一样。

2. Lucene 核心API

2.1 索引过程中的核心类

Document、 Field 、IndexWriter、 Directroy、 Analyzer

Dcoument 文档，一个文档代表一些域(Field)的集合。他是承载数据的实体，是一个抽象的概念，并不是word 或者 Txt什么的。Document代表一个被索引的基本单元。

构造方法

常用的API:

Field 索引中的每一个Document对象都包含一个或者多个不同的域(Field),域是由域名(name)和域值(value)对组成，每一个域都包含一段相应的数据信息。

常用的构造方法：

IndexWriter 是索引过程的核心组件。这个类用于创建一个新的索引并且把文档加到已有的索引中去。他可以为你提供对索引的写入操作，但不能进行读取或搜索。

构造方法：

其核心API有：

Directory 是索引的存放位置，是个抽象类。具体的子类提供特定的存储索引的地址。FSDirectory 将索引存放在指定的磁盘中，RAMDirectory ·将索引存放在内存中。

FSDirectory 的创建：

RAMDirectory 创建:

Analyzer 分词器，在文本被索引之前，需要经过分词器处理，他负责从将被索引的文档中提取词汇单元，并剔除剩下的无用信息（停止词汇），分词器十分关键，因为 不同的分词器，解析相同的文档结果会有很大的不同 。Analyzer是一个抽象类，是所有分词器的基类。他通过TokenStream类似一种很好的方式，将文本逐字。

常用的分词器有：

2.2 搜索过程中的核心类

IndexSearcher 、Term、Query、TermQuery、TopDocs

IndexSearcher 调用它的search方法，用于搜索IndexWriter 所创建的索引。

构造方法：

常用API:

Term 使用于搜索的一个基本单元。

Query Lucene中含有多种查询（Query）子类。比如，TermQuery（单词条查询）、BooleanQuery（布尔查询）、PhraseQuery（短语搜索）、PrefixQuery（前缀搜索）等。它们用于查询条件的限定其中TermQuery 是Lucene提供的最基本的查询类型，也是最简单的，它主要用来匹配在指定的域（Field）中包含了特定项(Term)的文档。

TopDocs 是一个存放有序搜索结果指针的简单容器，在这里搜索的结果是指匹配一个查询条件的一系列的文档。