Lucene是apache組織的一個(gè)用java實(shí)現(xiàn)全文搜索引擎的開源項(xiàng)目。 其功能非常的強(qiáng)大，api也很簡(jiǎn)單。總得來(lái)說(shuō)用Lucene來(lái)進(jìn)行建立 和搜索和操作數(shù)據(jù)庫(kù)是差不多的(有點(diǎn)像)，Document可以看作是 數(shù)據(jù)庫(kù)的一行記錄，Field可以看作是數(shù)據(jù)庫(kù)的字段。用lucene實(shí) 現(xiàn)搜索引擎就像用JDBC實(shí)現(xiàn)連接數(shù)據(jù)庫(kù)一樣簡(jiǎn)單。
Lucene2.0，它與以前廣泛應(yīng)用和介紹的Lucene 1.4.3并不兼容。 Lucene2.0的下載地址是http://apache.justdn.org/lucene/java/
例子一 ：
1、在windows系統(tǒng)下的的C盤，建一個(gè)名叫s的文件夾,在該文件夾里面隨便建三個(gè)txt文件，隨便起名啦，就叫"1.txt","2.txt"和"3.txt"啦
其中1.txt的內(nèi)容如下：
中華人民共和國(guó)
全國(guó)人民
2006年
而"2.txt"和"3.txt"的內(nèi)容也可以隨便寫幾寫，這里懶寫，就復(fù)制一個(gè)和1.txt文件的內(nèi)容一樣吧
2、下載lucene包，放在classpath路徑中
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 {
/* 指明要索引文件夾的位置,這里是C盤的S文件夾下 */
File fileDir = new File( " c:\\s " );
/* 這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()方法是對(duì)索引進(jìn)行優(yōu)化
indexWriter.optimize();
indexWriter.close();
// 測(cè)試一下索引的時(shí)間
long endTime = new Date().getTime();
System.out
.println( " 這花費(fèi)了 "
+ (endTime - startTime)
+ " 毫秒來(lái)把文檔增加到索引里面去! "
+ 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;
}
}
索引的結(jié)果：
File C:\s\ 1 .txt正在被索引 .
中華人民共和國(guó)全國(guó)人民2006年
File C:\s\ 2 .txt正在被索引 .
中華人民共和國(guó)全國(guó)人民2006年
File C:\s\ 3 .txt正在被索引 .
中華人民共和國(guó)全國(guó)人民2006年
這花費(fèi)了297 毫秒來(lái)把文檔增加到索引里面去 ! c:\s
3、建立了索引之后，查詢啦....
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 = " 中華 " ;
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() + " 個(gè)結(jié)果! " );
}
}
}
}
其運(yùn)行結(jié)果：
找到: 3 個(gè)結(jié)果 !
Lucene 其實(shí)很簡(jiǎn)單的,它最主要就是做兩件事:建立索引和進(jìn)行搜索
來(lái)看一些在lucene中使用的術(shù)語(yǔ),這里并不打算作詳細(xì)的介紹,只是點(diǎn)一下而已----因?yàn)檫@一個(gè)世界有一種好東西，叫搜索。
IndexWriter:lucene中最重要的的類之一，它主要是用來(lái)將文檔加入索引，同時(shí)控制索引過程中的一些參數(shù)使用。
Analyzer:分析器,主要用于分析搜索引擎遇到的各種文本。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提供了兩種索引存放的位置，一種是磁盤，一種是內(nèi)存。一般情況將索引放在磁盤上；相應(yīng)地lucene提供了FSDirectory和RAMDirectory兩個(gè)類。
Document:文檔;Document相當(dāng)于一個(gè)要進(jìn)行索引的單元，任何可以想要被索引的文件都必須轉(zhuǎn)化為Document對(duì)象才能進(jìn)行索引。
Field：字段。
IndexSearcher:是lucene中最基本的檢索工具，所有的檢索都會(huì)用到IndexSearcher工具;
Query:查詢，lucene中支持模糊查詢，語(yǔ)義查詢，短語(yǔ)查詢，組合查詢等等,如有TermQuery,BooleanQuery,RangeQuery,WildcardQuery等一些類。
QueryParser: 是一個(gè)解析用戶輸入的工具，可以通過掃描用戶輸入的字符串，生成Query對(duì)象。
Hits:在搜索完成之后，需要把搜索結(jié)果返回并顯示給用戶，只有這樣才算是完成搜索的目的。在lucene中，搜索的結(jié)果的集合是用Hits類的實(shí)例來(lái)表示的。
上面作了一大堆名詞解釋，下面就看幾個(gè)簡(jiǎn)單的實(shí)例吧:
1、簡(jiǎn)單的的StandardAnalyzer測(cè)試?yán)?/span>
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
{
// 構(gòu)造函數(shù)，
public StandardAnalyzerTest()
{
}
public static void main(String[] args)
{
// 生成一個(gè)StandardAnalyzer對(duì)象
Analyzer aAnalyzer = new StandardAnalyzer();
// 測(cè)試字符串
StringReader sr = new StringReader( " lighter javaeye com is the are on " );
// 生成TokenStream對(duì)象
TokenStream ts = aAnalyzer.tokenStream( " name " , sr);
try {
int i = 0 ;
Token t = ts.next();
while (t != null )
{
// 輔助輸出時(shí)顯示行號(hào)
i ++ ;
// 輸出處理后的字符
System.out.println( " 第 " + i + " 行: " + t.termText());
// 取得下一個(gè)字符
t = ts.next();
}
} catch (IOException e) {
e.printStackTrace();
}
}
}
顯示結(jié)果：
第1行:lighter
第2行:javaeye
第3行:com
提示一下：
StandardAnalyzer是lucene中內(nèi)置的"標(biāo)準(zhǔn)分析器",可以做如下功能:
1、對(duì)原有句子按照空格進(jìn)行了分詞
2、所有的大寫字母都可以能轉(zhuǎn)換為小寫的字母
3、可以去掉一些沒有用處的單詞，例如"is","the","are"等單詞，也刪除了所有的標(biāo)點(diǎn)
查看一下結(jié)果與"new StringReader("lighter javaeye com is the are on")"作一個(gè)比較就清楚明了。
這里不對(duì)其API進(jìn)行解釋了，具體見lucene的官方文檔。需要注意一點(diǎn)，這里的代碼使用的是lucene2的API，與1.43版有一些明顯的差別。
2、看另一個(gè)實(shí)例,簡(jiǎn)單地建立索引，進(jìn)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 {
// 建立索引的路徑
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\ " 共 " + hits.length() + " 個(gè)結(jié)果 " );
query = qp.parse( " javaeye " );
hits = searcher.search(query);
System.out.println( " 查找\ " javaeye\ " 共 " + hits.length() + " 個(gè)結(jié)果 " );
}
}
運(yùn)行結(jié)果：
查找 " lighter " 共2個(gè)結(jié)果
查找 " javaeye " 共1個(gè)結(jié)果
到現(xiàn)在我們已經(jīng)可以用lucene建立索引了
下面介紹一下幾個(gè)功能來(lái)完善一下：
1．索引格式
其實(shí)索引目錄有兩種格式，
一種是除配置文件外，每一個(gè)Document獨(dú)立成為一個(gè)文件（這種搜索起來(lái)會(huì)影響速度）。
另一種是全部的Document成一個(gè)文件，這樣屬于復(fù)合模式就快了。
2.索引文件可放的位置：
索引可以存放在兩個(gè)地方1.硬盤，2.內(nèi)存
放在硬盤上可以用FSDirectory()，放在內(nèi)存的用RAMDirectory()不過一關(guān)機(jī)就沒了
FSDirectory.getDirectory(File file, boolean create)
FSDirectory.getDirectory(String path, boolean create)
兩個(gè)工廠方法返回目錄
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
這個(gè)可用
IndexWriter.addIndexes(Directory[] dirs)
將目錄加進(jìn)去
來(lái)看個(gè)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 " , " 程序員之家 " ,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 " , " 程序員雜志 " ,Field.Store.YES,Field.Index.TOKENIZED));
writerRam.addDocument(docRam);
writerRam.close(); // 這個(gè)方法非常重要，是必須調(diào)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( " 程序員 " );
IndexSearcher indexSearcher = new IndexSearcher( " c:\\indexDisk " );
Hits hits = indexSearcher.search(query);
System.out.println( " 找到了 " + hits.length() + " 結(jié)果 " );
for ( int i = 0 ;i
{
Document doc = hits.doc(i);
System.out.println(doc.get( " name " ));
}
}
這個(gè)例子是將內(nèi)存中的索引合并到硬盤上來(lái).
注意：合并的時(shí)候一定要將被合并的那一方的IndexWriter的close()方法調(diào)用。
4.對(duì)索引的其它操作:
IndexReader類是用來(lái)操作索引的，它有對(duì)Document,Field的刪除等操作。
下面一部分的內(nèi)容是：全文的搜索
全文的搜索主要是用：IndexSearcher,Query,Hits,Document(都是Query的子類),有的時(shí)候用QueryParser
主要步驟：
1 . new QueryParser(Field字段， new 分析器)
2 .Query query = QueryParser.parser(“要查詢的字串”);這個(gè)地方我們可以用反射api看一下query究竟是什么類型
3 . new IndexSearcher(索引目錄).search(query);返回Hits
4 .用Hits.doc(n);可以遍歷出Document
5 .用Document可得到Field的具體信息了。
其實(shí)1 ，2兩步就是為了弄出個(gè)Query 實(shí)例，究竟是什么類型的看分析器了。
拿以前的例子來(lái)說(shuō)吧
QueryParser queryParser = new QueryParser( " name " , new StandardAnalyzer());
Query query = queryParser.parse( " 程序員 " );
/* 這里返回的就是org.apache.lucene.search.PhraseQuery */
IndexSearcher indexSearcher = new IndexSearcher( " c:\\indexDisk " );
Hits hits = indexSearcher.search(query);
不管是什么類型，無(wú)非返回的就是Query的子類，我們完全可以不用這兩步直接new個(gè)Query的子類的實(shí)例就ok了，不過一般還是用這兩步因?yàn)樗祷氐氖?/span>PhraseQuery這個(gè)是非常強(qiáng)大的query子類它可以進(jìn)行多字搜索用QueryParser可以設(shè)置各個(gè)關(guān)鍵字之間的關(guān)系這個(gè)是最常用的了。
IndexSearcher:
其實(shí)IndexSearcher它內(nèi)部自帶了一個(gè)IndexReader用來(lái)讀取索引的，IndexSearcher有個(gè)close()方法，這個(gè)方法不是用來(lái)關(guān)閉IndexSearche的是用來(lái)關(guān)閉自帶的IndexReader。
QueryParser呢可以用parser.setOperator()來(lái)設(shè)置各個(gè)關(guān)鍵字之間的關(guān)系（與還是或）它可以自動(dòng)通過空格從字串里面將關(guān)鍵字分離出來(lái)。
注意：用QueryParser搜索的時(shí)候分析器一定的和建立索引時(shí)候用的分析器是一樣的。
Query:
可以看一個(gè)lucene2.0的幫助文檔有很多的子類:
BooleanQuery, ConstantScoreQuery, ConstantScoreRangeQuery, DisjunctionMaxQuery, FilteredQuery, MatchAllDocsQuery, MultiPhraseQuery, MultiTermQuery, PhraseQuery, PrefixQuery, RangeQuery, SpanQuery, TermQuery
各自有用法看一下文檔就能知道它們的用法了
下面一部分講一下lucene的分析器:
分析器是由分詞器和過濾器組成的，拿英文來(lái)說(shuō)吧分詞器就是通過空格把單詞分開，過濾器就是把the,to,of等詞去掉不被搜索和索引。
我們最常用的是StandardAnalyzer()它是lucene的標(biāo)準(zhǔn)分析器它集成了內(nèi)部的許多的分析器。
最后一部分了：lucene的高級(jí)搜索了
1.排序
Lucene有內(nèi)置的排序用IndexSearcher.search(query,sort)但是功能并不理想。我們需要自己實(shí)現(xiàn)自定義的排序。
這樣的話得實(shí)現(xiàn)兩個(gè)接口: ScoreDocComparator, SortComparatorSource
用IndexSearcher.search(query,new Sort(new SortField(String Field,SortComparatorSource)));
就看個(gè)例子吧：
這是一個(gè)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("有"+hits.length()+"個(gè)結(jié)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);//這個(gè)地方前面沒有提到，它是用于范圍的Query可以看一下幫助文檔.
Hits hits = indexSearcher.search(query,new Sort(new SortField("sort",new MySortComparatorSource())));
System.out.println("有"+hits.length()+"個(gè)結(jié)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 自動(dòng)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()輸出的結(jié)果沒有排序,SearchSort2()就排序了。
2.多域搜索MultiFieldQueryParser
如果想輸入關(guān)鍵字而不想關(guān)心是在哪個(gè)Field里的就可以用MultiFieldQueryParser了
用它的構(gòu)造函數(shù)即可后面的和一個(gè)Field一樣。
MultiFieldQueryParser. parse(String[] queries, String[] fields, BooleanClause.Occur[] flags, Analyzer analyzer) ~~~~~~~~~~~~~~~~~
第三個(gè)參數(shù)比較特殊這里也是與以前lucene1.4.3不一樣的地方
看一個(gè)例子就知道了
String[] fields = {"filename", "contents", "description"};
BooleanClause.Occur[] flags = {BooleanClause.Occur.SHOULD,
BooleanClause.Occur.MUST,//在這個(gè)Field里必須出現(xiàn)的
BooleanClause.Occur.MUST_NOT};//在這個(gè)Field里不能出現(xiàn)
MultiFieldQueryParser.parse("query", fields, flags, analyzer);
1、lucene的索引不能太大，要不然效率會(huì)很低。大于1G的時(shí)候就必須考慮分布索引的問題
2、不建議用多線程來(lái)建索引，產(chǎn)生的互鎖問題很麻煩。經(jīng)常發(fā)現(xiàn)索引被lock，無(wú)法重新建立的情況
3、中文分詞是個(gè)大問題，目前免費(fèi)的分詞效果都很差。如果有能力還是自己實(shí)現(xiàn)一個(gè)分詞模塊，用最短路徑的切分方法，網(wǎng)上有教材和demo源碼，可以參考。
4、建增量索引的時(shí)候很耗cpu，在訪問量大的時(shí)候會(huì)導(dǎo)致cpu的idle為0
5、默認(rèn)的評(píng)分機(jī)制不太合理，需要根據(jù)自己的業(yè)務(wù)定制
整體來(lái)說(shuō)lucene要用好不容易，必須在上述方面擴(kuò)充他的功能，才能作為一個(gè)商用的搜索引擎