Lucene 教程-it论坛
Lucene 教程-it论坛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http://apache.justdn.org/lucene/java/
例子一 ：
it论坛
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：
http://www.cnblogs.com/Images/OutliningIndicators/None.gif 中华人民共和国
http://www.cnblogs.com/Images/OutliningIndicators/None.gif全国人民
http://www.cnblogs.com/Images/OutliningIndicators/None.gif2006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:packagelighter.javaeye.com;
importjava.io.BufferedReader;
importjava.io.File;
importjava.io.FileInputStream;
importjava.io.IOException;
importjava.io.InputStreamReader;
importjava.util.Date;
importorg.apache.lucene.analysis.Analyzer;
importorg.apache.lucene.analysis.standard.StandardAnalyzer;
importorg.apache.lucene.document.Document;
importorg.apache.lucene.document.Field;
importorg.apache.lucene.index.IndexWriter;
/**
* author lighter date 2006-8-7
*/
public classTextFileIndexer{
public static voidmain(String[] args)throwsException{
/*指明要索引文件夹的位置,这里是C盘的S文件夹下*/
File fileDir= newFile( " c:\\s " );
/*这里放索引文件的位置*/
File indexDir= newFile( " c:\\index " );
Analyzer luceneAnalyzer= newStandardAnalyzer();
IndexWriter indexWriter= newIndexWriter(indexDir, luceneAnalyzer,
true );
File[] textFiles=fileDir.listFiles();
longstartTime= newDate().getTime();
// 增加document到索引去
for( inti= 0 ; i<textFiles.length; i ++ ){
if(textFiles.isFile()
&&textFiles.getName().endsWith( " .txt " )){
System.out.println( " File" +textFiles.getCanonicalPath()
+ " 正在被索引. " );
String temp=FileReaderAll(textFiles.getCanonicalPath(),
" GBK " );
System.out.println(temp);
Document document= newDocument();
Field FieldPath= newField( " path " , textFiles.getPath(),
Field.Store.YES, Field.Index.NO);
Field FieldBody= newField( " 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
longendTime= newDate().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 staticString FileReaderAll(String FileName, String charset)
throwsIOException{
BufferedReader reader= newBufferedReader( newInputStreamReader(
newFileInputStream(FileName), charset));
String line= newString();
String temp= newString();
while((line=reader.readLine())!= null ){
temp+=line;
}
reader.close();
returntemp;
}
}索引的结果：
http://www.cnblogs.com/Images/OutliningIndicators/None.gif File C:\s\ 1 .txt正在被索引http://www.cnblogs.com/Images/dot.gif.
http://www.cnblogs.com/Images/OutliningIndicators/None.gif中华人民共和国全国人民2006年
http://www.cnblogs.com/Images/OutliningIndicators/None.gifFile C:\s\ 2 .txt正在被索引http://www.cnblogs.com/Images/dot.gif.
http://www.cnblogs.com/Images/OutliningIndicators/None.gif中华人民共和国全国人民2006年
http://www.cnblogs.com/Images/OutliningIndicators/None.gifFile C:\s\ 3 .txt正在被索引http://www.cnblogs.com/Images/dot.gif.
http://www.cnblogs.com/Images/OutliningIndicators/None.gif中华人民共和国全国人民2006年
http://www.cnblogs.com/Images/OutliningIndicators/None.gif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....packagelighter.javaeye.com;
importjava.io.IOException;
importorg.apache.lucene.analysis.Analyzer;
importorg.apache.lucene.analysis.standard.StandardAnalyzer;
importorg.apache.lucene.queryParser.ParseException;
importorg.apache.lucene.queryParser.QueryParser;
importorg.apache.lucene.search.Hits;
importorg.apache.lucene.search.IndexSearcher;
importorg.apache.lucene.search.Query;
public classTestQuery{
public static voidmain(String[] args)throwsIOException, ParseException{
Hits hits= null ;
String queryString= " 中华 " ;
Query query= null ;
IndexSearcher searcher= newIndexSearcher( " c:\\index " );
Analyzer analyzer= newStandardAnalyzer();
try {
QueryParser qp= newQueryParser( " 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：
http://www.cnblogs.com/Images/OutliningIndicators/None.gif 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FSDirectory和RAMDirectory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:是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packagelighter.javaeye.com;
importjava.io.IOException;
importjava.io.StringReader;
importorg.apache.lucene.analysis.Analyzer;
importorg.apache.lucene.analysis.Token;
importorg.apache.lucene.analysis.TokenStream;
importorg.apache.lucene.analysis.standard.StandardAnalyzer;
public classStandardAnalyzerTest
{
// 构造函数，
publicStandardAnalyzerTest()
{
}
public static voidmain(String[] args)
{
// 生成一个StandardAnalyzer对象
Analyzer aAnalyzer= newStandardAnalyzer();
// 测试字符串
StringReader sr= newStringReader( " lighter javaeye com is the are on " );
// 生成TokenStream对象
TokenStream ts=aAnalyzer.tokenStream( " name " , sr);
try {
inti = 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( " 第 " + i + " 行: " + t.termText());
// 取得下一个字符
t = ts.next();
}
} catch(IOException e){
e.printStackTrace();
}
}
}
显示结果：
http://www.cnblogs.com/Images/OutliningIndicators/None.gif 第1行:lighter
http://www.cnblogs.com/Images/OutliningIndicators/None.gif第2行:javaeye
http://www.cnblogs.com/Images/OutliningIndicators/None.gif第3行:com
提示一下：
StandardAnalyzer是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lucene2的API，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packagelighter.javaeye.com;
importorg.apache.lucene.analysis.standard.StandardAnalyzer;
importorg.apache.lucene.document.Document;
importorg.apache.lucene.document.Field;
importorg.apache.lucene.index.IndexWriter;
importorg.apache.lucene.queryParser.QueryParser;
importorg.apache.lucene.search.Hits;
importorg.apache.lucene.search.IndexSearcher;
importorg.apache.lucene.search.Query;
importorg.apache.lucene.store.FSDirectory;
public classFSDirectoryTest{
// 建立索引的路径
public static finalString path= " c:\\index2 " ;
public static voidmain(String[] args)throwsException{
Document doc1= newDocument();
doc1.add(newField( " name " ," lighter javaeye com " ,Field.Store.YES,Field.Index.TOKENIZED));
Document doc2= newDocument();
doc2.add( newField( " name " ," lighter blog " ,Field.Store.YES,Field.Index.TOKENIZED));
IndexWriter writer= newIndexWriter(FSDirectory.getDirectory(path,true ),newStandardAnalyzer(),true );
writer.setMaxFieldLength( 3 );
writer.addDocument(doc1);
writer.setMaxFieldLength( 3 );
writer.addDocument(doc2);
writer.close();
IndexSearcher searcher= newIndexSearcher(path);
Hits hits= null ;
Query query= null ;
QueryParser qp= newQueryParser( " name " , newStandardAnalyzer());
query=qp.parse( " lighter " );
hits=searcher.search(query);
System.out.println( " 查找\ " lighter\ "共 " +hits.length()+ " 个结果 " );
query=qp.parse( " javaeye " );
hits=searcher.search(query);
System.out.println( " 查找\ " javaeye\ "共 " +hits.length()+ " 个结果 " );
}
} 运行结果：
http://www.cnblogs.com/Images/OutliningIndicators/None.gif 查找 " lighter " 共2个结果
http://www.cnblogs.com/Images/OutliningIndicators/None.gif查找 " javaeye " 共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
http://www.cnblogs.com/Images/OutliningIndicators/None.gif FSDirectory.getDirectory(File file, boolean create)
http://www.cnblogs.com/Images/OutliningIndicators/None.gifFSDirectory.getDirectory(String path, boolean create)
两个工厂方法返回目录
New RAMDirectory()就直接可以
再和
http://www.cnblogs.com/Images/OutliningIndicators/None.gif IndexWriter(Directory d, Analyzer a, boolean create)
一配合就行了
如：
http://www.cnblogs.com/Images/OutliningIndicators/None.gif IndexWrtier indexWriter = new IndexWriter(FSDirectory.getDirectory(“c:\\index”, true ), new StandardAnlyazer(), true );
http://www.cnblogs.com/Images/OutliningIndicators/None.gifIndexWrtier indexWriter = new IndexWriter( new RAMDirectory(), new StandardAnlyazer(), true );
3.索引的合并
这个可用
http://www.cnblogs.com/Images/OutliningIndicators/None.gif IndexWriter.addIndexes(Directory[] dirs)
将目录加进去
来看个例子: public voidUniteIndex()throwsIOException
{
IndexWriter writerDisk= newIndexWriter(FSDirectory.getDirectory( " c:\\indexDisk " ,true ), newStandardAnalyzer(), true );
Document docDisk= newDocument();
docDisk.add( newField( " name " , " 程序员之家 " ,Field.Store.YES,Field.Index.TOKENIZED));
writerDisk.addDocument(docDisk);
RAMDirectory ramDir= newRAMDirectory();
IndexWriter writerRam= newIndexWriter(ramDir, newStandardAnalyzer(), true );
Document docRam= newDocument();
docRam.add( newField( " 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( newDirectory[] {ramDir} );
writerDisk.close();
}
public voidUniteSearch()throwsParseException, IOException
{
QueryParser queryParser= newQueryParser( " name " , newStandardAnalyzer());
Query query=queryParser.parse( " 程序员 " );
IndexSearcher indexSearcher= newIndexSearcher( " c:\\indexDisk " );
Hits hits=indexSearcher.search(query);
System.out.println( " 找到了 " + hits.length() + " 结果 " );
for ( inti = 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IndexWriter的close()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：http://www.cnblogs.com/Images/OutliningIndicators/None.gif 1 . new QueryParser(Field字段， new 分析器)
http://www.cnblogs.com/Images/OutliningIndicators/None.gif 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
http://www.cnblogs.com/Images/OutliningIndicators/None.gif 3 . new IndexSearcher(索引目录).search(query);返回Hits
http://www.cnblogs.com/Images/OutliningIndicators/None.gif 4 .用Hits.doc(n);可以遍历出Document
http://www.cnblogs.com/Images/OutliningIndicators/None.gif 5 .用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
http://www.cnblogs.com/Images/OutliningIndicators/None.gif QueryParser queryParser = new QueryParser( " name " , new StandardAnalyzer());
http://www.cnblogs.com/Images/OutliningIndicators/None.gif Query query = queryParser.parse( " 程序员 " );
http://www.cnblogs.com/Images/OutliningIndicators/ExpandedBlockStart.gif/* 这里返回的就是org.apache.lucene.search.PhraseQuery */
http://www.cnblogs.com/Images/OutliningIndicators/None.gif IndexSearcher indexSearcher = new IndexSearcher( " c:\\indexDisk " );
http://www.cnblogs.com/Images/OutliningIndicators/None.gif 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new个Query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
用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 voidIndexSort()throwsIOException
{
IndexWriter writer= newIndexWriter( " C:\\indexStore " , newStandardAnalyzer(), true );
Document doc= newDocument()
doc.add( newField( " sort " , " 1 " ,Field.Store.YES,Field.Index.TOKENIZED));
writer.addDocument(doc);
doc= newDocument();
doc.add( newField( " sort " , " 4 " ,Field.Store.YES,Field.Index.TOKENIZED));
writer.addDocument(doc);
doc= newDocument();
doc.add( newField( " sort " , " 3 " ,Field.Store.YES,Field.Index.TOKENIZED));
writer.addDocument(doc);
doc= newDocument();
doc.add( newField( " sort " , " 5 " ,Field.Store.YES,Field.Index.TOKENIZED));
writer.addDocument(doc);
doc= newDocument();
doc.add( newField( " sort " , " 9 " ,Field.Store.YES,Field.Index.TOKENIZED));
writer.addDocument(doc);
doc= newDocument();
doc.add( newField( " sort " , " 6 " ,Field.Store.YES,Field.Index.TOKENIZED));
writer.addDocument(doc);
doc= newDocument();
doc.add( newField( " sort " , " 7 " ,Field.Store.YES,Field.Index.TOKENIZED));
writer.addDocument(doc);
writer.close();
}
下面是搜索的例子: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()+"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("有"+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;
for(int i = 0;i
{
Document doc =reader.document(i);
sort=new Integer(doc.get("sort"));
}
}
public int compare(ScoreDoc i, ScoreDoc j)
{
if(sort>sort)
return 1;
if(sort
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);
}
}
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;
}
}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了
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cpu的idle为0
5、默认的评分机制不太合理，需要根据自己的业务定制 it论坛
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
摘自：http://www.cnblogs.com/cy163/archive/2009/09/15/1566944.html
页:
[1]