标签：工具 联网 停用 引擎 serial 切分 开放源代码 抓取 邮件
Lucene是apache软件基金会4 jakarta项目组的一个子项目，是一个开放源代码的全文检索引擎工具包，但它不是一个完整的全文检索引擎，而是一个全文检索引擎的架构，提供了完整的查询引擎和索引引擎，部分文本分析引擎（英文与德文两种西方语言）。Lucene的目的是为软件开发人员提供一个简单易用的工具包，以方便的在目标系统中实现全文检索的功能，或者是以此为基础建立起完整的全文检索引擎。Lucene是一套用于全文检索和搜寻的开源程式库，由Apache软件基金会支持和提供。Lucene提供了一个简单却强大的应用程式接口，能够做全文索引和搜寻。在Java开发环境里Lucene是一个成熟的免费开源工具。就其本身而言，Lucene是当前以及最近几年最受欢迎的免费Java信息检索程序库。人们经常提到信息检索程序库，虽然与搜索引擎有关，但不应该将信息检索程序库与搜索引擎相混淆。
说之前先说一说数据的分类：
我们生活中的数据总体分为两种：结构化数据和非结构化数据。
（1）结构化数据：指具有固定格式或有限长度的数据，如数据库，元数据等。
（2）非结构化数据：指不定长或无固定格式的数据，如邮件，word文档等磁盘上的文件
数据库中的搜索很容易实现，通常都是使用sql语句进行查询，而且能很快的得到查询结果。
为什么数据库搜索很容易？
因为数据库中的数据存储是有规律的，有行有列而且数据格式、数据长度都是固定的。
（1）顺序扫描法(Serial Scanning)
所谓顺序扫描，比如要找内容包含某一个字符串的文件，就是一个文档一个文档的看，对于每一个文档，从头看到尾，如果此文档包含此字符串，则此文档为我们要找的文件，接着看下一个文件，直到扫描完所有的文件。如利用windows的搜索也可以搜索文件内容，只是相当的慢。
（2）全文检索(Full-text Search)
将非结构化数据中的一部分信息提取出来，重新组织，使其变得有一定结构，然后对此有一定结构的数据进行搜索，从而达到搜索相对较快的目的。这部分从非结构化数据中提取出的然后重新组织的信息，我们称之索引。
例如：字典。字典的拼音表和部首检字表就相当于字典的索引，对每一个字的解释是非结构化的，如果字典没有音节表和部首检字表，在茫茫辞海中找一个字只能顺序扫描。然而字的某些信息可以提取出来进行结构化处理，比如读音，就比较结构化，分声母和韵母，分别只有几种可以一一列举，于是将读音拿出来按一定的顺序排列，每一项读音都指向此字的详细解释的页数。我们搜索时按结构化的拼音搜到读音，然后按其指向的页数，便可找到我们的非结构化数据——也即对字的解释。
这种先建立索引，再对索引进行搜索的过程就叫全文检索(Full-text Search)。
虽然创建索引的过程也是非常耗时的，但是索引一旦创建就可以多次使用，全文检索主要处理的是查询，所以耗时间创建索引是值得的。
对于数据量大、数据结构不固定的数据可采用全文检索方式搜索，比如百度、Google等搜索引擎、论坛站内搜索、电商网站站内搜索等。
1、绿色表示索引过程，对要搜索的原始内容进行索引构建一个索引库，索引过程包括：
确定原始内容即要搜索的内容→采集文档→创建文档→分析文档→索引文档
2、红色表示搜索过程，从索引库中搜索内容，搜索过程包括：
用户通过搜索界面→创建查询→执行搜索，从索引库搜索→渲染搜索结果
接下来详细讲解一下这张图片：
对文档索引的过程，将用户要搜索的文档内容进行索引，索引存储在索引库（index）中。
这里我们要搜索的文档是磁盘上的文本文件，根据案例描述：凡是文件名或文件内容包括关键字的文件都要找出来，这里要对文件名和文件内容创建索引。
原始文档是指要索引和搜索的内容。原始内容包括互联网上的网页、数据库中的数据、磁盘上的文件等。
从互联网上、数据库、文件系统中等获取需要搜索的原始信息，这个过程就是信息采集，信息采集的目的是为了对原始内容进行索引。在Internet上采集信息的软件通常称为爬虫或蜘蛛，也称为网络机器人，爬虫访问互联网上的每一个网页，将获取到的网页内容存储起来。
Lucene不提供信息采集的类库，需要自己编写一个爬虫程序实现信息采集，也可以通过一些开源软件实现信息采集，如下：
（1）Nutch（http://lucene.apache.org/nutch）, Nutch是apache的一个子项目，包括大规模爬虫工具，能够抓取和分辨web网站数据。
（2）jsoup（http://jsoup.org/ ），jsoup 是一款Java 的HTML解析器，可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的API，可通过DOM，CSS以及类似于jQuery的操作方法来取出和操作数据。
（3）heritrix（http://sourceforge.net/projects/archive-crawler/files/），Heritrix 是一个由 java 开发的、开源的网络爬虫，用户可以使用它来从网上抓取想要的资源。其最出色之处在于它良好的可扩展性，方便用户实现自己的抓取逻辑。
本案例我们要获取磁盘上文件的内容，可以通过文件流来读取文本文件的内容，对于pdf、doc、xls等文件可通过第三方提供的解析工具读取文件内容，比如Apache POI读取doc和xls的文件内容。
获取原始内容的目的是为了索引，在索引前需要将原始内容创建成文档（Document），文档中包括一个一个的域（Field），域中存储内容。
这里我们可以将磁盘上的一个文件当成一个document，Document中包括一些Field（file_name文件名称、file_path文件路径、file_size文件大小、file_content文件内容），如下图：
注意：（1）每个Document可以有多个Field
（2）不同的Document可以有不同的Field
（3）同一个Document可以有相同的Field（域名和域值都相同）
（4）每个文档都有一个唯一的编号，就是文档id。
将原始内容创建为包含域（Field）的文档（document），需要再对域中的内容进行分析，分析的过程是经过对原始文档提取单词、将字母转为小写、去除标点符号、去除停用词等过程生成最终的语汇单元，可以将语汇单元理解为一个一个的单词。
比如下边的文档经过分析如下：
原文档内容：
Lucene is a Java full-text search engine.
分析后得到的语汇单元：
lucene、java、full、search、engine
每个单词叫做一个Term，不同的域中拆分出来的相同的单词是不同的term。term中包含两部分一部分是文档的域名，另一部分是单词的内容。
例如：文件名中包含apache和文件内容中包含的apache是不同的term。
对所有文档分析得出的语汇单元进行索引，索引的目的是为了搜索，最终要实现只搜索被索引的语汇单元从而找到Document（文档）。
注意：（1）创建索引是对语汇单元索引，通过词语找文档，这种索引的结构叫倒排索引结构。
（2）传统方法是根据文件找到该文件的内容，在文件内容中匹配搜索关键字，这种方法是顺序扫描方法，数据量大、搜索慢。
（3）倒排索引结构是根据内容（词语）找文档，如下图：
倒排索引结构也叫反向索引结构，包括索引和文档两部分，索引即词汇表，它的规模较小，而文档集合较大。
创建索引代码实例：
新建一个Java工程，导入相关的jar包
编写创建索引代码
使用indexwriter对象创建索引
具体步骤：
第一步：创建一个indexwriter对象。
1）指定索引库的存放位置Directory对象
2）指定一个分析器，对文档内容进行分析。
第二步：创建document对象。
第三步：创建field对象，将field添加到document对象中。
第四步：使用indexwriter对象将document对象写入索引库，此过程进行索引创建。并将索引和document对象写入索引库。
第五步：关闭IndexWriter对象。
1 //创建索引 2 public void testCreateIndex() throws IOException{ 3 //指定索引库的存放位置Directory对象 4 Directory directory = FSDirectory.open(new File("E:\\programme\\test")); 5 //索引库还可以存放到内存中 6 //Directory directory = new RAMDirectory(); 7 8 //指定一个标准分析器，对文档内容进行分析 9 Analyzer analyzer = new StandardAnalyzer(); 10 11 //创建indexwriterCofig对象 12 //第一个参数： Lucene的版本信息，可以选择对应的lucene版本也可以使用LATEST 13 //第二根参数：分析器对象 14 IndexWriterConfig config = new IndexWriterConfig(Version.LATEST, analyzer); 15 16 //创建一个indexwriter对象 17 IndexWriter indexWriter = new IndexWriter(directory, config); 18 19 //原始文档的路径 20 File file = new File("E:\\programme\\searchsource"); 21 File[] fileList = file.listFiles(); 22 for (File file2 : fileList) { 23 //创建document对象 24 Document document = new Document(); 25 26 //创建field对象，将field添加到document对象中 27 28 //文件名称 29 String fileName = file2.getName(); 30 //创建文件名域 31 //第一个参数：域的名称 32 //第二个参数：域的内容 33 //第三个参数：是否存储 34 Field fileNameField = new TextField("fileName", fileName, Store.YES); 35 36 //文件的大小 37 long fileSize = FileUtils.sizeOf(file2); 38 //文件大小域 39 Field fileSizeField = new LongField("fileSize", fileSize, Store.YES); 40 41 //文件路径 42 String filePath = file2.getPath(); 43 //文件路径域（不分析、不索引、只存储） 44 Field filePathField = new StoredField("filePath", filePath); 45 46 //文件内容 47 String fileContent = FileUtils.readFileToString(file2); 48 //String fileContent = FileUtils.readFileToString(file2, "utf-8"); 49 //文件内容域 50 Field fileContentField = new TextField("fileContent", fileContent, Store.YES); 51 52 document.add(fileNameField); 53 document.add(fileSizeField); 54 document.add(filePathField); 55 document.add(fileContentField); 56 //使用indexwriter对象将document对象写入索引库，此过程进行索引创建。并将索引和document对象写入索引库。 57 indexWriter.addDocument(document); 58 } 59 //关闭IndexWriter对象。 60 indexWriter.close(); 61 }
是否分析：是否对域的内容进行分词处理。前提是我们要对域的内容进行查询。
是否索引：将Field分析后的词或整个Field值进行索引，只有索引方可搜索到。
比如：商品名称、商品简介分析后进行索引，订单号、身份证号不用分析但也要索引，这些将来都要作为查询条件。
是否存储：将Field值存储在文档中，存储在文档中的Field才可以从Document中获取
比如：商品名称、订单号，凡是将来要从Document中获取的Field都要存储。
是否存储的标准：是否要将内容展示给用户
|
Field类 |
数据类型 |
Analyzed 是否分析 |
Indexed 是否索引 |
Stored 是否存储 |
说明 |
|
StringField(FieldName, FieldValue,Store.YES)) |
字符串 |
N |
Y |
Y或N |
这个Field用来构建一个字符串Field，但是不会进行分析，会将整个串存储在索引中，比如(订单号,姓名等) 是否存储在文档中用Store.YES或Store.NO决定 |
|
LongField(FieldName, FieldValue,Store.YES) |
Long型 |
Y |
Y |
Y或N |
这个Field用来构建一个Long数字型Field，进行分析和索引，比如(价格) 是否存储在文档中用Store.YES或Store.NO决定 |
|
StoredField(FieldName, FieldValue) |
重载方法，支持多种类型 |
N |
N |
Y |
这个Field用来构建不同类型Field 不分析，不索引，但要Field存储在文档中 |
|
TextField(FieldName, FieldValue, Store.NO) 或 TextField(FieldName, reader)
|
字符串 或 流 |
Y |
Y |
Y或N |
如果是一个Reader, lucene猜测内容比较多,会采用Unstored的策略. |
查询索引也是搜索的过程。搜索就是用户输入关键字，从索引（index）中进行搜索的过程。根据关键字搜索索引，根据索引找到对应的文档，从而找到要搜索的内容（这里指磁盘上的文件）。
对要搜索的信息创建Query查询对象，Lucene会根据Query查询对象生成最终的查询语法，类似关系数据库Sql语法一样Lucene也有自己的查询语法，比如：“name:lucene”表示查询Field的name为“lucene”的文档信息。
全文检索系统提供用户搜索的界面供用户提交搜索的关键字，搜索完成展示搜索结果。
比如： 百度搜索
Lucene不提供制作用户搜索界面的功能，需要根据自己的需求开发搜索界面。
用户输入查询关键字执行搜索之前需要先构建一个查询对象，查询对象中可以指定查询要搜索的Field文档域、查询关键字等，查询对象会生成具体的查询语法，
例如： 语法 “fileName:lucene”表示要搜索Field域的内容为“lucene”的文档
搜索索引过程：
根据查询语法在倒排索引词典表中分别找出对应搜索词的索引，从而找到索引所链接的文档链表。
比如搜索语法为“fileName:lucene”表示搜索出fileName域中包含Lucene的文档。
搜索过程就是在索引上查找域为fileName，并且关键字为Lucene的term，并根据term找到文档id列表。
可通过两种方法创建查询对象：
1）使用Lucene提供Query子类
Query是一个抽象类，lucene提供了很多查询对象，比如TermQuery项精确查询，NumericRangeQuery数字范围查询等。
如下代码：
Query query = new TermQuery(new Term("name", "lucene"));
2）使用QueryParse解析查询表达式
QueryParse会将用户输入的查询表达式解析成Query对象实例。
如下代码：
QueryParser queryParser = new QueryParser("name", new IKAnalyzer());
Query query = queryParser.parse("name:lucene");
首先，演示第一种方法，使用query的子类查询
实现步骤
第一步：创建一个Directory对象，也就是索引库存放的位置。
第二步：创建一个indexReader对象，需要指定Directory对象。
第三步：创建一个indexsearcher对象，需要指定IndexReader对象
第四步：创建一个Query的子类对象，指定查询的域和查询的关键词。
第五步：执行查询。
第六步：返回查询结果。遍历查询结果并输出。
第七步：关闭IndexReader对象
使用MatchAllDocsQuery查询索引目录中的所有文档
具体代码：
@Test public void testMatchAllDocsQuery() throws Exception { //创建一个Directory对象，指定索引库存放的路径 Directory directory = FSDirectory.open(new File("E:\\programme\\test")); //创建IndexReader对象，需要指定Directory对象 IndexReader indexReader = DirectoryReader.open(directory); //创建Indexsearcher对象，需要指定IndexReader对象 IndexSearcher indexSearcher = new IndexSearcher(indexReader); //创建查询条件 //使用MatchAllDocsQuery查询索引目录中的所有文档 Query query = new MatchAllDocsQuery(); //执行查询 //第一个参数是查询对象，第二个参数是查询结果返回的最大值 TopDocs topDocs = indexSearcher.search(query, 10); //查询结果的总条数 System.out.println("查询结果的总条数："+ topDocs.totalHits); //遍历查询结果 //topDocs.scoreDocs存储了document对象的id //ScoreDoc[] scoreDocs = topDocs.scoreDocs; for (ScoreDoc scoreDoc : topDocs.scoreDocs) { //scoreDoc.doc属性就是document对象的id //int doc = scoreDoc.doc; //根据document的id找到document对象 Document document = indexSearcher.doc(scoreDoc.doc); //文件名称 System.out.println(document.get("fileName")); //文件内容 System.out.println(document.get("fileContent")); //文件大小 System.out.println(document.get("fileSize")); //文件路径 System.out.println(document.get("filePath")); System.out.println("----------------------------------"); } //关闭indexreader对象 indexReader.close(); }
TermQuery，通过项查询，TermQuery不使用分析器所以建议匹配不分词的Field域查询，比如订单号、分类ID号等。
指定要查询的域和要查询的关键词。
具体代码：
1 //搜索索引 2 @Test 3 public void testSearchIndex() throws IOException{ 4 //创建一个Directory对象，指定索引库存放的路径 5 Directory directory = FSDirectory.open(new File("E:\\programme\\test")); 6 //创建IndexReader对象，需要指定Directory对象 7 IndexReader indexReader = DirectoryReader.open(directory); 8 //创建Indexsearcher对象，需要指定IndexReader对象 9 IndexSearcher indexSearcher = new IndexSearcher(indexReader); 10 //创建一个TermQuery（精准查询）对象，指定查询的域与查询的关键词 11 //创建查询 12 Query query = new TermQuery(new Term("fileName", "apache")); 13 //执行查询 14 //第一个参数是查询对象，第二个参数是查询结果返回的最大值 15 TopDocs topDocs = indexSearcher.search(query, 10); 16 //查询结果的总条数 17 System.out.println("查询结果的总条数："+ topDocs.totalHits); 18 //遍历查询结果 19 //topDocs.scoreDocs存储了document对象的id 20 //ScoreDoc[] scoreDocs = topDocs.scoreDocs; 21 for (ScoreDoc scoreDoc : topDocs.scoreDocs) { 22 //scoreDoc.doc属性就是document对象的id 23 //int doc = scoreDoc.doc; 24 //根据document的id找到document对象 25 Document document = indexSearcher.doc(scoreDoc.doc); 26 //文件名称 27 System.out.println(document.get("fileName")); 28 //文件内容 29 System.out.println(document.get("fileContent")); 30 //文件大小 31 System.out.println(document.get("fileSize")); 32 //文件路径 33 System.out.println(document.get("filePath")); 34 System.out.println("----------------------------------"); 35 } 36 //关闭indexreader对象 37 indexReader.close(); 38 } 39 }
可以根据数值范围查询。
具体代码：
//数值范围查询 @Test public void testNumericRangeQuery() throws Exception { //创建一个Directory对象，指定索引库存放的路径 Directory directory = FSDirectory.open(new File("E:\\programme\\test")); //创建IndexReader对象，需要指定Directory对象 IndexReader indexReader = DirectoryReader.open(directory); //创建Indexsearcher对象，需要指定IndexReader对象 IndexSearcher indexSearcher = new IndexSearcher(indexReader); //创建查询 //参数： //1.域名 //2.最小值 //3.最大值 //4.是否包含最小值 //5.是否包含最大值 Query query = NumericRangeQuery.newLongRange("fileSize", 41L, 2055L, true, true); //执行查询 //第一个参数是查询对象，第二个参数是查询结果返回的最大值 TopDocs topDocs = indexSearcher.search(query, 10); //查询结果的总条数 System.out.println("查询结果的总条数："+ topDocs.totalHits); //遍历查询结果 //topDocs.scoreDocs存储了document对象的id //ScoreDoc[] scoreDocs = topDocs.scoreDocs; for (ScoreDoc scoreDoc : topDocs.scoreDocs) { //scoreDoc.doc属性就是document对象的id //int doc = scoreDoc.doc; //根据document的id找到document对象 Document document = indexSearcher.doc(scoreDoc.doc); //文件名称 System.out.println(document.get("fileName")); //文件内容 System.out.println(document.get("fileContent")); //文件大小 System.out.println(document.get("fileSize")); //文件路径 System.out.println(document.get("filePath")); System.out.println("----------------------------------"); } //关闭indexreader对象 indexReader.close(); }
可以组合查询条件。
具体代码：
//组合条件查询 @Test public void testBooleanQuery() throws Exception { //创建一个Directory对象，指定索引库存放的路径 Directory directory = FSDirectory.open(new File("E:\\programme\\test")); //创建IndexReader对象，需要指定Directory对象 IndexReader indexReader = DirectoryReader.open(directory); //创建Indexsearcher对象，需要指定IndexReader对象 IndexSearcher indexSearcher = new IndexSearcher(indexReader); //创建一个布尔查询对象 BooleanQuery query = new BooleanQuery(); //创建第一个查询条件 Query query1 = new TermQuery(new Term("fileName", "apache")); Query query2 = new TermQuery(new Term("fileName", "lucene")); //组合查询条件 query.add(query1, Occur.MUST); query.add(query2, Occur.MUST); //执行查询 //第一个参数是查询对象，第二个参数是查询结果返回的最大值 TopDocs topDocs = indexSearcher.search(query, 10); //查询结果的总条数 System.out.println("查询结果的总条数："+ topDocs.totalHits); //遍历查询结果 //topDocs.scoreDocs存储了document对象的id //ScoreDoc[] scoreDocs = topDocs.scoreDocs; for (ScoreDoc scoreDoc : topDocs.scoreDocs) { //scoreDoc.doc属性就是document对象的id //int doc = scoreDoc.doc; //根据document的id找到document对象 Document document = indexSearcher.doc(scoreDoc.doc); //文件名称 System.out.println(document.get("fileName")); //文件内容 System.out.println(document.get("fileContent")); //文件大小 System.out.println(document.get("fileSize")); //文件路径 System.out.println(document.get("filePath")); System.out.println("----------------------------------"); } //关闭indexreader对象 indexReader.close(); }
Occur.MUST：必须满足此条件，相当于and
Occur.SHOULD：应该满足，但是不满足也可以，相当于or
Occur.MUST_NOT：必须不满足。相当于not
接着，演示第二种方法：使用queryparser查询
通过QueryParser也可以创建Query，QueryParser提供一个Parse方法，此方法可以直接根据查询语法来查询。Query对象执行的查询语法可通过System.out.println(query);查询。
这个操作需要使用到分析器。建议创建索引时使用的分析器和查询索引时使用的分析器要一致。
queryparser
具体代码：
@Test public void testQueryParser() throws Exception { //创建一个Directory对象，指定索引库存放的路径 Directory directory = FSDirectory.open(new File("E:\\programme\\test")); //创建IndexReader对象，需要指定Directory对象 IndexReader indexReader = DirectoryReader.open(directory); //创建Indexsearcher对象，需要指定IndexReader对象 IndexSearcher indexSearcher = new IndexSearcher(indexReader); //创建queryparser对象 //第一个参数默认搜索的域 //第二个参数就是分析器对象 QueryParser queryParser = new QueryParser("fileName", new IKAnalyzer()); //使用默认的域,这里用的是语法，下面会详细讲解一下 Query query = queryParser.parse("apache"); //不使用默认的域，可以自己指定域 //Query query = queryParser.parse("fileContent:apache"); //执行查询 //第一个参数是查询对象，第二个参数是查询结果返回的最大值 TopDocs topDocs = indexSearcher.search(query, 10); //查询结果的总条数 System.out.println("查询结果的总条数："+ topDocs.totalHits); //遍历查询结果 //topDocs.scoreDocs存储了document对象的id //ScoreDoc[] scoreDocs = topDocs.scoreDocs; for (ScoreDoc scoreDoc : topDocs.scoreDocs) { //scoreDoc.doc属性就是document对象的id //int doc = scoreDoc.doc; //根据document的id找到document对象 Document document = indexSearcher.doc(scoreDoc.doc); //文件名称 System.out.println(document.get("fileName")); //文件内容 System.out.println(document.get("fileContent")); //文件大小 System.out.println(document.get("fileSize")); //文件路径 System.out.println(document.get("filePath")); System.out.println("----------------------------------"); } //关闭indexreader对象 indexReader.close(); }
1、基础的查询语法，关键词查询：
域名+“：”+搜索的关键字
例如：content:java
2、范围查询
域名+“:”+[最小值 TO 最大值]
例如：size:[1 TO 1000]
范围查询在lucene中支持数值类型，不支持字符串类型。在solr中支持字符串类型。
3、组合条件查询
1）+条件1 +条件2：两个条件之间是并且的关系and
例如：+filename:apache +content:apache
2）+条件1 条件2：必须满足第一个条件，应该满足第二个条件
例如：+filename:apache content:apache
3）条件1 条件2：两个条件满足其一即可。
例如：filename:apache content:apache
4）-条件1 条件2：必须不满足条件1，要满足条件2
例如：-filename:apache content:apache
|
Occur.MUST 查询条件必须满足，相当于and |
+（加号） |
|
Occur.SHOULD 查询条件可选，相当于or |
空（不用符号） |
|
Occur.MUST_NOT 查询条件不能满足，相当于not非 |
-（减号） |
第二种写法：
条件1 AND 条件2
条件1 OR 条件2
条件1 NOT 条件2
可以指定多个默认搜索域
具体代码：
1 @Test 2 public void testMultiFiledQueryParser() throws Exception { 3 //创建一个Directory对象，指定索引库存放的路径 4 Directory directory = FSDirectory.open(new File("E:\\programme\\test")); 5 //创建IndexReader对象，需要指定Directory对象 6 IndexReader indexReader = DirectoryReader.open(directory); 7 //创建Indexsearcher对象，需要指定IndexReader对象 8 IndexSearcher indexSearcher = new IndexSearcher(indexReader); 9 10 //可以指定默认搜索的域是多个 11 String[] fields = {"fileName", "fileContent"}; 12 //创建一个MulitFiledQueryParser对象 13 MultiFieldQueryParser queryParser = new MultiFieldQueryParser(fields, new IKAnalyzer()); 14 Query query = queryParser.parse("apache"); 15 System.out.println(query); 16 //执行查询 17 18 19 //第一个参数是查询对象，第二个参数是查询结果返回的最大值 20 TopDocs topDocs = indexSearcher.search(query, 10); 21 22 //查询结果的总条数 23 System.out.println("查询结果的总条数："+ topDocs.totalHits); 24 //遍历查询结果 25 //topDocs.scoreDocs存储了document对象的id 26 //ScoreDoc[] scoreDocs = topDocs.scoreDocs; 27 for (ScoreDoc scoreDoc : topDocs.scoreDocs) { 28 //scoreDoc.doc属性就是document对象的id 29 //int doc = scoreDoc.doc; 30 //根据document的id找到document对象 31 Document document = indexSearcher.doc(scoreDoc.doc); 32 //文件名称 33 System.out.println(document.get("fileName")); 34 //文件内容 35 System.out.println(document.get("fileContent")); 36 //文件大小 37 System.out.println(document.get("fileSize")); 38 //文件路径 39 System.out.println(document.get("filePath")); 40 System.out.println("----------------------------------"); 41 } 42 //关闭indexreader对象 43 indexReader.close(); 44 }
|
方法 |
说明 |
|
indexSearcher.search(query, n) |
根据Query搜索，返回评分最高的n条记录 |
|
indexSearcher.search(query, filter, n) |
根据Query搜索，添加过滤策略，返回评分最高的n条记录 |
|
indexSearcher.search(query, n, sort) |
根据Query搜索，添加排序策略，返回评分最高的n条记录 |
|
indexSearcher.search(booleanQuery, filter, n, sort) |
根据Query搜索，添加过滤策略，添加排序策略，返回评分最高的n条记录 |
Lucene搜索结果可通过TopDocs遍历，TopDocs类提供了少量的属性，如下：
|
方法或属性 |
说明 |
|
totalHits |
匹配搜索条件的总记录数 |
|
scoreDocs |
顶部匹配记录 |
注意：
（1）Search方法需要指定匹配记录数量n：indexSearcher.search(query, n)
（2）TopDocs.totalHits：是匹配索引库中所有记录的数量
（3）TopDocs.scoreDocs：匹配相关度高的前边记录数组，scoreDocs的长度小于等于search方法指定的参数n
中文分词器 ：
首先，看一看Lucene自带的中文分词器
（1）StandardAnalyzer：（标准分词器，也是前面例子中使用的分词器）
单字分词：就是按照中文一个字一个字地进行分词。
如：“我爱中国”，
效果：“我”、“爱”、“中”、“国”。
（2）CJKAnalyzer
二分法分词：按两个字进行切分。
如：“我是中国人”，
效果：“我是”、“是中”、“中国”“国人”。
但上边两个分词器无法满足需求。
（3）SmartChineseAnalyzer
对中文支持较好，但扩展性差，扩展词库，禁用词库和同义词库等不好处理
然后，看一看我们开发真正使用的第三方中文分词器：
我们今天介绍IK-analyzer这款第三方中文分词器
IK-analyzer： 最新版在https://code.google.com/p/ik-analyzer/上，支持Lucene 4.10从2006年12月推出1.0版开始， IKAnalyzer已经推出了4个大版本。最初，它是以开源项目Luence为应用主体的，结合词典分词和文法分析算法的中文分词组件。从3.0版本开 始，IK发展为面向Java的公用分词组件，独立于Lucene项目，同时提供了对Lucene的默认优化实现。在2012版本中，IK实现了简单的分词 歧义排除算法，标志着IK分词器从单纯的词典分词向模拟语义分词衍化。 但是也就是2012年12月后没有在更新。
使用方法：
第一步：把jar包添加到工程中
第二步：把配置文件和扩展词词典和停用词词典添加到classpath下（停用词词典与扩展词词典名称可自行定义，只要在配置文件中配置好就可以了）
注意：扩展词词典和停用词词典文件的格式为UTF-8，注意是无BOM 的UTF-8 编码。
配置文件详情
<?xml version="1.0" encoding="UTF-8"?> <!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd"> <properties> <comment>IK Analyzer 扩展配置</comment> <!--用户可以在这里配置自己的扩展字典 --> <entry key="ext_dict">ext.dic;</entry> <!--用户可以在这里配置自己的扩展停止词字典--> <entry key="ext_stopwords">stopword.dic;</entry> </properties>
停用词词典与扩展词词典样例：
这样，创建分析器时，用一下代码就好了
Analyzer analyzer = new IKAnalyzer();
注意：搜索使用的分析器要和索引使用的分析器一致，不然搜索出来结果可能会错乱。
（1）删除全部索引
说明：将索引目录的索引信息全部删除，直接彻底删除，无法恢复。此方法慎用！！
1 //删除全部索引 2 @Test 3 public void testDeleteAllIndex() throws Exception { 4 Directory directory = FSDirectory.open(new File("E:\\programme\\test")); 5 Analyzer analyzer = new IKAnalyzer(); 6 IndexWriterConfig config = new IndexWriterConfig(Version.LATEST, analyzer); 7 IndexWriter indexWriter = new IndexWriter(directory, config); 8 //删除全部索引 9 indexWriter.deleteAll(); 10 //关闭indexwriter 11 indexWriter.close(); 12 }
（2）指定查询条件删除
//根据查询条件删除索引 @Test public void deleteIndexByQuery() throws Exception { Directory directory = FSDirectory.open(new File("E:\\programme\\test")); Analyzer analyzer = new IKAnalyzer(); IndexWriterConfig config = new IndexWriterConfig(Version.LATEST, analyzer); IndexWriter indexWriter = new IndexWriter(directory, config); //创建一个查询条件 Query query = new TermQuery(new Term("fileContent", "apache")); //根据查询条件删除 indexWriter.deleteDocuments(query); //关闭indexwriter indexWriter.close(); }
更新的原理就是先删除在添加
//修改索引库 @Test public void updateIndex() throws Exception { Directory directory = FSDirectory.open(new File("E:\\programme\\test")); Analyzer analyzer = new IKAnalyzer(); IndexWriterConfig config = new IndexWriterConfig(Version.LATEST, analyzer); IndexWriter indexWriter = new IndexWriter(directory, config); //创建一个Document对象 Document document = new Document(); //向document对象中添加域。 //不同的document可以有不同的域，同一个document可以有相同的域。 document.add(new TextField("fileXXX", "要更新的文档", Store.YES)); document.add(new TextField("contentYYY", "简介 Lucene 是一个基于 Java 的全文信息检索工具包。", Store.YES)); indexWriter.updateDocument(new Term("fileName", "apache"), document); //关闭indexWriter indexWriter.close(); }
这样，Lucene的简单介绍使用就完成了。
标签：工具 联网 停用 引擎 serial 切分 开放源代码 抓取 邮件
原文地址：http://www.cnblogs.com/xiaobai1226/p/7652093.html
