码迷,mamicode.com
首页 > Web开发 > 详细

Lucene

时间:2020-02-20 17:27:38      阅读:89      评论:0      收藏:0      [点我收藏+]

标签:apache   alt   搜索   结构   索引   系统   取出   分词   bsp   

1 什么是全文检索?

1.1 数据分类

  • 我们生活中的数据总体分为两类:结构化数据和非结构化数据。
  • 结构化数据:指的是具有固定格式和有限长度的数据。比如数据库的数据等。
  • 非结构化数据:指的是不具有固定格式或非有限长度的数据,比如邮件、Word文档等磁盘上的文件。

1.2 结构化数据搜索

  • 常见的结构化数据也就是数据库中的数据。在数据库中搜索很容易实现,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由规律的,有行有列而且数据格式、长度都是固定的。

1.3 非结构化数据查询方法

1.3.1 顺序扫描法

  • 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查询,对于每一个文档,从头看到尾,如果此文档包含此字符串,则此文档是我们要找的文件,接着看下一个文件,直到扫描完所有的文件。例如利用windows的搜索也可以搜索文件内容,只是相当的慢。

1.3.2 全文检索

  • 将非结构化数据的一部分信息提取出来,重新组织,使其变得具有一定的结构,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母的。这部分从非结构化数据中提取的然后重新组织的信息,我们称之为索引。
  • 例如:字典。字典的拼音表和部首检查字表就相当于字典的索引,对于每一个字的解释是非结构化的,如果字典没有拼音表或部首查字表,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,便可找到我们非结构化的数据--对字的解释。

 

  • 上面这种先建立索引,再对索引进行搜索的过程叫全文检索。
  • 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。

1.4 如何实现全文检索

  • 可以使用Lucene实现全文检索。

1.5 全文检索的应用场景

  • 对于数据量大、数据结构不固定的数据可采用全文检索的方式进行搜索,比如百度、Google等搜索引擎、论坛站内搜索、电商网站等等。

 

2 使用Lucene实现全文检索的流程

2.1 Lucene简介

  • Lucene是Apache下的一个开源的全文检索引擎工具包。提供了完整的查询引擎和索引引擎,部分文本分析引擎。
  • Lucene的目的是为软件开发人员提供一个简单易用的工具包,以方便在目标系统中实现全文检索的功能。

2.2 索引和搜索的流程图

技术图片

  • 绿色表示创建索引过程,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:获取文档-->构建文档对象-->分析文档(对内容分词)-->创建索引。
  • 红色表示查询索引过程,从索引库中搜索内容,搜索过程包括:

 

Lucene

标签:apache   alt   搜索   结构   索引   系统   取出   分词   bsp   

原文地址:https://www.cnblogs.com/xuweiweiwoaini/p/12336135.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!