《Lucene初级教程.doc》由会员分享，可在线阅读，更多相关《Lucene初级教程.doc（18页珍藏版）》请在金锄头文库上搜索。
1、Lucene初级教程 2007-12-26 15:24 点击次数：0 次 1 lucene简介1.1 什么是lucene Lucene是一个全文搜索框架，而不是应用产品。因此它并不像 或者google Desktop那么拿来就能用，它只是提供了一种工具让你能实现这些产品。2 lucene的工作方式 lucene提供的服务实际包含两部分：一入一出。所谓入是写入，即将你提供的源（本质是字符串）写入索引或者将其从索引中删除；所谓出是读出，即向用户提供全文搜索服务，让用户可以通过关键词定位源。2.1写入流程 源字符串首先经过analyzer处理，包括：分词，分成一个个单词；去除stopword（可选）
2、。将源中需要的信息加入Document的各个Field中，并把需要索引的Field索引起来，把需要存储的Field存储起来。 将索引写入存储器，存储器可以是内存或磁盘。2.2读出流程 用户提供搜索关键词，经过analyzer处理。对处理后的关键词搜索索引找出对应的Document。用户根据需要从找到的Document中提取需要的Field。3 一些需要知道的概念3.1 analyzer Analyzer是分析器，它的作用是把一个字符串按某种规则划分成一个个词语，并去除其中的无效词语，这里说的无效词语是指英文中的“of”、“the”，中文中的“的”、“地”等词语，这些词语在文章中大量出现，但是本
3、身不包含什么关键信息，去掉有利于缩小索引文件、提高效率、提高命中率。分词的规则千变万化，但目的只有一个：按语义划分。这点在英文中比较容易实现，因为英文本身就是以单词为单位的，已经用空格分开；而中文则必须以某种方法将连成一片的句子划分成一个个词语。具体划分方法下面再详细介绍，这里只需了解分析器的概念即可。3.2 document用户提供的源是一条条记录，它们可以是文本文件、字符串或者数据库表的一条记录等等。一条记录经过索引之后，就是以一个Document的形式存储在索引文件中的。用户进行搜索，也是以Document列表的形式返回。3.3 field 一个Document可以包含多个信息域，例如一
4、篇文章可以包含“标题”、“正文”、“最后修改时间”等信息域，这些信息域就是通过Field在Document中存储的。 Field有两个属性可选：存储和索引。通过存储属性你可以控制是否对这个Field进行存储；通过索引属性你可以控制是否对该Field进行索引。这看起来似乎有些废话，事实上对这两个属性的正确组合很重要，下面举例说明：还是以刚才的文章为例子，我们需要对标题和正文进行全文搜索，所以我们要把索引属性设置为真，同时我们希望能直接从搜索结果中提取文章标题，所以我们把标题域的存储属性设置为真，但是由于正文域太大了，我们为了缩小索引文件大小，将正文域的存储属性设置为假，当需要时再直接读取文件；我
5、们只是希望能从搜索解果中提取最后修改时间，不需要对它进行搜索，所以我们把最后修改时间域的存储属性设置为真，索引属性设置为假。上面的三个域涵盖了两个属性的三种组合，还有一种全为假的没有用到，事实上Field不允许你那么设置，因为既不存储又不索引的域是没有意义的。3.4 termterm是搜索的最小单位，它表示文档的一个词语，term由两部分组成：它表示的词语和这个词语所出现的field。3.5 tocken tocken是term的一次出现，它包含trem文本和相应的起止偏移，以及一个类型字符串。一句话中可以出现多次相同的词语，它们都用同一个term表示，但是用不同的tocken，每个tocke
6、n标记该词语出现的地方。3.6 segment 添加索引时并不是每个document都马上添加到同一个索引文件，它们首先被写入到不同的小文件，然后再合并成一个大索引文件，这里每个小文件都是一个segment。4 如何建索引4.1 最简单的能完成索引的代码片断IndexWriter writer = new IndexWriter(“/data/index/”, new StandardAnalyzer(), true);Document doc = new Document();doc.add(new Field(title, lucene introduction, Field.Store.
7、YES, Field.Index.TOKENIZED);doc.add(new Field(content, lucene works well, Field.Store.YES, Field.Index.TOKENIZED);writer.addDocument(doc);writer.optimize();writer.close();下面我们分析一下这段代码。首先我们创建了一个writer，并指定存放索引的目录为“/data/index”，使用的分析器为StandardAnalyzer，第三个参数说明如果已经有索引文件在索引目录下，我们将覆盖它们。然后我们新建一个document。我们向
8、document添加一个field，名字是“title”，内容是“lucene introduction”，对它进行存储并索引。再添加一个名字是“content”的field，内容是“lucene works well”，也是存储并索引。然后我们将这个文档添加到索引中，如果有多个文档，可以重复上面的操作，创建document并添加。添加完所有document，我们对索引进行优化，优化主要是将多个segment合并到一个，有利于提高索引速度。 随后将writer关闭，这点很重要。 对，创建索引就这么简单！ 当然你可能修改上面的代码获得更具个性化的服务。4.2 索引文本文件 如果你想把纯文本文件索
9、引起来，而不想自己将它们读入字符串创建field，你可以用下面的代码创建field：Field field = new Field(content, new FileReader(file); 这里的file就是该文本文件。该构造函数实际上是读去文件内容，并对其进行索引，但不存储。Lucene 2 教程 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
10、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 ：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： 中华人民共和国全国人民2006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
11、: package ;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.lucen
12、e.document.Document;import org.apache.lucene.document.Field;import org.apache.lucene.index.IndexWriter;/*/ /* *authorlighterdate2006-8-7 */ public class TextFileIndexer public static void main(Stringargs) throws Exception /*/ /* 指明要索引文件夹的位置,这里是C盘的S文件夹下 */ FilefileDir = new File( c:s ); /*/ /* 这里放索引文
13、件的位置 */ FileindexDir = new File( c:index );AnalyzerluceneAnalyzer = new StandardAnalyzer();IndexWriterindexWriter = new IndexWriter(indexDir,luceneAnalyzer, true );FiletextFiles = fileDir.listFiles(); long startTime = new Date().getTime(); / 增加document到索引去 for ( int i = 0 ;i textFiles.length;i + ) if (textFilesi.isFile() & textFilesi.getName().endsWith( .txt ) System.out.println( File + textFilesi.getCanonicalPath() + 正在被索引. );Stringtemp = FileReaderAll(textFilesi.getCanonicalPath(), GBK );System.out.println(temp);Documentdocument = new Document
