Lucene全文检索系列(一)
1. Lucene简介
Lucene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。Lucene以其方便使用、快速实施以及灵活性受到广泛的关注。它可以方便地嵌入到各种应用中实现针对应用的全文索引、检索功能。
2. lucene 的包结构
1、analysis对需要建立索引的文本进行分词、过滤等操作
2、standard是标准分析器
3、document提供对Document和Field的各种操作的支持。
4、index是最重要的包,用于向Lucene提供建立索引时各种操作的支持
5、queryParser提供检索时的分析支持
6、search负责检索
7、store提供对索引存储的支持
8、util提供一些常用工具类和常量类的支持
Lucene中的类主要组成如下:
1)org.apache.1ucene.analysis语言分析器,主要用于的切词Analyzer是一个抽象类,管理对文本内容的切分词规则。
2)org.apache.1uceene.document索引存储时的文档结构管理,类似于关系型数据库的表结构。
3)document包相对而言比较简单,该包下面有3个类,document相对于关系型数据库的记录对象,Field主要负责字段的管理。
4)org.apache.1ucene.index索引管理,包括索引建立、删除等。索引包是整个系统核心,全文检索的根本就是为每个切出来的词建索引,查询时就只需要遍历索引,而不需要去正文中遍历,从而极大的提高检索效率。
5)org.apache.1ucene.queryParser查询分析器,实现查询关键词间的运算,如与、或、非等。
6)org.apache.1ucene.search检索管理,根据查询条件,检索得到结果。
7)org.apache.1ucene.store数据存储管理,主要包括一些底层的I/0操作。
8)org.apache.1ucene.util一些公用类。
3. Document文档
1)void add(Field field) 往Document对象中添加字段
2)void removeField(String name)删除字段。若多个字段以同一个字段名存在,则删除首先添加的字段;若不存在,则Document保持不变
3)void removeFields(String name)删除所有字段。若字段不存在,则Document保持不变
4)Field getField(String name)若多个字段以同一个字段名存在,则返回首先添加的字段;若字段不存在,则Document保持不变
5)Enumeration fields()返回Document对象的所有字段,以枚举类型返回
6)Field [] getFields(String name)根据名称得到一个Field的数组
7)String [] getValues(String name)根据名称得到一个Field的值的数组
Document doc1 = new Document();
doc1.add(new Field("name", "word1 word2 word3",Field.Store.NO,Field.Index.TOKENIZED));
Document doc2 = new Document();
doc2.add(new Field("name", "word1 word2 word3",Field.Store.NO,Field.Index.TOKENIZED));
4. Field字段
new Field("name", "word1 word2 word3",Field.Store.YES,Field.Index.TOKENIZED)
(1)store类有3个公有的静态属性:
Store.NO:表示该Field不需要存储
Store.YES:表示该Field需要存储
Store.COMPRESS:表示用压缩方式来保存这个Field的值
(2)index类有4个公有的静态属性:
Index.NO:不需要索引
Index.TOKENIZED:先被分词再被索引
Index.UN_TOKENIZED:不对该Field进行分词,但会对它进行索引
Index.NO_NORMS:对该Field进行索引,但是不使用Analyzer,同时禁止它参加评分,主要是为了减少内存的消耗。
(3)Field类的构造方法
public Field(String name,String value,Store store,Index index);//直接的字符串方式
public Field(String name,String value,Store store,Index index,TermVector termVector);
public Field(String name,String value,Reader reader);//使用Reader从外部传入
public Field(String name,String value,Reader reader,TermVector termVector);
public Field(String name,byte[] value,Store store)//使用直接的二进制byte传入
当Field值为二进制时,可以使用Lucene的压缩功能将其值进行压缩。
5.索引文件格式
1).fnm格式 包含了Document中所有field名称
2).fdt与.fdx格式 .fdt文件用于存储具有Store.YES属性的Field的数据;.fdx是一个索引,用于存储Document在.fdt中的位置。
3).tis 与.tii格式 .tis文件用于存储分词后的词条(Term),而.tii就是它的索引文件,它表明了每个.tis文件中的词条的位置。
4)deletable格式 文档被删除后,会首先在deletable文件中留下一个记录,要真正删除时,才将索引除去。
5)复合索引格式 .cfs
使用IndexWriter的useCompoundFile() 默认为True
6.Directory索引的存放位置
a)FSDirectory.getDirectory(path, true)第二个参数表示删除掉目录内原有内容
IndexWriter writer = new IndexWriter(FSDirectory.getDirectory(path, true), new StandardAnalyzer(), true);//删除原有索引
或
FSDirectory fsDir=FSDirectory.getDirectory(path,true);
IndexWriter writer = new IndexWriter(fsDir, new StandardAnalyzer(), true);
bRAMDirectory在内存中存放,读取速度快,但程序一运行结束,它的内容就不存在了
RAMDirectory ramDir=new RAMDirectory();
IndexWriter writer = new IndexWriter(ramDir, new StandardAnalyzer(), true);
或
IndexWriter writer = new IndexWriter(new RAMDirectory(), new StandardAnalyzer(), true);
7.优化索引
writer.optimize();
将磁盘上的多个segment进行合并,组成一个全新的segment。这种方法并不会增加建索时的速度,反而会降低建索的速度。所以应该在建完索引后在调用这个函数
8.索引的合并
RAMDirectory RAMDir=new RAMDirectory();
IndexWriter writer = new IndexWriter(RAMDir, new StandardAnalyzer(), true);//删除原有索引
IndexWriter writer2=new IndexWriter(FSDirectory.getDirectory(path,true),new StandardAnalyzer(), true);
writer.addDocument(doc1);
writer2.addDocument(doc2);
writer.close();
writer2.addIndexes(new Directory[]{RAMDir});
writer2.close();
注意:在合并前一定要先关闭要加的索引器。
9.Lucene的索引“锁”
1. write.lock
2. commit.lock
更多精彩文章请关注 =》 我爱学框架
http://www.itframe.top/
最新文章
- Android Git 客户端
- C#语言的基础
- [LintCode] Backpack VI 背包之六
- Teamwork——Week 4 Daily Scrum Meeting#1 2013.10.23
- WinPcap编程(一)
- qingshow “不积跬步无以至千里,不积小流无以成江海”。--荀子《劝学篇》 用tomcat+花生壳搭建自己的web服务器+域名(参考)
- 解决sqlserver2008 r2 登陆时报错:provider 命名管道提供程序, error40 错误2
- Struts2学习笔记(五)——Action访问Servlet API
- ●BZOJ 2743 [HEOI2012]采花
- java的系统时间,怎么计算从现在到凌晨还剩下多少时间?
- PHP设计模式概述
- JavaScript 脚本运行方式
- 用shell统计表格数据
- laravel 修改时邮箱字段唯一性验证时忽略指定 ID
- Windows系统下在Git Bash中把文件内容复制到剪贴板的命令
- DLLImport的用法C#
- ionic3使用第三方图标
- x64 assembler fun-facts(转载)
- 《Python绝技:运用Python成为顶级黑客》 用Python刺探网络
- Python 字串处理
热门文章
- java 注解(转)
- 树莓pi快速ssh【校园网】
- 关于hibernate映射过程中的笔记
- 异常(Exception)
- HDU-4696 Answers 纯YY
- HDU 1890--Robotic Sort(Splay Tree)
- 字符流缓冲区BufferedReader之readLine方法的原理
- 转载StringBuilder说明
- rank() | dense_rank() | row_number() over(PARTITION BY sex order by age desc ) 的区别
- Java数据类型(一)