【手把手教你全文检索】Apache Lucene初探，lucene初探
PS:
苦学一周全文检索，由原来的搜索小白，到初次涉猎，感觉每门技术都博大精深，其中精髓亦是不可一日而语。那小博猪就简单介绍一下这一周的学习历程，仅供各位程序猿们参考，这其中不涉及任何私密话题，因此也不用打马赛克了，都是网络分享的开源资料，当然也不涉及任何利益关系。
如若转载，还请注明出处——xingoo
讲解之前，先来分享一些资料
首先呢，学习任何一门新的亦或是旧的开源技术，百度其中一二是最简单的办法，先了解其中的大概，思想等等。这里就贡献一个讲解很到位的ppt。已经被我转成了PDF，便于搜藏。
其次，关于第一次编程初探，建议还是查看官方资料。百度到的资料，目前Lucene已经更新到4.9版本，这个版本需要1.7以上的JDK，所以如果还用1.6甚至是1.5的小盆友，请参考低版本，由于我用的1.6，因此在使用Lucene4.0。
这是Lucene4.0的官网文档：http://lucene.apache.org/core/4_0_0/core/overview-summary.html
这里非常佩服Lucene的开元贡献者，可以阅读Lucene in Action，作者最初想要写软件赚钱，最后贡献给了Apache，跑题了。
最后，提醒学习Lucene的小盆友们，这个开源软件的版本更新不慢，版本之间的编程风格亦是不同，所以如果百度到的帖子，可能这段代码，用了4.0或者3.6就会不好使。
比如，以前版本的申请IndexWriter时，是这样的：
IndexWriter indexWriter = new IndexWriter(indexDir,luceneAnalyzer, true );
但是4.0，我们需要配置一个conf，把配置内容放到这个对象中：
IndexWriterConfig config = new IndexWriterConfig(Version.LUCENE_CURRENT, analyzer);
IndexWriter iwriter = new IndexWriter(directory, config);
所以，请一定要参考官方文档的编程风格，进行代码的书写。
最后的最后，从官网上面下载下来的文件，已经上传至百度网盘，欢迎下载。
这是其中最常用的五个文件：
第一个，也是最重要的，Lucene-core-4.0.0.jar,其中包括了常用的文档，索引，搜索，存储等相关核心代码。
第二个，Lucene-analyzers-common-4.0.0.jar，这里面包含了各种语言的词法分析器，用于对文件内容进行关键字切分，提取。
第三个，Lucene-highlighter-4.0.0.jar，这个jar包主要用于搜索出的内容高亮显示。
第四个和第五个，Lucene-queryparser-4.0.0.jar，提供了搜索相关的代码，用于各种搜索，比如模糊搜索，范围搜索，等等。
废话说到这里，下面我们简单的讲解一下什么是全文检索。
比如，我们一个文件夹中，或者一个磁盘中有很多的文件，记事本、world、Excel、pdf，我们想根据其中的关键词搜索包含的文件。例如，我们输入Lucene，所有内容含有Lucene的文件就会被检查出来。这就是所谓的全文检索。
因此，很容易的我们想到，应该建立一个关键字与文件的相关映射，盗用ppt中的一张图，很明白的解释了这种映射如何实现。
在Lucene中，就是使用这种“倒排索引”的技术，来实现相关映射。
有了这种映射关系，我们就来看看Lucene的架构设计。
下面是Lucene的资料必出现的一张图，但也是其精髓的概括。
我们可以看到，Lucene的使用主要体现在两个步骤：
1 创建索引，通过IndexWriter对不同的文件进行索引的创建，并将其保存在索引相关文件存储的位置中。
2 通过索引查寻关键字相关文档。
下面针对官网上面给出的一个例子，进行分析：
1 Analyzer analyzer = new StandardAnalyzer(Version.LUCENE_CURRENT);
2
3 // Store the index in memory:
4 Directory directory = new RAMDirectory();
5 // To store an index on disk, use this instead:
6 //Directory directory = FSDirectory.open("/tmp/testindex");
7 IndexWriterConfig config = new IndexWriterConfig(Version.LUCENE_CURRENT, analyzer);
8 IndexWriter iwriter = new IndexWriter(directory, config);
9 Document doc = new Document();
10 String text = "This is the text to be indexed.";
11 doc.add(new Field("fieldname", text, TextField.TYPE_STORED));
12 iwriter.addDocument(doc);
13 iwriter.close();
14
15 // Now search the index:
16 DirectoryReader ireader = DirectoryReader.open(directory);
17 IndexSearcher isearcher = new IndexSearcher(ireader);
18 // Parse a simple query that searches for "text":
19 QueryParser parser = new QueryParser(Version.LUCENE_CURRENT, "fieldname", analyzer);
20 Query query = parser.parse("text");
21 ScoreDoc[] hits = isearcher.search(query, null, 1000).scoreDocs;
22 assertEquals(1, hits.length);
23 // Iterate through the results:
24 for (int i = 0; i < hits.length; i++) {
25 Document hitDoc = isearcher.doc(hits[i].doc);
26 assertEquals("This is the text to be indexed.", hitDoc.get("fieldname"));
27 }
28 ireader.close();
29 directory.close();
索引的创建
首先，我们需要定义一个词法分析器。
比如一句话，“我爱我们的中国！”，如何对他拆分，扣掉停顿词“的”，提取关键字“我”“我们”“中国”等等。这就要借助的词法分析器Analyzer来实现。这里面使用的是标准的词法分析器，如果专门针对汉语，还可以搭配paoding，进行使用。
1 Analyzer analyzer = new StandardAnalyzer(Version.LUCENE_CURRENT);
参数中的Version.LUCENE_CURRENT，代表使用当前的Lucene版本，本文环境中也可以写成Version.LUCENE_40。
第二步，确定索引文件存储的位置，Lucene提供给我们两种方式：
1 本地文件存储
Directory directory = FSDirectory.open("/tmp/testindex");
2 内存存储
Directory directory = new RAMDirectory();
可以根据自己的需要进行设定。
第三步，创建IndexWriter，进行索引文件的写入。
IndexWriterConfig config = new IndexWriterConfig(Version.LUCENE_CURRENT, analyzer);
IndexWriter iwriter = new IndexWriter(directory, config);
这里的IndexWriterConfig，据官方文档介绍，是对indexWriter的配置，其中包含了两个参数，第一个是目前的版本，第二个是词法分析器Analyzer。
第四步，内容提取，进行索引的存储。
Document doc = new Document();
String text = "This is the text to be indexed.";
doc.add(new Field("fieldname", text, TextField.TYPE_STORED));
iwriter.addDocument(doc);
iwriter.close();
第一行，申请了一个document对象，这个类似于数据库中的表中的一行。
第二行，是我们即将索引的字符串。
第三行，把字符串存储起来（因为设置了TextField.TYPE_STORED,如果不想存储，可以使用其他参数，详情参考官方文档），并存储“表明”为"fieldname".
第四行，把doc对象加入到索引创建中。
第五行，关闭IndexWriter,提交创建内容。
这就是索引创建的过程。
关键字查询：
第一步，打开存储位置
DirectoryReader ireader = DirectoryReader.open(directory);
第二步，创建搜索器
IndexSearcher isearcher = new IndexSearcher(ireader);
第三步，类似SQL，进行关键字查询
QueryParser parser = new QueryParser(Version.LUCENE_CURRENT, "fieldname", analyzer);
Query query = parser.parse("text");
ScoreDoc[] hits = isearcher.search(query, null, 1000).scoreDocs;
assertEquals(1, hits.length);
for (int i = 0; i < hits.length; i++) {
Document hitDoc = isearcher.doc(hits[i].doc);
assertEquals("This is the text to be indexed.",hitDoc.get("fieldname"));
}
这里，我们创建了一个查询器，并设置其词法分析器，以及查询的“表名“为”fieldname“。查询结果会返回一个集合，类似SQL的ResultSet，我们可以提取其中存储的内容。
关于各种不同的查询方式，可以参考官方手册，或者推荐的PPT
第四步，关闭查询器等。
ireader.close();
directory.close();
最后，博猪自己写了个简单的例子，可以对一个文件夹内的内容进行索引的创建，并根据关键字筛选文件，并读取其中的内容。
创建索引：
/**
* 创建当前文件目录的索引
* @param path 当前文件目录
* @return 是否成功
*/
public static boolean createIndex(String path){
Date date1 = new Date();
List<File> fileList = getFileList(path);
for (File file : fileList) {
content = "";
//获取文件后缀
String type = file.getName().substring(file.getName().lastIndexOf(".")+1);
if("txt".equalsIgnoreCase(type)){
content += txt2String(file);
}else if("doc".equalsIgnoreCase(type)){
content += doc2String(file);
}else if("xls".equalsIgnoreCase(type)){
content += xls2String(file);
}
System.out.println("name :"+file.getName());
System.out.println("path :"+file.getPath());
// System.out.println("content :"+content);
System.out.println();
try{
analyzer = new StandardAnalyzer(Version.LUCENE_CURRENT);
directory = FSDirectory.open(new File(INDEX_DIR));
File indexFile = new File(INDEX_DIR);
if (!indexFile.exists()) {
indexFile.mkdirs();
}
IndexWriterConfig config = new IndexWriterConfig(Version.LUCENE_CURRENT, analyzer);
indexWriter = new IndexWriter(directory, config);
Document document = new Document();
document.add(new TextField("filename", file.getName(), Store.YES));
document.add(new TextField("content", content, Store.YES));
document.add(new TextField("path", file.getPath(), Store.YES));
indexWriter.addDocument(document);
indexWriter.commit();
closeWriter();
}catch(Exception e){
e.printStackTrace();
}
content = "";
}
Date date2 = new Date();
System.out.println("创建索引-----耗时：" + (date2.getTime() - date1.getTime()) + "ms\n");
return true;
}
进行查询：
/**
* 查找索引，返回符合条件的文件
* @param text 查找的字符串
* @return 符合条件的文件List
*/
public static void searchIndex(String text){
Date date1 = new Date();
try{
directory = FSDirectory.open(new File(INDEX_DIR));
analyzer = new StandardAnalyzer(Version.LUCENE_CURRENT);
DirectoryReader ireader = DirectoryReader.open(directory);
IndexSearcher isearcher = new IndexSearcher(ireader);
QueryParser parser = new QueryParser(Version.LUCENE_CURRENT, "content", analyzer);
Query query = parser.parse(text);
ScoreDoc[] hits = isearcher.search(query, null, 1000).scoreDocs;
for (int i = 0; i < hits.length; i++) {
Document hitDoc = isearcher.doc(hits[i].doc);
System.out.println("____________________________");
System.out.println(hitDoc.get("filename"));
System.out.println(hitDoc.get("content"));
System.out.println(hitDoc.get("path"));
System.out.println("____________________________");
}
ireader.close();
directory.close();
}catch(Exception e){
e.printStackTrace();
}
Date date2 = new Date();
System.out.println("查看索引-----耗时：" + (date2.getTime() - date1.getTime()) + "ms\n");
}
全部代码:
![]()
1 package test;
2
3 import java.io.BufferedReader;
4 import java.io.File;
5 import java.io.FileInputStream;
6 import java.io.FileReader;
7 import java.util.ArrayList;
8 import java.util.Date;
9 import java.util.List;
10
11 import jxl.Cell;
12 import jxl.Sheet;
13 import jxl.Workbook;
14
15 import org.apache.lucene.analysis.Analyzer;
16 import org.apache.lucene.analysis.standard.StandardAnalyzer;
17 import org.apache.lucene.document.Document;
18 import org.apache.lucene.document.LongField;
19 import org.apache.lucene.document.TextField;
20 import org.apache.lucene.document.Field.Store;
21 import org.apache.lucene.index.DirectoryReader;
22 import org.apache.lucene.index.IndexWriter;
23 import org.apache.lucene.index.IndexWriterConfig;
24 import org.apache.lucene.queryparser.classic.QueryParser;
25 import org.apache.lucene.search.IndexSearcher;
26 import org.apache.lucene.search.Query;
27 import org.apache.lucene.search.ScoreDoc;
28 import org.apache.lucene.store.Directory;
29 import org.apache.lucene.store.FSDirectory;
30 import org.apache.lucene.util.Version;
31 import org.apache.poi.hwpf.HWPFDocument;
32 import org.apache.poi.hwpf.usermodel.Range;
33
34 /**
35 * @author xinghl
36 *
37 */
38 public class IndexManager{
39 private static IndexManager indexManager;
40 private static String content=""
;
41
42 private static String INDEX_DIR = "D:\\luceneIndex"
;
43 private static String DATA_DIR = "D:\\luceneData"
;
44 private static Analyzer analyzer =
null;
45 private static Directory directory =
null;
46 private static IndexWriter indexWriter =
null;
47
48 /**
49 * 创建索引管理器
50 * @return 返回索引管理器对象
51 */
52 public IndexManager getManager(){
53 if(indexManager ==
null){
54 this.indexManager =
new IndexManager();
55 }
56 return indexManager;
57 }
58 /**
59 * 创建当前文件目录的索引
60 * @param path 当前文件目录
61 * @return 是否成功
62 */
63 public static boolean createIndex(String path){
64 Date date1 =
new Date();
65 List<File> fileList =
getFileList(path);
66 for (File file : fileList) {
67 content = ""
;
68 //获取文件后缀
69 String type = file.getName().substring(file.getName().lastIndexOf(".")+1
);
70 if("txt"
.equalsIgnoreCase(type)){
71
72 content +=
txt2String(file);
73
74 }
else if("doc"
.equalsIgnoreCase(type)){
75
76 content +=
doc2String(file);
77
78 }
else if("xls"
.equalsIgnoreCase(type)){
79
80 content +=
xls2String(file);
81
82 }
83
84 System.out.println("name :"+
file.getName());
85 System.out.println("path :"+
file.getPath());
86 // System.out.println("content :"+content);
87 System.out.println();
88
89
90 try{
91 analyzer =
new StandardAnalyzer(Version.LUCENE_CURRENT);
92 directory = FSDirectory.open(
new File(INDEX_DIR));
93
94 File indexFile =
new File(INDEX_DIR);
95 if (!
indexFile.exists()) {
96 indexFile.mkdirs();
97 }
98 IndexWriterConfig config =
new IndexWriterConfig(Version.LUCENE_CURRENT, analyzer);
99 indexWriter =
new IndexWriter(directory, config);
100
101 Document document =
new Document();
102 document.add(
new TextField("filename"
, file.getName(), Store.YES));
103 document.add(
new TextField("content"
, content, Store.YES));
104 document.add(
new TextField("path"
, file.getPath(), Store.YES));
105 indexWriter.addDocument(document);
106 indexWriter.commit();
107 closeWriter();
108
109
110 }
catch(Exception e){
111 e.printStackTrace();
112 }
113 content = ""
;
114 }
115 Date date2 =
new Date();
116 System.out.println("创建索引-----耗时：" + (date2.getTime() - date1.getTime()) + "ms\n"
);
117 return true;
118 }
119
120 /**
121 * 读取txt文件的内容
122 * @param file 想要读取的文件对象
123 * @return 返回文件内容
124 */
125 public static String txt2String(File file){
126 String result = ""
;
127 try{
128 BufferedReader br =
new BufferedReader(
new FileReader(file));
//构造一个BufferedReader类来读取文件
129 String s =
null;
130 while((s = br.readLine())!=
null){
//使用readLine方法，一次读一行
131 result = result + "\n" +
s;
132 }
133 br.close();
134 }
catch(Exception e){
135 e.printStackTrace();
136 }
137 return result;
138 }
139
140 /**
141 * 读取doc文件内容
142 * @param file 想要读取的文件对象
143 * @return 返回文件内容
144 */
145 public static String doc2String(File file){
146 String result = ""
;
147 try{
148 FileInputStream fis =
new FileInputStream(file);
149 HWPFDocument doc =
new HWPFDocument(fis);
150 Range rang =
doc.getRange();
151 result +=
rang.text();
152 fis.close();
153 }
catch(Exception e){
154 e.printStackTrace();
155 }
156 return result;
157 }
158
159 /**
160 * 读取xls文件内容
161 * @param file 想要读取的文件对象
162 * @return 返回文件内容
163 */
164 public static String xls2String(File file){
165 String result = ""
;
166 try{
167 FileInputStream fis =
new FileInputStream(file);
168 StringBuilder sb =
new StringBuilder();
169 jxl.Workbook rwb =
Workbook.getWorkbook(fis);
170 Sheet[] sheet =
rwb.getSheets();
171 for (
int i = 0; i < sheet.length; i++
) {
172 Sheet rs =
rwb.getSheet(i);
173 for (
int j = 0; j < rs.getRows(); j++
) {
174 Cell[] cells =
rs.getRow(j);
175 for(
int k=0;k<cells.length;k++
)
176 sb.append(cells[k].getContents());
177 }
178 }
179 fis.close();
180 result +=
sb.toString();
181 }
catch(Exception e){
182 e.printStackTrace();
183 }
184 return result;
185 }
186 /**
187 * 查找索引，返回符合条件的文件
188 * @param text 查找的字符串
189 * @return 符合条件的文件List
190 */
191 public static void searchIndex(String text){
192 Date date1 =
new Date();
193 try{
194 directory = FSDirectory.open(
new File(INDEX_DIR));
195 analyzer =
new StandardAnalyzer(Version.LUCENE_CURRENT);
196 DirectoryReader ireader =
DirectoryReader.open(directory);
197 IndexSearcher isearcher =
new IndexSearcher(ireader);
198
199 QueryParser parser =
new QueryParser(Version.LUCENE_CURRENT, "content"
, analyzer);
200 Query query =
parser.parse(text);
201
202 ScoreDoc[] hits = isearcher.search(query,
null, 1000
).scoreDocs;
203
204 for (
int i = 0; i < hits.length; i++
) {
205 Document hitDoc =
isearcher.doc(hits[i].doc);
206 System.out.println("____________________________"
);
207 System.out.println(hitDoc.get("filename"
));
208 System.out.println(hitDoc.get("content"
));
209 System.out.println(hitDoc.get("path"
));
210 System.out.println("____________________________"
);
211 }
212 ireader.close();
213 directory.close();
214 }
catch(Exception e){
215 e.printStackTrace();
216 }
217 Date date2 =
new Date();
218 System.out.println("查看索引-----耗时：" + (date2.getTime() - date1.getTime()) + "ms\n"
);
219 }
220 /**
221 * 过滤目录下的文件
222 * @param dirPath 想要获取文件的目录
223 * @return 返回文件list
224 */
225 public static List<File>
getFileList(String dirPath) {
226 File[] files =
new File(dirPath).listFiles();
227 List<File> fileList =
new ArrayList<File>
();
228 for (File file : files) {
229 if (isTxtFile(file.getName())) {
230 fileList.add(file);
231 }
232 }
233 return fileList;
234 }
235 /**
236 * 判断是否为目标文件，目前支持txt xls doc格式
237 * @param fileName 文件名称
238 * @return 如果是文件类型满足过滤条件，返回true；否则返回false
239 */
240 public static boolean isTxtFile(String fileName) {
241 if (fileName.lastIndexOf(".txt") > 0
) {
242 return true;
243 }
else if (fileName.lastIndexOf(".xls") > 0
) {
244 return true;
245 }
else if (fileName.lastIndexOf(".doc") > 0
) {
246 return true;
247 }
248 return false;
249 }
250
251 public static void closeWriter()
throws Exception {
252 if (indexWriter !=
null) {
253 indexWriter.close();
254 }
255 }
256 /**
257 * 删除文件目录下的所有文件
258 * @param file 要删除的文件目录
259 * @return 如果成功，返回true.
260 */
261 public static boolean deleteDir(File file){
262 if(file.isDirectory()){
263 File[] files =
file.listFiles();
264 for(
int i=0; i<files.length; i++
){
265 deleteDir(files[i]);
266 }
267 }
268 file.delete();
269 return true;
270 }
271 public static void main(String[] args){
272 File fileIndex =
new File(INDEX_DIR);
273 if(deleteDir(fileIndex)){
274 fileIndex.mkdir();
275 }
else{
276 fileIndex.mkdir();
277 }
278
279 createIndex(DATA_DIR);
280 searchIndex("man"
);
281 }
282 }
View Code
运行结果：
所有包含man关键字的文件，都被筛选出来了。
参考资料
JAVA读取文本大全：http://blog.csdn.net/csh624366188/article/details/6785817
Lucene官方文档：http://lucene.apache.org/core/4_0_0/core/overview-summary.html
评论暂时关闭