Lucene简介

Lucene是Apache基金会下的一个开源项目，提供能够实现全文索引和检索的Java API。Lucene包含索引引擎和检索引擎两部分。对于包含多个字段（Field）的文档（Document），可以通过Lucene的索引引擎对文档字段中的文本内容进行分词处理，构建关键字索引。当索引构建完成后，可以通过Lucene的检索引擎对特定字段进行基于关键字的查询。Lucene支持多种查询方式，包括模糊检索、分组查询等。对于查询结果，Lucene使用基于向量空间模型的排名算法计算得出查询结果的排名。

1.1 倒排索引

倒排索引（Inverted Index）是一种索引数据结构。在倒排索引中，词语被映射到包含该词语的文档。通过使用倒排索引，可以实现快速的全文搜索。一个简单的倒排索引及其构建过程如图1.1所示，其中文档d1和d2的内容分别是“home sales rise in July”和“increase in home sales in July”。
对于文档d1和d2，首先进行分词处理，将文本内容划分为词语集。因为在英文文本中，单词之间均有空格，所以使用空格作为分隔符进行分词处理，得到词语集，如图1.1中左侧一列。对于划分后的词语集，进行统计，统计词语及其出现的次数和位置，如图1.1中右侧一列，构成倒排索引。

图1.1 倒排索引及其构建过程

1.2 Lucene工作原理

Lucene中包含了以下6个核心包：
1）org.apache.lucene.document包，包含了用于表示文档及其内容的类，如表示文档的Document类，表示文档中字段的Field类。
2）org.apache.lucene.index包，包含了用于构建、读取索引的类。
3）org.apache.lucene.analysis包，包含了用于对文档中的自然语言文本进行分词处理的类。
4）org.apache.lucene.store包，包含了用于存储索引的类。
5）org.apache.lucene.search包，包含了用于查询索引的类。
6）org.apache.lucene.queryParser包，包含了用于构建、解析查询条件的类。
在Lucene的倒排索引中，包含字段（Field）、文档（Document）、关键字（Term）这三个部分。每一个关键字均与一个集合相映射。集合中的每一个元素为一个二元组（Document，Field），表示该文档的该字段包含此关键字。Lucene的工作原理如图所示，主要分为以下6个步骤：
1）为每一个待检索的文件构建Document类对象，将文件中各部分内容作为Field类对象。
2）使用Analyzer类实现对文档中的自然语言文本进行分词处理，并使用IndexWriter类构建索引。
3）使用FSDirectory类设定索引存储的方式和位置，实现索引的存储。
4）使用IndexReader类读取索引。
5）使用Term类表示用户所查找的关键字以及关键字所在的字段，使用QueryParser类表示用户的查询条件。
6）使用IndexSearcher类检索索引，返回符合查询条件的Document类对象。

1.2 Lucene应用示例

1. package com.wt.testlucene.main; 
2.  
3. import java.io.File; 
4. import java.io.FileReader; 
5. import java.io.IOException; 
6.  
7. import org.apache.lucene.analysis.standard.StandardAnalyzer; 
8. import org.apache.lucene.document.Document; 
9. import org.apache.lucene.document.Field; 
10. import org.apache.lucene.index.CorruptIndexException; 
11. import org.apache.lucene.index.IndexWriter; 
12. import org.apache.lucene.index.IndexWriter.MaxFieldLength; 
13. import org.apache.lucene.queryParser.ParseException; 
14. import org.apache.lucene.queryParser.QueryParser; 
15. import org.apache.lucene.search.IndexSearcher; 
16. import org.apache.lucene.search.Query; 
17. import org.apache.lucene.search.ScoreDoc; 
18. import org.apache.lucene.search.TopDocs; 
19. import org.apache.lucene.store.FSDirectory; 
20. import org.apache.lucene.store.LockObtainFailedException; 
21. import org.apache.lucene.util.Version; 
22.  
23. public class TestLucene { 
24.  
25.     private static final String indexDir = "J:\\tempIndex"; 
26.     private static final String dataDir = "J:\\tempData"; 
27.  
28.     public static void main(String[] args) throws CorruptIndexException, 
29.             LockObtainFailedException, IOException, ParseException { 
30.         /******************* 写入索引 *******************/ 
31.         // IndexWriter用于写入索引 
32.         // FSDirectory表示索引存储于磁盘 
33.         // StandardAnalyzer表示采用标准的词法分析器进行分词处理 
34.         IndexWriter indexWriter = new IndexWriter(FSDirectory.open(new File( 
35.                 indexDir)), new StandardAnalyzer(Version.LUCENE_CURRENT), true, 
36.                 MaxFieldLength.UNLIMITED); 
37.         indexWriter.setUseCompoundFile(false); 
38.  
39.         File[] files = new File(dataDir).listFiles(); 
40.         for (int i = 0; i < files.length; i++) { 
41.             // Document表示索引中的文档 
42.             Document document = new Document(); 
43.             // Field表示文档中的域，对于域有不同的处理方法 
44.             // Field.Store用于设置存储属性 
45.             // YES:存储 
46.             // NO :不存储 
47.             // Field.Index用于设置存储属性 
48.             // NO :不索引 
49.             // ANALYZED :索引且保存NORMS信息 
50.             // ANALYZED_NO_NORMS :索引但不保存NORMS信息 
51.             // NOT_ANALYZED :不索引但保存NORMS信息 
52.             // NOT_ANALYZED_NO_NORMS:不索引且不保存NORMS信息 
53.             // 存储name的域保存、索引但不分词 
54.             document.add(new Field("name", files[i].getName(), Field.Store.YES, 
55.                     Field.Index.NOT_ANALYZED)); 
56.             // 存储content的域保存、索引且分词 
57.             document.add(new Field("content", new FileReader(files[i]))); 
58.             // 存储path的域保存、不索引 
59.             document.add(new Field("path", files[i].getAbsolutePath(), 
60.                     Field.Store.YES, Field.Index.NO)); 
61.             // 加入文档 
62.             indexWriter.addDocument(document); 
63.         } 
64.         // 优化 
65.         indexWriter.optimize(); 
66.         // 提交 
67.         indexWriter.commit(); 
68.         // 关闭 
69.         indexWriter.close(); 
70.  
71.         /******************* 查询索引 *******************/ 
72.         // IndexSearcher用于查询索引 
73.         IndexSearcher indexSearcher = new IndexSearcher(FSDirectory 
74.                 .open(new File(indexDir))); 
75.         String queryString = "TEST"; 
76.         // QueryParser用于解析查询语句生成相应的查询 
77.         QueryParser parser = new QueryParser(Version.LUCENE_CURRENT, "content", 
78.                 new StandardAnalyzer(Version.LUCENE_CURRENT)); 
79.         Query query = parser.parse(queryString); 
80.         // 返回最符合查询条件的前10个结果 
81.         TopDocs topDocs = indexSearcher.search(query, 10); 
82.         ScoreDoc[] list = topDocs.scoreDocs; 
83.         for (int i = 0; i < list.length; i++) { 
84.             ScoreDoc scoreDoc = list[i]; 
85.             Document document = indexSearcher.doc(scoreDoc.doc); 
86.             // 输出文件序号、得分和名称 
87.             System.out.println(scoreDoc.doc + "\t" + scoreDoc.score + "\t" 
88.                     + document.get("name")); 
89.         } 
90.         indexSearcher.close(); 
91.     } 
92. }