1. 什么是Lucence
Lucene提供了一個簡單卻強大的應用程式接口，能夠做全文索引[把非結構化的文件信息形成結構化的數(shù)據(jù)(就像數(shù)據(jù)庫信息)]和搜尋。在 Java 開發(fā)環(huán)境里 Lucene 是一個成熟的免費開源工具。就其本身而言，Lucene 是當前以及最近幾年最受歡迎的免費 Java 信息檢索程序庫。
1.1 全文檢索
何為全文檢索？舉個例子，比如要在一個文件中查找某個字符串，最直接的想法就是從頭開始檢索，查到了就OK，這種對小數(shù)據(jù)量的文件來說，很簡單實用，但是對于大數(shù)據(jù)量的文件來說，就比較吃力了?；蛘哒f反過來查找包含某個字符串的文件(比如哪個文件中包含springboot)，也是這樣，如果在一個擁有幾十個 G 的硬盤中找那效率可想而知，是非常低的。
文件中的數(shù)據(jù)是屬于非結構化數(shù)據(jù)，也就是說它沒有什么結構可言(不像我們數(shù)據(jù)庫中的信息，可以一行一行的去匹配查詢)，要解決上面提到的效率問題，首先我們得將非結構化數(shù)據(jù)中的一部分信息提取出來，重新組織，使其變得有一定結構(說白了，就是變成關系數(shù)據(jù)庫型一行一行的數(shù)據(jù))，然后對這些有一定結構的數(shù)據(jù)進行搜索，從而達到搜索相對較快的目的。這就叫全文搜索。即先建立索引(表結構，把文件中的關鍵詞提取出來)，再對索引進行搜索的過程。
1.2 Lucene 建立索引的方式
那么 Lucene 中是如何建立索引的呢？假設現(xiàn)在有兩篇文章，內(nèi)容如下：
文章1的內(nèi)容為：Tom lives in Guangzhou, I live in Guangzhou too.
文章2的內(nèi)容為：He once lived in Shanghai.
首先第一步是將文檔傳給分詞組件（Tokenizer），分詞組件會將文檔分成一個個單詞，并去除標點符
號和停詞。所謂的停詞指的是沒有特別意義的詞，比如英文中的 a，the，too 等。經(jīng)過分詞后，得到詞
元（Token） 。如下：
文章1經(jīng)過分詞后的結果： [Tom] [lives] [Guangzhou] [I] [live] [Guangzhou]
文章2經(jīng)過分詞后的結果： [He] [lives] [Shanghai]
然后將詞元傳給語言處理組件（Linguistic Processor），對于英語，語言處理組件一般會將字母變?yōu)樾懀瑢卧~縮減為詞根形式，如 ”lives” 到 ”live” 等，將單詞轉變?yōu)樵~根形式，如 ”drove” 到 ”drive”等。然后得到詞（Term）。如下：
文章1經(jīng)過處理后的結果： [tom] [live] [guangzhou] [i] [live] [guangzhou]
文章2經(jīng)過處理后的結果： [he] [live] [shanghai]
最后將得到的詞傳給索引組件（Indexer），索引組件經(jīng)過處理，得到下面的索引結構：
| 關鍵詞 | 文章號[出現(xiàn)頻率] | 出現(xiàn)位置 |
| guangzhou | 1[2] | 3,6 |
| he | 2[1] | 1 |
| i | 1[1] | 4 |
| live | 1[2],2[1] | 2,5,2 |
| shanghai | 2[1] | 3 |
| tom | 1[1] | 1 |
以上就是Lucene 索引結構中最核心的部分。它的關鍵字是按字符順序排列的，因此 Lucene 可以用二元搜索算法快速定位關鍵詞。實現(xiàn)時 Lucene 將上面三列分別作為詞典文件（Term Dictionary）、頻率文件（frequencies）和位置文件（positions）保存。其中詞典文件不僅保存有每個關鍵詞，還保留了指向頻率文件和位置文件的指針，通過指針可以找到該關鍵字的頻率信息和位置信息。
搜索的過程是先對詞典二元查找、找到該詞，通過指向頻率文件的指針讀出所有文章號，然后返回結果，然后就可以在具體的文章中根據(jù)出現(xiàn)位置找到該詞了。所以 Lucene 在第一次建立索引的時候可能會比較慢，但是以后就不需要每次都建立索引了，就快了
知道了Lucene的分詞及創(chuàng)建索引的原理，接下來通過Spring Boot中集成Lucene并實現(xiàn) 創(chuàng)建索引(可以理解為把各個文件中的信息通過分詞然后有序的存儲的數(shù)據(jù)庫表中)和搜索功能
2. Spring Boot 中集成 Lucence
首先需要導入 Lucene 的依賴，它的依賴有好幾個，如下：
<!-- Lucence核心包 --> <dependency> <groupId>org.apache.lucene</groupId> <artifactId>lucene-core</artifactId> <version>5.3.1</version> </dependency> <!-- Lucene查詢解析包 --> <dependency> <groupId>org.apache.lucene</groupId> <artifactId>lucene-queryparser</artifactId> <version>5.3.1</version> </dependency> <!-- 常規(guī)的分詞（英文） --> <dependency> <groupId>org.apache.lucene</groupId> <artifactId>lucene-analyzers-common</artifactId> <version>5.3.1</version> </dependency> <!--支持分詞高亮 --> <dependency> <groupId>org.apache.lucene</groupId> <artifactId>lucene-highlighter</artifactId> <version>5.3.1</version> </dependency> <!--支持中文分詞 --> <dependency> <groupId>org.apache.lucene</groupId> <artifactId>lucene-analyzers-smartcn</artifactId> <version>5.3.1</version> </dependency>
最后一個依賴是用來支持中文分詞的，因為默認是支持英文的。
2.2 快速入門
根據(jù)上文的分析，全文檢索有兩個步驟，先建立索引，再檢索。所以為了測試這個過程，我們這里創(chuàng)建兩個java 類，一個用來建立索引，另一個用來檢索。
2.2.1 建立索引
我們自己弄幾個文件，放到 F:\lucene\datas 目錄下，新建一個 Indexer 類來實現(xiàn)建立索引功能。首
先在構造方法中初始化標準分詞器并生成索引實例。
import org.apache.lucene.analysis.standard.StandardAnalyzer;
import org.apache.lucene.document.Document;
import org.apache.lucene.document.Field;
import org.apache.lucene.document.TextField;
import org.apache.lucene.index.IndexWriter;
import org.apache.lucene.index.IndexWriterConfig;
import org.apache.lucene.store.Directory;
import org.apache.lucene.store.FSDirectory;
import java.io.File;
import java.io.FileReader;
import java.io.IOException;
import java.nio.file.Paths;
public class Indexer {
/*writer : 索引對象, 能夠建立索引(即能夠把文件中的詞提取出來，并標注出現(xiàn)的次數(shù)及出現(xiàn)的位置及哪個文件)*/
private IndexWriter writer;
/*
* 構造方法，實例化IndexWriter
* @param indexDir //索引目錄(要搜索信息的目錄)
* @throws Exception
*/
public Indexer(String indexDir) throws IOException {
// 構造方法傳遞一個存儲建立索引的目錄(文件夾的路徑), 即要放建立的索引存儲在哪里
Directory dir = FSDirectory.open(Paths.get(indexDir));
//打開索引文件夾
StandardAnalyzer analyzer = new StandardAnalyzer();
//標準分詞器,會自動去掉空格, is a the等單詞
IndexWriterConfig config = new IndexWriterConfig(analyzer);
//將標準分詞器配置到寫索引的配置中， 索引時將會 去掉空格， is, a, the等
writer = new IndexWriter(dir, config);
//創(chuàng)建實例化索引對象
}
/**
* 獲取文檔，文檔里再設置每個字段，就類似于數(shù)據(jù)庫中的一行記錄
* @param file
* @return
* @throws Exception
*/
private Document getDocument(File file) throws Exception{
Document doc = new Document();
//開始添加字段
// 把doc當成數(shù)據(jù)庫中的表的一行記錄信息, 三個字段及對應的值
//字段一： contents:值(表中的內(nèi)容)
//字段二： fileName:值(文件名)
//字段三： fullPath:值(文件的路徑)
//添加內(nèi)容
doc.add(new TextField("contents", new FileReader(file)));
//添加文件名，并把這個字段存到索引文件里
doc.add(new TextField("fileName", file.getName(), Field.Store.YES));
//添加文件路徑
doc.add(new TextField("fullPath", file.getCanonicalPath(), Field.Store.YES));
return doc;
//doc: 文檔對象，有三個屬性contents,fileName,fullPath
}
/*索引指定的文件
@param file
@throws Exception
*/
private void indexFile(File file) throws Exception{
System.out.println("索引文件的路徑：" + file.getCanonicalPath());
Document doc = getDocument(file);
//調用上面的getDocument方法， 獲取該文件的document對象
writer.addDocument(doc);
//將doc添加到索引實例對象中
}
/* 索引指定目錄下的所有文件
@param dataDir
@return
@throws Exception*/
public int indexAll(String dataDir) throws Exception{
File[] files = new File(dataDir).listFiles();
//獲取dataDir目錄下的所有文件
int numDocs = 0;
if(null != files){
for(File file:files){
//調用上面的indexFile方法，對每個文件進行索引
indexFile(file);
//理解為： 有多少個文件，在writer中就有多少行信息
//每行信息含有文件名，文件路徑，及文件內(nèi)容
}
numDocs = writer.numDocs();
writer.close();
}
return numDocs;
//返回索引的文件數(shù)
}
}生成索引：
public class MakeIndexer {
public static void main(String[] args) {
String indexDir = "F:\\java\\lucence";
//索引保存到的路徑
String dataDir = "F:\\java\\lucence\\data";
Indexer indexer = null;
int indexedNum = 0;
//記錄索引開始時間
long startTime = System.currentTimeMillis();
try{
//開始構建索引
indexer = new Indexer(indexDir);
indexedNum = indexer.indexAll(dataDir);
}
catch (Exception e){
e.printStackTrace();
}
long endTime = System.currentTimeMillis();
System.out.println("索引耗時" + (endTime - startTime) + "毫秒");
System.out.println("共索引了" + indexedNum + "個文件");
}
}建立搜索索引類:
import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.standard.StandardAnalyzer;
import org.apache.lucene.document.Document;
import org.apache.lucene.index.DirectoryReader;
import org.apache.lucene.index.IndexReader;
import org.apache.lucene.queryparser.classic.QueryParser;
import org.apache.lucene.search.IndexSearcher;
import org.apache.lucene.search.Query;
import org.apache.lucene.search.ScoreDoc;
import org.apache.lucene.search.TopDocs;
import org.apache.lucene.store.Directory;
import org.apache.lucene.store.FSDirectory;
import java.nio.file.Paths;
public class Searcher {
public static void search(String indexDir,String q) throws Exception{
Directory dir = FSDirectory.open(Paths.get(indexDir));
//獲取要查詢的路徑， 也就是索引所在的位置
IndexReader reader = DirectoryReader.open(dir);
//構建IndexSearcher
IndexSearcher searcher = new IndexSearcher(reader);
//標準分詞器， 會自動去掉空格， is a the等單詞
Analyzer analyzer = new StandardAnalyzer();
//查詢解析器 查詢的字段為contents(建立索引時生成的表字段)
QueryParser parser = new QueryParser("contents",analyzer);
//通過解析要查詢的String, 獲取查詢對象, q為傳赤來的待查的字符串
Query query = parser.parse(q);
//記錄索引開始時間
long startTime = System.currentTimeMillis();
//開始查詢，查詢前10條數(shù)據(jù)， 將記錄保存在docs中
TopDocs docs = searcher.search(query,10);
//記錄索引結束時間
long endTime = System.currentTimeMillis();
System.out.println("匹配" + q + "共耗時" + (endTime - startTime) + "毫秒");
System.out.println("查詢到" + docs.totalHits + "條記錄");
//取出每條查詢結果
for(ScoreDoc scoreDoc : docs.scoreDocs){
//scoreDoc.doc相當于docId, 根據(jù)這個docID來獲取文檔
Document doc = searcher.doc(scoreDoc.doc);
//fullPath是剛剛建立索引時候我們定義的一個字段，表示路徑。也可以取其它的內(nèi)容，只要我們在建立索引時有定義即可.
System.out.println(doc.get("fullPath"));
}
reader.close();
}
}搜索測試操作：
public class SerchIndexer {
public static void main(String[] args) {
String indexDir = "F:\\java\\lucence";
//查詢這個字符串
String q = "thank";
try{
Searcher.search(indexDir,q);
}
catch (Exception e){
e.printStackTrace();
}
}
}執(zhí)行搜索結果如下： 匹配thank共耗時35毫秒 查詢到1條記錄 F:\java\lucence\data\2.txt
