资源描述：
《JAVAlucene全文检索工具包的理解与使用.doc》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。
1、申明:原文来自http：//xiewｅｉ9０６。blog。sohｕ。cｏm/98440293．ｈｔml１lucｅｎe简介１．1什么是lｕｃeneLucene是一个全文搜索框架，而不是应用产品.因此它并不像wｗw.bａidu．cｏm或者gｏogｌｅDeｓｋｔop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。ﻫ1。2lｕcｅne能做什么要回答这个问题,先要了解lucene的本质。实际上lucene的功能很单一,说到底，就是你给它若干个字符串,然后它为你提供一个全文搜索服务,告诉你你要搜索的关键词出现在哪里。知道了这个本质,你
2、就可以发挥想象做任何符合这个条件的事情了。你可以把站内新闻都索引了,做个资料库;你可以把一个数据库表的若干个字段索引起来,那就不用再担心因为“％liｋe％"而锁表了;你也可以写个自己的搜索引擎……ﻫ1.3你该不该选择luｃeneﻫ下面给出一些测试数据,如果你觉得可以接受，那么可以选择。测试一：250万记录，３00M左右文本，生成索引３８0M左右，800线程下平均处理时间300ms。 ﻫ测试二：３7000记录，索引数据库中的两个vaｒchaｒ字段，索引文件２。6M，８０0线程下平均处理时间１.５ms.ﻫ2lucｅｎｅ的工作方式ｌuc
3、ｅne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.ﻫ2．１写入流程ﻫ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）. ﻫ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. ﻫ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。ﻫ对处
4、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.ﻫﻫ3一些需要知道的概念lucｅｎｅ用到一些概念,了解它们的含义，有利于下面的讲解. ３.1anaｌyzｅrAnalyzｅｒ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.ﻫ分词的规则千变万化，但目的只有一个:按
5、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。 3.2docuｍeｎｔﻫ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。ﻫ3.３ｆielｄ一个Ｄｏcｕment可以包含多个信息域，例如一篇文章可以包含“标题”、“正文”、“最后修
6、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： ﻫ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
7、，当需要时再直接读取文件;我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。3.4ｔｅrｍﻫtｅrｍ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.ﻫ3.５ｔockenﻫｔｏckｅn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
8、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ｔockｅn标记该词语出现的地方。ﻫ3．6seｇｍentﻫ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
