簡(jiǎn)介

Lucene 是一個(gè)開源、高度可擴(kuò)展的搜索引擎庫，可以從 Apache Software Foundation 獲取。您可以將 Lucene 用于商業(yè)和開源應(yīng)用程序。Lucene 強(qiáng)大的 API 主要關(guān)注文本索引和搜索。它可以用于為各種應(yīng)用程序構(gòu)建搜索功能，比如電子郵件客戶端、郵件列表、Web 搜索、數(shù)據(jù)庫搜索等等。Wikipedia、TheServerSide、jGuru 和 LinkedIn 等網(wǎng)站都使用了 Lucene。

Lucene 還為 Eclipse IDE、Nutch（著名的開源 Web 搜索引擎）以及 IBM?、AOL 和 Hewlett-Packard 等公司提供搜索功能。Lucene 已經(jīng)兼容許多其他編程語言，包括 Perl、Python、C 和 .NET。到 2009 年 7 月 30 日止，用于 Java? 編程語言的最新版 Lucene 為 V2.4.1。

Lucene 功能眾多：

• 擁有強(qiáng)大、準(zhǔn)確、有效的搜索算法。
• 計(jì)算每個(gè)文檔匹配給定查詢的分?jǐn)?shù)，并根據(jù)分?jǐn)?shù)返回最相關(guān)的文檔。
• 支持許多強(qiáng)大的查詢類型，比如 PhraseQuery、WildcardQuery、RangeQuery、FuzzyQuery、BooleanQuery 等。
• 支持解析人們輸入的豐富查詢表達(dá)式。
• 允許用戶使用定制排序、過濾和查詢表達(dá)式解析擴(kuò)展搜索行為。
• 使用基于文件的鎖定機(jī)制保護(hù)并發(fā)索引修改。
• 允許同時(shí)搜索和編制索引。

回頁首

使用 Lucene 構(gòu)建應(yīng)用程序

如圖 1 所示，使用 Lucene 構(gòu)建功能全面的搜索應(yīng)用程序主要涉及編制數(shù)據(jù)索引、搜索數(shù)據(jù)和顯示搜索結(jié)果幾個(gè)方面。

圖 1. 使用 Lucene 構(gòu)建應(yīng)用程序的步驟

本文從使用 Lucene V2.4.1 和 Java 技術(shù)開發(fā)的樣例應(yīng)用程序中挑選了一些代碼片段。示例應(yīng)用程序?yàn)榇鎯?chǔ)在屬性文件中一組電子郵件文檔編制索引，并展示了如何使用 Lucene 的查詢 API 搜索索引。該示例還讓您熟悉基本的索引操作。

回頁首

為數(shù)據(jù)編制索引

Lucene 允許您為任何文本格式的數(shù)據(jù)編制索引。Lucene 可以用于幾乎任何數(shù)據(jù)源以及從中提取的文本信息。您可以使用 Lucene 編制索引并搜索 HTML 文檔、Microsoft? Word 文檔、PDF 文件中存儲(chǔ)的數(shù)據(jù)。編制數(shù)據(jù)索引的第一步是讓數(shù)據(jù)變成一個(gè)簡(jiǎn)單的文本格式。您可以使用定制解析器和數(shù)據(jù)轉(zhuǎn)換器實(shí)現(xiàn)這一點(diǎn)。

編制索引的過程

編制索引 是將文本數(shù)據(jù)轉(zhuǎn)換為有利于快速搜索的格式。這類似于書本后面的索引：為您指出主題在書中出現(xiàn)的位置。

Lucene 將輸入數(shù)據(jù)存儲(chǔ)在名為逆序 索引的數(shù)據(jù)結(jié)構(gòu)中, 該數(shù)據(jù)結(jié)構(gòu)以索引文件集的形式存儲(chǔ)在文件系統(tǒng)或內(nèi)存中。大部分 Web 搜索引擎都使用逆序索引。它允許用戶執(zhí)行快速關(guān)鍵字查詢，查找匹配給定查詢的文檔。在將文本數(shù)據(jù)添加到索引前，由分析程序（使用分析過程）進(jìn)行處理。

分析

分析 是將文本數(shù)據(jù)轉(zhuǎn)換為搜索基本單位（稱為項(xiàng)（term））的過程。在分析過程中，文本數(shù)據(jù)將經(jīng)歷多項(xiàng)操作：提取單詞、移除通用單詞、忽略標(biāo)點(diǎn)符號(hào)、將單詞變?yōu)樵~根形式、將單詞變成小寫等等。分析過程發(fā)生在編制索引和查詢解析之前。分析將文本數(shù)據(jù)轉(zhuǎn)換為標(biāo)記，這些標(biāo)記將作為項(xiàng)添加到 Lucene 索引中。

Lucene 有多種內(nèi)置分析程序，比如 SimpleAnalyzer、StandardAnalyzer、StopAnalyzer、SnowballAnalyzer 等。它們?cè)跇?biāo)記文本和應(yīng)用過濾器的方式上有所區(qū)別。因?yàn)榉治鲈诰幹扑饕耙瞥龁卧~，它減少了索引的大小，但是不利用精確的查詢過程。您可以使用 Lucene 提供的基本構(gòu)建塊創(chuàng)建定制分析程序，以自己的方式控制分析過程。表 1 展示了一些內(nèi)置分析程序及其處理數(shù)據(jù)的方式。

表 1. Lucene 的內(nèi)置分析程序

核心索引編制類

• FSDirectory— 在實(shí)際文件系統(tǒng)中存儲(chǔ)索引的 Directory 實(shí)現(xiàn)。該類對(duì)于大型索引非常有用。
• RAMDirectory— 在內(nèi)存中存儲(chǔ)所有索引的實(shí)現(xiàn)。該類適用于較小的索引，可以完整加載到內(nèi)存中，在應(yīng)用程序終止之后銷毀。由于索引保存在內(nèi)存中，所以速度相對(duì)較快。

默認(rèn)分析程序適用于英語。在 Lucene 沙盒中還有其他分析程序，包括用于中文、日文和韓文的分析程序。

對(duì)索引所做的更改最初緩存在內(nèi)存中，并周期性轉(zhuǎn)儲(chǔ)到索引目錄。IndexWriter 公開了幾個(gè)控制如何在內(nèi)存中緩存索引并寫入磁盤的字段。對(duì)索引的更改對(duì)于 IndexReader 不可見，除非調(diào)用 IndexWriter 的提交或關(guān)閉方法。IndexWriter 創(chuàng)建一個(gè)目錄鎖定文件，以通過同步索引更新保護(hù)索引不受破壞。IndexWriter 允許用戶指定可選索引刪除策略。

列表 1. 使用 Lucene IndexWriter

//Create instance of Directory where index files will be stored
Directory fsDirectory =  FSDirectory.getDirectory(indexDirectory);
/* Create instance of analyzer, which will be used to tokenize
the input data */
Analyzer standardAnalyzer = new StandardAnalyzer();
//Create a new index
boolean create = true;
//Create the instance of deletion policy
IndexDeletionPolicy deletionPolicy = new KeepOnlyLastCommitDeletionPolicy(); 
indexWriter =new IndexWriter(fsDirectory,standardAnalyzer,create,
	deletionPolicy,IndexWriter.MaxFieldLength.UNLIMITED);

將數(shù)據(jù)添加到索引

將文本數(shù)據(jù)添加到索引涉及到兩個(gè)類。

Field 表示搜索中查詢或檢索的數(shù)據(jù)片。Field 類封裝一個(gè)字段名稱及其值。Lucene 提供了一些選項(xiàng)來指定字段是否需要編制索引或分析，以及值是否需要存儲(chǔ)。這些選項(xiàng)可以在創(chuàng)建字段實(shí)例時(shí)傳遞。下表展示了 Field 元數(shù)據(jù)選項(xiàng)的詳細(xì)信息。

表 2. Field 元數(shù)據(jù)選項(xiàng)的詳細(xì)信息

Document 是一個(gè)字段集合。Lucene 也支持推進(jìn)文檔和字段，這在給某些索引數(shù)據(jù)賦予重要性時(shí)非常有用。給文本文件編制索引包括將文本數(shù)據(jù)封裝在字段中、創(chuàng)建文檔、填充字段，使用 IndexWriter 向索引添加文檔。

列表 2 展示向索引添加數(shù)據(jù)的示例。

列表 2. 向索引添加數(shù)據(jù)

/*Step 1. Prepare the data for indexing. Extract the data. */

String sender = properties.getProperty("sender");
String date = properties.getProperty("date");
String subject = properties.getProperty("subject");
String message = properties.getProperty("message");
String emaildoc = file.getAbsolutePath();

/* Step 2. Wrap the data in the Fields and add them to a Document */

Field senderField =
	new Field("sender",sender,Field.Store.YES,Field.Index.NOT_ANALYZED);
Field emaildatefield = 
		new Field("date",date,Field.Store.NO,Field.Index.NOT_ANALYZED); 
Field subjectField = 
	new Field("subject",subject,Field.Store.YES,Field.Index.ANALYZED);
Field messagefield = 
			new Field("message",message,Field.Store.NO,Field.Index.ANALYZED);
Field emailDocField =
	new Field("emailDoc",emaildoc,Field.Store.YES,
						Field.Index.NO);

Document doc = new Document();
// Add these fields to a Lucene Document
doc.add(senderField);
doc.add(emaildatefield);
doc.add(subjectField);
doc.add(messagefield);
doc.add(emailDocField);

//Step 3: Add this document to Lucene Index.
indexWriter.addDocument(doc);

回頁首

搜索索引數(shù)據(jù)

搜索是在索引中查找單詞并查找包含這些單詞的文檔的過程。使用 Lucene 的搜索 API 構(gòu)建的搜索功能非常簡(jiǎn)單明了。本小節(jié)討論 Lucene 搜索 API 的主要類。

Searcher

Searcher 是一個(gè)抽象基類，包含各種超負(fù)荷搜索方法。IndexSearcher 是一個(gè)常用的子類，允許在給定的目錄中存儲(chǔ)搜索索引。Search方法返回一個(gè)根據(jù)計(jì)算分?jǐn)?shù)排序的文檔集合。Lucene 為每個(gè)匹配給定查詢的文檔計(jì)算分?jǐn)?shù)。IndexSearcher 是線程安全的；一個(gè)實(shí)例可以供多個(gè)線程并發(fā)使用。

Term

Term 是搜索的基本單位。它由兩部分組成：?jiǎn)卧~文本和出現(xiàn)該文本的字段的名稱。Term 對(duì)象也涉及索引編制，但是可以在 Lucene 內(nèi)部創(chuàng)建。

Query 和子類

Query 是一個(gè)用于查詢的抽象基類。搜索指定單詞或詞組涉及到在項(xiàng)中包裝它們，將項(xiàng)添加到查詢對(duì)象，將查詢對(duì)象傳遞到 IndexSearcher的搜索方法。

Lucene 包含各種類型的具體查詢實(shí)現(xiàn)，比如 TermQuery、BooleanQuery、PhraseQuery、PrefixQuery、RangeQuery、MultiTermQuery、FilteredQuery、SpanQuery 等。以下部分討論 Lucene 查詢 API 的主查詢類。

例如，考慮電子郵件標(biāo)題 “Job openings for Java Professionals at Bangalore”。假設(shè)您使用 StandardAnalyzer 編制索引。現(xiàn)在如果我們使用 TermQuery 搜索 “Java”，它不會(huì)返回任何內(nèi)容，因?yàn)楸疚谋緫?yīng)該已經(jīng)規(guī)范化，并通過 StandardAnalyzer 轉(zhuǎn)成小寫。如果搜索小寫單詞 “java”，它將返回所有標(biāo)題字段中包含該單詞的郵件。

列表 3. 使用 TermQuery 搜索

//Search mails having the word "java" in the subject field
Searcher indexSearcher = new IndexSearcher(indexDirectory);
Term term = new Term("subject","java");
Query termQuery = new TermQuery(term);	 
TopDocs topDocs = indexSearcher.search(termQuery,10);

列表 4. 在某個(gè)范圍內(nèi)搜索

/* RangeQuery example:Search mails from 01/06/2009 to 6/06/2009 
both inclusive */
Term begin = new Term("date","20090601");
Term end = new Term("date","20090606");
Query query = new RangeQuery(begin, end, true);

列表 5. 使用 PrefixQuery 搜索

//Search mails having sender field prefixed by the word 'job'
PrefixQuery prefixQuery = new PrefixQuery(new Term("sender","job"));
PrefixQuery query = new PrefixQuery(new Term("sender","job"));

列表 6. 使用 BooleanQuery 進(jìn)行搜索

// Search mails have both 'java' and 'bangalore' in the subject field
Query query1 = new TermQuery(new Term("subject","java"));
Query query2 = new TermQuery(new Term("subject","bangalore"));
BooleanQuery query = new BooleanQuery();
query.add(query1,BooleanClause.Occur.MUST);
query.add(query2,BooleanClause.Occur.MUST);

列表 7. 使用 PhraseQuery 進(jìn)行搜索

/* PhraseQuery example: Search mails that have phrase 'job opening j2ee'
   in the subject field.*/
PhraseQuery query = new PhraseQuery();
query.setSlop(1);
query.add(new Term("subject","job"));
query.add(new Term("subject","opening"));
query.add(new Term("subject","j2ee"));

• * 表示零個(gè)以上
• ? 表示一個(gè)以上

列表 8. 使用 WildcardQuery 進(jìn)行搜索

//Search for 'arch*' to find e-mail messages that have word 'architect' in the subject
field./
Query query = new WildcardQuery(new Term("subject","arch*"));

列表 9. 使用 FuzzyQuery 進(jìn)行搜索

/* Search for emails that have word similar to 'admnistrtor' in the
subject field. Note we have misspelled admnistrtor here.*/
Query query = new FuzzyQuery(new Term("subject", "admnistrtor"));

列表 10. 搜索人工輸入的查詢表達(dá)式

QueryParser queryParser = new QueryParser("subject",new StandardAnalyzer());
// Search for emails that contain the words 'job openings' and '.net' and 'pune'
Query query = queryParser.parse("job openings AND .net AND pune");

回頁首

顯示搜索結(jié)果

IndexSearcher 返回一組對(duì)分級(jí)搜索結(jié)果（如匹配給定查詢的文檔）的引用。您可以使用 IndexSearcher 的搜索方法確定需要檢索的最優(yōu)先搜索結(jié)果數(shù)量。可以在此基礎(chǔ)上構(gòu)建定制分頁。您可以添加定制 Web 應(yīng)用程序或桌面應(yīng)用程序來顯示搜索結(jié)果。檢索搜索結(jié)果涉及的主要類包括 ScoreDoc 和 TopDocs。

以下代碼片段展示了如何檢索搜索結(jié)果中包含的文檔。

列表 11. 展示搜索結(jié)果

/* First parameter is the query to be executed and 
   second parameter indicates the no of search results to fetch */
   TopDocs topDocs = indexSearcher.search(query,20);	
   System.out.println("Total hits " topDocs.totalHits);

   // Get an array of references to matched documents
   ScoreDoc[] scoreDosArray = topDocs.scoreDocs;	
   for(ScoreDoc scoredoc: scoreDosArray){
      //Retrieve the matched document and show relevant details
      Document doc = indexSearcher.doc(scoredoc.doc);
      System.out.println("\nSender: " doc.getField("sender").stringValue());
      System.out.println("Subject: " doc.getField("subject").stringValue());
      System.out.println("Email file location: "
					 doc.getField("emailDoc").stringValue());	
   }

基本的索引操作

基本的索引操作包括移除和提升文檔。

從索引中移除文檔

應(yīng)用程序常常需要使用最新的數(shù)據(jù)更新索引并移除較舊的數(shù)據(jù)。例如，在 Web 搜索引擎中，索引需要定期更新，因?yàn)榭偸切枰砑有戮W(wǎng)頁，移除不存在的網(wǎng)頁。Lucene 提供了 IndexReader 接口允許您對(duì)索引執(zhí)行這些操作。

IndexReader 是一個(gè)提供各種方法訪問索引的抽象類。Lucene 內(nèi)部引用文檔時(shí)使用文檔編號(hào)，該編號(hào)可以在向索引添加或從中移除文檔時(shí)更改。文檔編號(hào)用于訪問索引中的文檔。IndexReader 不得用于更新目錄中的索引，因?yàn)橐呀?jīng)打開了 IndexWriter。IndexReader 在打開時(shí)總是搜索索引的快照。對(duì)索引的任何更改都可以看到，直到再次打開 IndexReader。使用 Lucene 重新打開它們的 IndexReader 可以看到最新的索引更新。

列表 12. 從索引中刪除文檔

// Delete all the mails from the index received in May 2009.
IndexReader indexReader = IndexReader.open(indexDirectory);
indexReader.deleteDocuments(new Term("month","05"));
//close associate index files and save deletions to disk
indexReader.close();

提升文檔和字段

有時(shí)您需要給某些索引數(shù)據(jù)更高的重要級(jí)別。您可以通過設(shè)置文檔或字段的提升因子實(shí)現(xiàn)這一點(diǎn)。默認(rèn)情況下，所有文檔和字段的默認(rèn)提升因子都是 1.0。

列表 13. 提升字段

if(subject.toLowerCase().indexOf("pune") != -1){
// Display search results that contain pune in their subject first by setting boost factor
	subjectField.setBoost(2.2F);
}
//Display search results that contain 'job' in their sender email address
if(sender.toLowerCase().indexOf("job")!=-1){	
	luceneDocument.setBoost(2.1F);
}

回頁首

擴(kuò)展搜索

Lucene 提供一個(gè)稱為排序 的高級(jí)功能。您可以根據(jù)指示文檔在索引中相對(duì)位置的字段對(duì)搜索結(jié)果進(jìn)行排序。用于排序的字段必須編制索引但不得標(biāo)記。搜索字段中可以放入 4 種可能的項(xiàng)值：整數(shù)值、long 值、浮點(diǎn)值和字符串。

還可以通過索引順序排序搜索結(jié)果。Lucene 通過降低相關(guān)度（比如默認(rèn)的計(jì)算分?jǐn)?shù)）對(duì)結(jié)果排序。排序的順序是可以更改的。

列表 14. 排序搜索結(jié)果

/* Search mails having the word 'job' in subject and return results
   sorted by sender's email in descending order.
 */
SortField sortField = new SortField("sender", true);	
Sort sortBySender = new Sort(sortField);
WildcardQuery query = new WildcardQuery(new Term("subject","job*"));
TopFieldDocs topFieldDocs = 
			indexSearcher.search(query,null,20,sortBySender);
//Sorting by index order
topFieldDocs = indexSearcher.search(query,null,20,Sort.INDEXORDER);

Filtering 是限制搜索空間，只允許某個(gè)文檔子集作為搜索范圍的過程。您可以使用該功能實(shí)現(xiàn)對(duì)搜索結(jié)果進(jìn)行再次搜索，或者在搜索結(jié)果上實(shí)現(xiàn)安全性。Lucene 帶有各種內(nèi)置的過濾器，比如 BooleanFilter、CachingWrapperFilter、ChainedFilter、DuplicateFilter、PrefixFilter、QueryWrapperFilter、RangeFilter、RemoteCachingWrapperFilter、SpanFilter 等。Filter 可以傳遞到 IndexSearcher 的搜索方法，以過濾匹配篩選標(biāo)準(zhǔn)的篩選文檔。

列表 15. 篩選搜索結(jié)果

/*Filter the results to show only mails that have sender field 
prefixed with 'jobs' */
Term prefix = new Term("sender","jobs");
Filter prefixFilter = new PrefixFilter(prefix);
WildcardQuery query = new WildcardQuery(new Term("subject","job*"));
indexSearcher.search(query,prefixFilter,20);

回頁首

結(jié)束語

Lucene 是來自 Apache 的一個(gè)非常流行的開源搜索庫, 它為應(yīng)用程序提供了強(qiáng)大的索引編制和搜索功能。它提供了一個(gè)簡(jiǎn)單易用的 API，只需要稍微了解索引編制和搜索的原理即可使用。在本文中，您學(xué)習(xí)了 Lucene 架構(gòu)及其核心 API。

Lucene 為許多知名網(wǎng)站和組織提供了各種強(qiáng)大的搜索功能。它還兼容許多其他編程語言。Lucene 有一個(gè)活躍的大型技術(shù)用戶社區(qū)。如果您需要一些易用、可擴(kuò)展以及高性能的開源搜索庫，Apache Lucene 是一個(gè)極佳的選擇。