lucene&solr学习——创建和查询索引(理论)

1.Lucene基础

(1) 简介

Lucene是apache下的一个开放源代码的全文检索引擎工具包。提供完整的查询引擎和索引引擎；部分文本分析引擎。

Lucene的目的是为软件开发人员提供一个简单易用的工具包，以方便在目标系统中实现全文检索的功能。

(2) 应用场景

对于数据量大，数据结构不固定的数据可采用全文检索方式搜索，比如百度，Google等搜索引擎，论坛搜索，电商网站站内搜索等。

2. Lucene实现全文检索的流程

下面这张图足以说明索引的流程

(1) 绿色表示索引过程，对要搜索的原始内容进行内容进行索引构建一个索引库，索引过程包括：确定原始内容即要搜索的内容—>采集文档—>分析文档—>索引文档

(2) 红色表示搜索过程；从索引库红搜索内容，过程为：用户通过搜索界面—>创建查询—>执行搜索，从索引库搜索—>渲染搜索结果

从互联网上，数据库，文件系统中等获取需要搜索的原始信息，这个过程就是信息采集，信息采集的目的是为了对原始内容进行索引。

在Internet上采集信息的软件一般称为爬虫或蜘蛛，也成为网络机器人，爬虫访问互联网上的每一个网页，将获取到的网页内容存储起来。

Lucene不提供信息才加的类库，需要自己编写一个爬虫程序实现信息采集，也可以通过Nutch，jsoup，heritrix等一些开源软件实现信息采集。

3.创建索引

根据上图，创建索引。获得文档暂时就不做了。

(1) 创建文档对象

　　获取原内容的目的是为了索引，在索引前需要将原始内容创建成文档，文档中包括一个一个的域(Field)，域中存储内容。

可以将磁盘上的一个文件当成一个document,Document中包括一些Field(file_name文件名称，file_path文件路径，file_size文件大小，file_content文件内容)，如下图

注意：每个Document可以有多个Field，不同的Dcument可以有不同的Field，同一个Document可以有相同的域(Field)

每个文档有唯一的编号，就是文档Id

(2) 分析文档(分词)

将原始内容创建为包含域(Field)的文档(document)，需要在对域中的内容进行分析，分析的过程是经对原始文档提取单词，将字母转为小写，去除标点符号，取出停用词等过程生成最终的语汇单元，可以将语汇单元理解为一个个单词。

每个单词叫做一个Term，不同的域中拆分出来的相同的单词是不同的Term。Term中包含两部分一部分是文档的域名，另一部分是单词的内容。相当于Trem<K, V> 例如：文件名中包含apache和文件内容中包含apache是不同的Term。

(3) 创建索引

对所有文档分析得出的语汇单元进行索引，索引的目的是为了搜索，最终要实现只搜索被索引的语汇单元从而找到Document(文档)。

注意：创建索引是对语汇单元索引，通过词语找文档，这种索引的结构叫倒排索引结构。

传统方法是根据文件找到文件的内容，在文件内容中匹配搜索关键字，这种方法是顺序扫面方法，数据量大，搜索慢。

倒排索引结构是根据内容(词语)找文档：

倒排索引结构也叫反向索引结构，包括索引和文档两部分，索引即词汇表。它的规模较小，而文档集合较大。

4.查询索引

(1) 用户查询接口

　　全文检索系统提供用户搜索的界面供用户提交搜索的关键字，搜索完成展示搜索结果：比如百度搜索框

(2) 创建查询

　　用户输入查询关键字执行搜索之前需要限购件一个查询对象，查询对象中可以指定查询要搜索的Field文档域，查询关键字等，查询对象会生成具体的查询语法。

　　例如：语法 “fileName:lucene” 表示要搜索Filed域"fileName"的内容为"lucene"的文档

(3) 执行查询

　　倒排索引查询,搜索索引过程：根据查询语法在倒排索引词典表中分表找出对应搜索词的索引，从而找到索引所链接的文档链表。

　　例如：搜索语法为“fileName:lucene”表示搜索出fileName域中包含lucene的文档。

　　搜索过程就是在索引上查找域为fileName，并且关键之为lucene的Term，并根据term找到文档id列表。

　　搜索到的文档不止一个，所以是列表形式

(4) 渲染结果