Lucene是apache組織的一個用java實作全文搜尋引擎的開源項目。 其功能非常的強大，api也很簡單。總得來說用Lucene來進行建立 和搜尋和操作資料庫是差不多的(有點像)，Document可以看作是 資料庫的一行記錄，Field可以看作是資料庫的字段。用lucene實 現搜尋引擎就像用JDBC實作連接配接資料庫一樣簡單。
Lucene2.0，它與以前廣泛應用和介紹的Lucene 1.4.3并不相容。 Lucene2.0的下載下傳位址是
例子一 ：
1、在windows系統下的的C槽，建一個名叫s的檔案夾,在該檔案夾裡面随便建三個txt檔案，随便起名啦，就叫"1.txt","2.txt"和"3.txt"啦
其中1.txt的内容如下：
中華人民共和國
全國人民
2006年
而"2.txt"和"3.txt"的内容也可以随便寫幾寫，這裡懶寫，就複制一個和1.txt檔案的内容一樣吧
2、下載下傳lucene包，放在classpath路徑中
建立索引:
package lighter.javaeye.com;
import java.io.BufferedReader;
import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;
import java.io.InputStreamReader;
import java.util.Date;
import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.standard.StandardAnalyzer;
import org.apache.lucene.document.Document;
import org.apache.lucene.document.Field;
import org.apache.lucene.index.IndexWriter;
/** */ /**
* author lighter date 2006-8-7
*/
public class TextFileIndexer
{
public static void main(String[] args) throws Exception
/**/ /* 指明要索引檔案夾的位置,這裡是C槽的S檔案夾下 */
File fileDir = new File( " c:\\s " );
/**/ /* 這裡放索引檔案的位置 */
File indexDir = new File( " c:\\index " );
Analyzer luceneAnalyzer = new StandardAnalyzer();
IndexWriter indexWriter = new IndexWriter(indexDir, luceneAnalyzer,
true );
File[] textFiles = fileDir.listFiles();
long startTime = new Date().getTime();
// 增加document到索引去
for ( int i = 0 ; i < textFiles.length; i ++ )
if (textFiles[i].isFile()
&& textFiles[i].getName().endsWith( " .txt " ))
System.out.println( " File " + textFiles[i].getCanonicalPath()
+ " 正在被索引
. " );
String temp = FileReaderAll(textFiles[i].getCanonicalPath(),
" GBK " );
System.out.println(temp);
Document document = new Document();
Field FieldPath = new Field( " path " , textFiles[i].getPath(),
Field.Store.YES, Field.Index.NO);
Field FieldBody = new Field( " body " , temp, Field.Store.YES,
Field.Index.TOKENIZED,
Field.TermVector.WITH_POSITIONS_OFFSETS);
document.add(FieldPath);
document.add(FieldBody);
indexWriter.addDocument(document);
}
}
// optimize()方法是對索引進行優化
indexWriter.optimize();
indexWriter.close();
// 測試一下索引的時間
long endTime = new Date().getTime();
System.out
.println( " 這花費了 "
+ (endTime - startTime)
+ " 毫秒來把文檔增加到索引裡面去! "
+ fileDir.getPath());
}
public static String FileReaderAll(String FileName, String charset)
throws IOException
BufferedReader reader = new BufferedReader( new InputStreamReader(
new FileInputStream(FileName), charset));
String line = new String();
String temp = new String();
while ((line = reader.readLine()) != null )
temp += line;
reader.close();
return temp;
}
索引的結果：
File C:\s\ 1 .txt正在被索引
.
中華人民共和國全國人民2006年
File C:\s\ 2 .txt正在被索引
File C:\s\ 3 .txt正在被索引
這花費了297 毫秒來把文檔增加到索引裡面去 ! c:\s
3、建立了索引之後，查詢啦....
import org.apache.lucene.queryParser.ParseException;
import org.apache.lucene.queryParser.QueryParser;
import org.apache.lucene.search.Hits;
import org.apache.lucene.search.IndexSearcher;
import org.apache.lucene.search.Query;
public class TestQuery
public static void main(String[] args) throws IOException, ParseException
Hits hits = null ;
String queryString = " 中華 " ;
Query query = null ;
IndexSearcher searcher = new IndexSearcher( " c:\\index " );
Analyzer analyzer = new StandardAnalyzer();
try
QueryParser qp = new QueryParser( " body " , analyzer);
query = qp.parse(queryString);
} catch (ParseException e)
if (searcher != null )
hits = searcher.search(query);
if (hits.length() > 0 )
System.out.println( " 找到: " + hits.length() + " 個結果! " );
}
}
其運作結果：
找到: 3 個結果 !
Lucene 其實很簡單的,它最主要就是做兩件事:建立索引和進行搜尋
來看一些在lucene中使用的術語,這裡并不打算作詳細的介紹,隻是點一下而已----因為這一個世界有一種好東西，叫搜尋。
IndexWriter:lucene中最重要的的類之一，它主要是用來将文檔加入索引，同時控制索引過程中的一些參數使用。
Analyzer:分析器,主要用于分析搜尋引擎遇到的各種文本。常用的有StandardAnalyzer分析器,StopAnalyzer分析器,WhitespaceAnalyzer分析器等。
Directory:索引存放的位置;lucene提供了兩種索引存放的位置，一種是磁盤，一種是記憶體。一般情況将索引放在磁盤上；相應地lucene提供了FSDirectory和RAMDirectory兩個類。
Document:文檔;Document相當于一個要進行索引的單元，任何可以想要被索引的檔案都必須轉化為Document對象才能進行索引。
Field：字段。
IndexSearcher:是lucene中最基本的檢索工具，所有的檢索都會用到IndexSearcher工具;
Query:查詢，lucene中支援模糊查詢，語義查詢，短語查詢，組合查詢等等,如有TermQuery,BooleanQuery,RangeQuery,WildcardQuery等一些類。
QueryParser: 是一個解析使用者輸入的工具，可以通過掃描使用者輸入的字元串，生成Query對象。
Hits:在搜尋完成之後，需要把搜尋結果傳回并顯示給使用者，隻有這樣才算是完成搜尋的目的。在lucene中，搜尋的結果的集合是用Hits類的執行個體來表示的。
上面作了一大堆名詞解釋，下面就看幾個簡單的執行個體吧:
1、簡單的的StandardAnalyzer測試例子
import java.io.StringReader;
import org.apache.lucene.analysis.Token;
import org.apache.lucene.analysis.TokenStream;
public class StandardAnalyzerTest
// 構造函數，
public StandardAnalyzerTest()
public static void main(String[] args)
// 生成一個StandardAnalyzer對象
Analyzer aAnalyzer = new StandardAnalyzer();
// 測試字元串
StringReader sr = new StringReader( " lighter javaeye com is the are on " );
// 生成TokenStream對象
TokenStream ts = aAnalyzer.tokenStream( " name " , sr);
int i = 0 ;
Token t = ts.next();
while (t != null )
// 輔助輸出時顯示行号
i ++ ;
// 輸出處理後的字元
System.out.println( " 第 " + i + " 行: " + t.termText());
// 取得下一個字元
t = ts.next();
} catch (IOException e)
e.printStackTrace();
}
顯示結果：
第1行:lighter
第2行:javaeye
第3行:com
提示一下：
StandardAnalyzer是lucene中内置的"标準分析器",可以做如下功能:
1、對原有句子按照空格進行了分詞
2、所有的大寫字母都可以能轉換為小寫的字母
3、可以去掉一些沒有用處的單詞，例如"is","the","are"等單詞，也删除了所有的标點
檢視一下結果與"new StringReader("lighter javaeye com is the are on")"作一個比較就清楚明了。
這裡不對其API進行解釋了，具體見lucene的官方文檔。需要注意一點，這裡的代碼使用的是lucene2的API，與1.43版有一些明顯的差别。
2、看另一個執行個體,簡單地建立索引，進行搜尋
import org.apache.lucene.store.FSDirectory;
public class FSDirectoryTest
// 建立索引的路徑
public static final String path = " c:\\index2 " ;
Document doc1 = new Document();
doc1.add( new Field( " name " , " lighter javaeye com " ,Field.Store.YES,Field.Index.TOKENIZED));
Document doc2 = new Document();
doc2.add( new Field( " name " , " lighter blog " ,Field.Store.YES,Field.Index.TOKENIZED));
IndexWriter writer = new IndexWriter(FSDirectory.getDirectory(path, true ), new StandardAnalyzer(), true );
writer.setMaxFieldLength( 3 );
writer.addDocument(doc1);
writer.addDocument(doc2);
writer.close();
IndexSearcher searcher = new IndexSearcher(path);
QueryParser qp = new QueryParser( " name " , new StandardAnalyzer());
query = qp.parse( " lighter " );
hits = searcher.search(query);
System.out.println( " 查找\ " lighter\ " 共 " + hits.length() + " 個結果 " );
query = qp.parse( " javaeye " );
System.out.println( " 查找\ " javaeye\ " 共 " + hits.length() + " 個結果 " );
運作結果：
查找 " lighter " 共2個結果
查找 " javaeye " 共1個結果
到現在我們已經可以用lucene建立索引了
下面介紹一下幾個功能來完善一下：
1．索引格式
其實索引目錄有兩種格式，
一種是除配置檔案外，每一個Document獨立成為一個檔案（這種搜尋起來會影響速度）。
另一種是全部的Document成一個檔案，這樣屬于複合模式就快了。
2.索引檔案可放的位置：
索引可以存放在兩個地方1.硬碟，2.記憶體
放在硬碟上可以用FSDirectory()，放在記憶體的用RAMDirectory()不過一關機就沒了
FSDirectory.getDirectory(File file, boolean create)
FSDirectory.getDirectory(String path, boolean create)
兩個工廠方法傳回目錄
New RAMDirectory()就直接可以
再和
IndexWriter(Directory d, Analyzer a, boolean create)
一配合就行了
如：
IndexWrtier indexWriter = new IndexWriter(FSDirectory.getDirectory(“c:\\index”, true ), new StandardAnlyazer(), true );
IndexWrtier indexWriter = new IndexWriter( new RAMDirectory(), new StandardAnlyazer(), true );
3.索引的合并
這個可用
IndexWriter.addIndexes(Directory[] dirs)
将目錄加進去
來看個例子:
public void UniteIndex() throws IOException
{
IndexWriter writerDisk = new IndexWriter(FSDirectory.getDirectory( " c:\\indexDisk " , true ), new StandardAnalyzer(), true );
Document docDisk = new Document();
docDisk.add( new Field( " name " , " 程式員之家 " ,Field.Store.YES,Field.Index.TOKENIZED));
writerDisk.addDocument(docDisk);
RAMDirectory ramDir = new RAMDirectory();
IndexWriter writerRam = new IndexWriter(ramDir, new StandardAnalyzer(), true );
Document docRam = new Document();
docRam.add( new Field( " name " , " 程式員雜志 " ,Field.Store.YES,Field.Index.TOKENIZED));
writerRam.addDocument(docRam);
writerRam.close(); // 這個方法非常重要，是必須調用的
writerDisk.addIndexes( new Directory[]
{ramDir} );
writerDisk.close();
}
public void UniteSearch() throws ParseException, IOException
QueryParser queryParser = new QueryParser( " name " , new StandardAnalyzer());
Query query = queryParser.parse( " 程式員 " );
IndexSearcher indexSearcher = new IndexSearcher( " c:\\indexDisk " );
Hits hits = indexSearcher.search(query);
System.out.println( " 找到了 " + hits.length() + " 結果 " );
for ( int i = 0 ;i
Document doc = hits.doc(i);
System.out.println(doc.get( " name " ));
}
}
這個例子是将記憶體中的索引合并到硬碟上來.
注意：合并的時候一定要将被合并的那一方的IndexWriter的close()方法調用。
4.對索引的其它操作:
IndexReader類是用來操作索引的，它有對Document,Field的删除等操作。
下面一部分的内容是：全文的搜尋
全文的搜尋主要是用：IndexSearcher,Query,Hits,Document(都是Query的子類),有的時候用QueryParser
主要步驟：
1 . new QueryParser(Field字段， new 分析器)
2 .Query query = QueryParser.parser(“要查詢的字串”);這個地方我們可以用反射api看一下query究竟是什麼類型
3 . new IndexSearcher(索引目錄).search(query);傳回Hits
4 .用Hits.doc(n);可以周遊出Document
5 .用Document可得到Field的具體資訊了。
其實1 ，2兩步就是為了弄出個Query 執行個體，究竟是什麼類型的看分析器了。
拿以前的例子來說吧
QueryParser queryParser = new QueryParser( " name " , new StandardAnalyzer());
/**/ /* 這裡傳回的就是org.apache.lucene.search.PhraseQuery */
Hits hits = indexSearcher.search(query);
不管是什麼類型，無非傳回的就是Query的子類，我們完全可以不用這兩步直接new個Query的子類的執行個體就ok了，不過一般還是用這兩步因為它傳回的是PhraseQuery這個是非常強大的query子類它可以進行多字搜尋用QueryParser可以設定各個關鍵字之間的關系這個是最常用的了。
IndexSearcher:
其實IndexSearcher它内部自帶了一個IndexReader用來讀取索引的，IndexSearcher有個close()方法，這個方法不是用來關閉IndexSearche的是用來關閉自帶的IndexReader。
QueryParser呢可以用parser.setOperator()來設定各個關鍵字之間的關系（與還是或）它可以自動通過空格從字串裡面将關鍵字分離出來。
注意：用QueryParser搜尋的時候分析器一定的和建立索引時候用的分析器是一樣的。
Query:
可以看一個lucene2.0的幫助文檔有很多的子類:
BooleanQuery, ConstantScoreQuery, ConstantScoreRangeQuery, DisjunctionMaxQuery, FilteredQuery, MatchAllDocsQuery, MultiPhraseQuery, MultiTermQuery, PhraseQuery, PrefixQuery, RangeQuery, SpanQuery, TermQuery
各自有用法看一下文檔就能知道它們的用法了
下面一部分講一下lucene的分析器:
分析器是由分詞器和過濾器組成的，拿英文來說吧分詞器就是通過空格把單詞分開，過濾器就是把the,to,of等詞去掉不被搜尋和索引。
我們最常用的是StandardAnalyzer()它是lucene的标準分析器它內建了内部的許多的分析器。
最後一部分了：lucene的進階搜尋了
1.排序
Lucene有内置的排序用IndexSearcher.search(query,sort)但是功能并不理想。我們需要自己實作自定義的排序。
這樣的話得實作兩個接口: ScoreDocComparator, SortComparatorSource
用IndexSearcher.search(query,new Sort(new SortField(String Field,SortComparatorSource)));
就看個例子吧：
這是一個建立索引的例子：
public void IndexSort() throws IOException
IndexWriter writer = new IndexWriter( " C:\\indexStore " , new StandardAnalyzer(), true );
Document doc = new Document()
doc.add( new Field( " sort " , " 1 " ,Field.Store.YES,Field.Index.TOKENIZED));
writer.addDocument(doc);
doc = new Document();
doc.add( new Field( " sort " , " 4 " ,Field.Store.YES,Field.Index.TOKENIZED));
doc.add( new Field( " sort " , " 3 " ,Field.Store.YES,Field.Index.TOKENIZED));
doc.add( new Field( " sort " , " 5 " ,Field.Store.YES,Field.Index.TOKENIZED));
doc.add( new Field( " sort " , " 9 " ,Field.Store.YES,Field.Index.TOKENIZED));
doc.add( new Field( " sort " , " 6 " ,Field.Store.YES,Field.Index.TOKENIZED));
doc.add( new Field( " sort " , " 7 " ,Field.Store.YES,Field.Index.TOKENIZED));
writer.close();
}
下面是搜尋的例子:
[code]
public void SearchSort1() throws IOException, ParseException
IndexSearcher indexSearcher = new IndexSearcher("C:\\indexStore");
QueryParser queryParser = new QueryParser("sort",new StandardAnalyzer());
Query query = queryParser.parse("4");
Hits hits = indexSearcher.search(query);
System.out.println("有"+hits.length()+"個結果");
Document doc = hits.doc(0);
System.out.println(doc.get("sort"));
public void SearchSort2() throws IOException, ParseException
Query query = new RangeQuery(new Term("sort","1"),new Term("sort","9"),true);//這個地方前面沒有提到，它是用于範圍的Query可以看一下幫助文檔.
Hits hits = indexSearcher.search(query,new Sort(new SortField("sort",new MySortComparatorSource())));
for(int i=0;i
{
Document doc = hits.doc(i);
System.out.println(doc.get("sort"));
}
public class MyScoreDocComparator implements ScoreDocComparator
private Integer[]sort;
public MyScoreDocComparator(String s,IndexReader reader, String fieldname) throws IOException
{
sort = new Integer[reader.maxDoc()];
for(int i = 0;i
Document doc =reader.document(i);
sort[i]=new Integer(doc.get("sort"));
}
public int compare(ScoreDoc i, ScoreDoc j)
if(sort[i.doc]>sort[j.doc])
return 1;
if(sort[i.doc]
return -1;
return 0;
public int sortType()
return SortField.INT;
public Comparable sortValue(ScoreDoc i)
// TODO 自動生成方法存根
return new Integer(sort[i.doc]);
public class MySortComparatorSource implements SortComparatorSource
private static final long serialVersionUID = -9189690812107968361L;
public ScoreDocComparator newComparator(IndexReader reader, String fieldname)
throws IOException
if(fieldname.equals("sort"))
return new MyScoreDocComparator("sort",reader,fieldname);
return null;
}[/code]
SearchSort1()輸出的結果沒有排序,SearchSort2()就排序了。
2.多域搜尋MultiFieldQueryParser
如果想輸入關鍵字而不想關心是在哪個Field裡的就可以用MultiFieldQueryParser了
用它的構造函數即可後面的和一個Field一樣。
MultiFieldQueryParser. parse(String[] queries, String[] fields, BooleanClause.Occur[] flags, Analyzer analyzer) ~~~~~~~~~~~~~~~~~
第三個參數比較特殊這裡也是與以前lucene1.4.3不一樣的地方
看一個例子就知道了
String[] fields = {"filename", "contents", "description"};
BooleanClause.Occur[] flags = {BooleanClause.Occur.SHOULD,
BooleanClause.Occur.MUST,//在這個Field裡必須出現的
BooleanClause.Occur.MUST_NOT};//在這個Field裡不能出現
MultiFieldQueryParser.parse("query", fields, flags, analyzer);
1、lucene的索引不能太大，要不然效率會很低。大于1G的時候就必須考慮分布索引的問題
2、不建議用多線程來建索引，産生的互鎖問題很麻煩。經常發現索引被lock，無法重建立立的情況
3、中文分詞是個大問題，目前免費的分詞效果都很差。如果有能力還是自己實作一個分詞子產品，用最短路徑的切分方法，網上有教材和demo源碼，可以參考。
4、建增量索引的時候很耗cpu，在通路量大的時候會導緻cpu的idle為0
5、預設的評分機制不太合理，需要根據自己的業務定制