10.Lucene 概述

接下来我们讲讲 Lucene 是如何实现查询的，为后续的入门案例做准备 ‍

索引和搜索流程

绿色表示索引过程，对要搜索的原始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 → 创建文档 → 分析文档 → 索引文档 ‍ 其实索引就是一堆文件。红色表示搜索过程，从索引库中搜索内容，搜索过程包括：

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

创建索引

对文档索引的过程，将用户要搜索的文档内容进行索引，索引存储在索引库（index）中。

这里我们要搜索的文档是磁盘上的文本文件，根据案例描述：凡是文件名或文件内容包括关键字的文件都要找出来，这里要对文件名和文件内容创建索引。

获得原始文档

原始文档的概念：要基于哪些数据来进行搜索，那么这些数据就是原始文档。而搜索引擎的原始文档就是互联网上的 HTML 文件。京东的原始文档就是商品数据，微博的原始文档就是微博。

原始文档 是指要索引和搜索的内容。原始内容包括互联网上的网页、数据库中的数据、磁盘上的文件等。本案例中的原始内容就是磁盘上的文件，如下图：

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 上采集信息的软件通常称为爬虫或蜘蛛，也称为网络机器人，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。

本案例我们要获取磁盘上文件的内容，可以通过文件流来读取文本文件的内容，对于 pdf、doc、xls 等文件可通过第三方提供的解析工具读取文件内容，比如 Apache POI 读取 Word 和 Excel 的文件内容。 ‍

创建文档对象

对应每个原始文档创建一个 Document 对象：

• 例如对于搜索引擎，一个页面就是一个 Document
• 对于电商，一个商品页面就是一个 Document ‍ 每个 document 对象中包含多个域（field），域中保存就是原始文档数据，分为域的名称、域的值。例如 "FileSize":60KB。每个文档都有一个唯一的编号，就是文档 id

获取原始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（Document），文档中包括一个一个的域（Field），域中存储关于原始文档的属性。

这里我们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 Document 可以有不同的 Field，同一个 Document 可以有相同的 Field（域名和域值都相同）。每个文档都有一个唯一的编号，就是文档 id。

分析文档

将原始内容创建为包含域（Field）的文档（document），需要再对域中的内容进行分析，分析的过程是经过对原始文档提取单词、将字母转为小写、去除标点符号、去除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一个的单词。

分词的过程概述：

• 根据空格进行宇符串拆分，得到一个单词列表
• 把单词统一转换成小写
• 去除标点符号
• 去除停用词（Lucene 专业术语），也就是无意义单词，例如 the，and，a

比如下边的文档经过分析如下：

Lucene is a Java full-text search engine. Lucene is not a complete application, but rather a code library and API that can easily be used to add search capabilities to applications.

分析后得到的语汇单元：Lucene、java、full、search、engine。。。。 ‍ 每个关键词都封装成一个 Term 对象中，不同的域中拆分出来的相同的单词是不同的 Term。T erm 中包含两部分：一部分是文档的 Field 名，另一部分是单词的内容。

不同的域中拆分出来的相同关键词是不同的 Term。例如文件名和文件内容都包含关键词的情况。例如：文件名中包含 apache，和文件内容中包含的 apache，是不同的 Term。 ‍

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）。

索引库中的内容：如下图

分为 3 个部分：

• 索引（左侧的词汇表）
• document 对象（右侧的一个个 Document 对象）
• 关键词和文档的对应关系（中间的连线）

注意点 1：索引库是保存在磁盘上的，和数据库里的索引没太多关联

注意点 2：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该文件的内容，在文件内容中匹配搜索关键字，这种方法是顺序扫描方法，数据量大、搜索慢。倒排索引结构 则是根据内容（词语）找文档，如下图：

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。

查询索引

查询索引也是搜索的过程。搜索就是用户输入关键字，从索引（index）中进行搜索的过程。根据关键字搜索索引，根据索引找到对应的文档，从而找到要搜索的内容（这里指磁盘上的文件）。

通过词语找文档，这种素引的结构叫倒排素引结构。也就是索引库的存储形式

查询索引的过程概述：

• 用户查询接口：用户输入查询条件的地方，例如百度的搜索框
• 把关键词封装成一个查询对象：要查询的域、要搜索的关键词
• 执行查询：根据要查询的关键词到对应的域上进行搜索。找到关键词，根据关键词找到对应的文档
• 渲染结果，例如查询出来的是 Document 的 ID，可以渲染为文档名，比如百度会高亮搜索结果中的关键词，分页处理等，最终展示。 ‍

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：

‍

Lucene 不提供制作用户搜索界面的功能，需要根据自己的需求开发搜索界面。 ‍

创建查询

用户输入查询关键字执行搜索之前需要先构建一个查询对象，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 Field 域的内容为 "lucene" 的文档

执行查询

搜索索引过程：

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

比如搜索语法为 "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，并且关键字为 Lucene 的 term，并根据 term 找到文档 id 列表。

渲染结果

以一个友好的界面将查询结果展示给用户，用户根据搜索结果找自己想要的信息，为了帮助用户很快找到自己的结果，提供了很多展示的效果，比如搜索结果中将关键字高亮显示，百度提供的快照等。

‍