1、需求背景
1.1、普通的數據庫搜索
select * from 表名 where 字段名 like ‘%喫飯睡覺敲代碼%’
1、沒有通過高效的索引方式,查詢的速度在大量數據的情況下是很慢
2、搜索效果比較差,只能對用戶輸入的完整關鍵字首尾位進行模糊匹配。用戶搜索的結果錯誤輸入一個字符,可能就導致查詢出的結果遠離用戶的預期
1.2、新的業務需求
1、即使在相關結果數量百萬時,也能快速得出結果
2、搜索的結果不僅僅侷限於完整的 “喫飯睡覺敲代碼” ,而是將此內容拆分成,“喫飯”,“睡覺”,“敲代碼”,“代碼”等關鍵字進行搜索
3、對拆分後的搜索關鍵字進行特殊標識顯示
2、 搜索技術
2.1、搜索引擎的種類
搜索引擎按照功能通常分爲垂直搜索和綜合搜索
1、垂直搜索是指專門針對某一類信息進行搜索。例如:會搜網 主要做商務搜索的,並且提供商務信息。除此之外還有愛看圖標網、職友集等
2、綜合搜索是指對衆多信息進行綜合性的搜索。例如:百度、谷歌、搜狗、360搜索等。
2.2、倒排索引
倒排索引又叫反向索引,以字或詞爲文檔中出現的位置情況
在實際的運用中,我們可以對數據庫中原始的數據結構(左圖),在業務空閒時事先根據左圖內容,創建新的倒排索引結構的數據區域(右圖)
用戶有查詢需求時,先訪問倒排索引數據區域(右圖),得出文檔id後,通過文檔id即可快速,準確的通過左圖找到具體的文檔內容
這一過程,可以通過我們自己寫程序來實現,也可以借用已經抽象出來的通用開源技術來實現
3、Lucene概述
3.1、Lucene
Lucene是一套用於全文檢索和搜尋的開源程序庫,由Apache軟件基金會支持和提供,產品官網:http://lucene.apache.org/
Lucene提供了一個簡單卻強大的應用程序接口(API),能夠做全文索引和搜尋,在Java開發環境裏Lucene是一個成熟的免費開放源代碼工具,Lucene並不是現成的搜索引擎產品,但可以用來製作搜索引擎
3.2、全文檢索
計算機索引程序通過掃描文章中的每一個詞,對每一個詞建立一個索引,指明該詞在文章中出現的次數和位置,當用戶查詢時,檢索程序就根據事先建立的索引進行查找,並將查找的結果反饋給用戶
Lucene全文檢索就是對文檔中的全部內容進行分詞,再對索引分詞結果建立倒排索引
3.3、Lucene、Solr、Elasticsearch關係
Lucene:底層的API,工具包
Solr:基於Lucene開發的企業級的搜索引擎產品
Elasticsearch:基於Lucene開發的企業級的搜索引擎產品
4、Lucene的基本使用
使用Lucene的API來實現對索引的增(創建索引)、刪(刪除索引)、改(修改索引)、查(搜索數據)
4.1、創建索引
文檔Document:數據庫中一條具體的記錄
字段Field:數據庫中的每個字段
目錄對象Directory:物理存儲位置
寫出器的配置對象:需要分詞器和lucene的版本
4.1.1、添加依賴
<properties>
<lunece.version>4.10.2</lunece.version>
</properties>
<dependencies>
<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>4.12</version>
</dependency>
<!-- lucene核心庫 -->
<dependency>
<groupId>org.apache.lucene</groupId>
<artifactId>lucene-core</artifactId>
<version>${lunece.version}</version>
</dependency>
<!-- Lucene的查詢解析器 -->
<dependency>
<groupId>org.apache.lucene</groupId>
<artifactId>lucene-queryparser</artifactId>
<version>${lunece.version}</version>
</dependency>
<!-- lucene的默認分詞器庫 -->
<dependency>
<groupId>org.apache.lucene</groupId>
<artifactId>lucene-analyzers-common</artifactId>
<version>${lunece.version}</version>
</dependency>
<!-- lucene的高亮顯示 -->
<dependency>
<groupId>org.apache.lucene</groupId>
<artifactId>lucene-highlighter</artifactId>
<version>${lunece.version}</version>
</dependency>
</dependencies>
4.1.2、代碼實現
// 創建索引
@Test
public void testCreate() throws Exception{
// 1 創建文檔對象
Document document = new Document();
// 創建並添加字段信息。參數:字段的名稱、字段的值、是否存儲,這裏選Store.YES代表存儲到文檔列表。Store.NO代表不存儲
document.add(new StringField("id", "1", Field.Store.YES));
// 這裏我們title字段需要用TextField,即創建索引又會被分詞。StringField會創建索引,但是不會被分詞
document.add(new TextField("title", "谷歌地圖之父跳槽facebook", Field.Store.YES));
// 2 索引目錄類,指定索引在硬盤中的位置
Directory directory = FSDirectory.open(new File("d:\\indexDir"));
// 3 創建分詞器對象
Analyzer analyzer = new StandardAnalyzer();
// 4 索引寫出工具的配置對象
IndexWriterConfig conf = new IndexWriterConfig(Version.LATEST, analyzer);
// 5 創建索引的寫出工具類。參數:索引的目錄和配置信息
IndexWriter indexWriter = new IndexWriter(directory, conf);
// 6 把文檔交給IndexWriter
indexWriter.addDocument(document);
// 7 提交
indexWriter.commit();
// 8 關閉
indexWriter.close();
}
4.1.3、創建索引的API詳解
4.1.3.1、Document(文檔類)
Document:文檔對象,是一條原始的數據
4.1.3.2、Field(字段類)
一個Document中可以有很多個不同的字段,每一個字段都是一個Field類的對象
一個Document中的字段其類型是不確定的,因此Field類就提供了各種不同的子類,來對應這些不同類型的字段
這些子類有一些不同的特性:
1)DoubleField、FloatField、IntField、LongField、StringField這些子類一定會被創建索引,但是不會被分詞,而且不一定會被存儲到文檔列表,查找時一定要匹配所有的內容,否則搜索不到(例如:主鍵id、年齡、生日、日期、價格...)。要通過構造函數中的參數Store來指定:如果Store.YES代表存儲,Store.NO代表不存儲
2)TextField既會創建索引,又會被分詞
StoreField一定會被存儲,但是一定不創建索引,可以創建各種數據類型的字段(byte、double、float、int、long、String)
StringField會創建索引,但不會被分詞,如果不分詞,會造成整個字段作爲一個詞條,除非用戶完全匹配,否則搜索不到
如果一個字段要顯示到最終的結果中,那麼一定要存儲,否則就不存儲
如果要根據這個字段進行搜索,那麼這個字段就必須創建索引。
如果一個字段不需要分詞,首先這個字段首先要創建索引,然後如果這個字段的值是不可分割的,那麼就不需要分詞
4.1.3.3、Directory(目錄類)
FSDirectory:文件系統目錄,會把索引庫指向本地磁盤。特點:速度略慢,但是比較安全
RAMDirectory:內存目錄,會把索引庫保存在內存。特點:速度快,但是不安全
4.1.3.4、Analyzer(分詞器類)
提供分詞算法,可以把文檔中的數據按照算法分詞
這些分詞器,並沒有合適的中文分詞器,因此一般我們會用第三方提供的分詞器,一般我們用IK分詞器
4.1.3.5、IK分詞器
IK分詞器官方版本是不支持Lucene4.X的,有人基於IK的源碼做了改造,支持了Lucene4.X,引入jar:
擴展詞典和停用詞典
IK分詞器的詞庫有限,新增加的詞條可以通過配置文件添加到IK的詞庫中,也可以把一些不用的詞條去除:
擴展詞典:用來引入一些自定義的新詞
停止詞典:用來停用一些不必要的詞條
4.1.3.6、IndexWriterConfig(索引寫出器配置類)
1) 設置配置信息:Lucene的版本和分詞器類型
2)設置是否清空索引庫中的數據
4.1.3.7、IndexWriter(索引寫出器類)
索引寫出工具,作用就是 實現對索引的增(創建索引)、刪(刪除索引)、改(修改索引)
可以一次創建一個,也可以批量創建索引
// 批量創建索引
@Test
public void testCreate2() throws Exception{
// 創建文檔的集合
Collection<Document> docs = new ArrayList<>();
// 創建文檔對象
Document document1 = new Document();
document1.add(new StringField("id", "1", Field.Store.YES));
document1.add(new TextField("title", "谷歌地圖之父跳槽facebook", Field.Store.YES));
docs.add(document1);
// 創建文檔對象
Document document2 = new Document();
document2.add(new StringField("id", "2", Field.Store.YES));
document2.add(new TextField("title", "谷歌地圖之父加盟FaceBook", Field.Store.YES));
docs.add(document2);
// 創建文檔對象
Document document3 = new Document();
document3.add(new StringField("id", "3", Field.Store.YES));
document3.add(new TextField("title", "谷歌地圖創始人拉斯離開谷歌加盟Facebook", Field.Store.YES));
docs.add(document3);
// 創建文檔對象
Document document4 = new Document();
document4.add(new StringField("id", "4", Field.Store.YES));
document4.add(new TextField("title", "谷歌地圖之父跳槽Facebook與Wave項目取消有關", Field.Store.YES));
docs.add(document4);
// 創建文檔對象
Document document5 = new Document();
document5.add(new StringField("id", "5", Field.Store.YES));
document5.add(new TextField("title", "谷歌地圖之父拉斯加盟社交網站Facebook", Field.Store.YES));
docs.add(document5);
// 索引目錄類,指定索引在硬盤中的位置
Directory directory = FSDirectory.open(new File("d:\\indexDir"));
// 引入IK分詞器
Analyzer analyzer = new IKAnalyzer();
// 索引寫出工具的配置對象
IndexWriterConfig conf = new IndexWriterConfig(Version.LATEST, analyzer);
// 設置打開方式:OpenMode.APPEND 會在索引庫的基礎上追加新索引。OpenMode.CREATE會先清空原來數據,再提交新的索引
conf.setOpenMode(IndexWriterConfig.OpenMode.CREATE);
// 創建索引的寫出工具類。參數:索引的目錄和配置信息
IndexWriter indexWriter = new IndexWriter(directory, conf);
// 把文檔集合交給IndexWriter
indexWriter.addDocuments(docs);
// 提交
indexWriter.commit();
// 關閉
indexWriter.close();
}
4.2、查詢索引數據
4.2.1、代碼實現
@Test
public void testSearch() throws Exception {
// 創建讀取目錄對象
Directory directory = FSDirectory.open(new File("d:\\indexDir"));
// 創建索引讀取工具
IndexReader reader = DirectoryReader.open(directory);
// 創建索引搜索工具
IndexSearcher searcher = new IndexSearcher(reader);
// 創建查詢解析器,兩個參數:默認要查詢的字段的名稱,分詞器
QueryParser parser = new QueryParser("title", new IKAnalyzer());
// 創建查詢對象
Query query = parser.parse("谷歌");
// 搜索數據,兩個參數:查詢條件對象要查詢的最大結果條數
// 返回的結果是 按照匹配度排名得分前N名的文檔信息(包含查詢到的總條數信息、所有符合條件的文檔的編號信息)。
TopDocs topDocs = searcher.search(query, 10);
// 獲取總條數
System.out.println("本次搜索共找到" + topDocs.totalHits + "條數據");
// 獲取得分文檔對象(ScoreDoc)數組.SocreDoc中包含:文檔的編號、文檔的得分
ScoreDoc[] scoreDocs = topDocs.scoreDocs;
for (ScoreDoc scoreDoc : scoreDocs) {
// 取出文檔編號
int docID = scoreDoc.doc;
// 根據編號去找文檔
Document doc = reader.document(docID);
System.out.println("id: " + doc.get("id"));
System.out.println("title: " + doc.get("title"));
// 取出文檔得分
System.out.println("得分: " + scoreDoc.score);
}
}
4.2.2、核心API
4.2.2.1、QueryParser(查詢解析器)
1)QueryParser(單一字段的查詢解析器)
2)MultiFieldQueryParser(多字段的查詢解析器)
4.2.2.2、Query(查詢對象,包含要查詢的關鍵詞信息)
1)通過QueryParser解析關鍵字,得到查詢對象
2)自定義查詢對象(高級查詢),我們可以通過Query的子類,直接創建查詢對象,實現高級查詢
4.2.2.3、IndexSearch(索引搜索對象,執行搜索功能)
IndexSearch可以幫助我們實現:快速搜索、排序、打分等功能
IndexSearch需要依賴IndexReader類
查詢後得到的結果,就是打分排序後的前N名結果。N可以通過第2個參數來指定:
4.2.2.4、TopDocs(查詢結果對象)
通過IndexSearcher對象,我們可以搜索,獲取結果:TopDocs對象
4.2.2.5、ScoreDoc(得分文檔對象)
ScoreDoc是得分文檔對象,包含兩部分數據(文檔編號、文檔的得分信息)
4.2.3、特殊查詢
public void search(Query query) throws Exception {
// 索引目錄對象
Directory directory = FSDirectory.open(new File("indexDir"));
// 索引讀取工具
IndexReader reader = DirectoryReader.open(directory);
// 索引搜索工具
IndexSearcher searcher = new IndexSearcher(reader);
// 搜索數據,兩個參數:查詢條件對象要查詢的最大結果條數
// 返回的結果是 按照匹配度排名得分前N名的文檔信息(包含查詢到的總條數信息、所有符合條件的文檔的編號信息)。
TopDocs topDocs = searcher.search(query, 10);
// 獲取總條數
System.out.println("本次搜索共找到" + topDocs.totalHits + "條數據");
// 獲取得分文檔對象(ScoreDoc)數組.SocreDoc中包含:文檔的編號、文檔的得分
ScoreDoc[] scoreDocs = topDocs.scoreDocs;
for (ScoreDoc scoreDoc : scoreDocs) {
// 取出文檔編號
int docID = scoreDoc.doc;
// 根據編號去找文檔
Document doc = reader.document(docID);
System.out.println("id: " + doc.get("id"));
System.out.println("title: " + doc.get("title"));
// 取出文檔得分
System.out.println("得分: " + scoreDoc.score);
}
}
4.2.3.1、TermQuery(詞條查詢)
/*
* 普通詞條查詢
* 注意:Term(詞條)是搜索的最小單位,不可再分詞。值必須是字符串!
*/
@Test
public void testTermQuery() throws Exception {
// 創建詞條查詢對象
Query query = new TermQuery(new Term("title", "谷歌地圖"));
search(query);
}
4.2.3.2、WildcardQuery(通配符查詢)
/*
* 通配符查詢
* ? 可以代表任意一個字符
* * 可以任意多個任意字符
*/
@Test
public void testWildCardQuery() throws Exception {
// 創建查詢對象
Query query = new WildcardQuery(new Term("title", "*歌*"));
search(query);
}
4.2.3.3 FuzzyQuery(模糊查詢)
/*
* 模糊查詢
*/
@Test
public void testFuzzyQuery() throws Exception {
// 創建模糊查詢對象:允許用戶輸錯。但是要求錯誤的最大編輯距離不能超過2
// 編輯距離:一個單詞到另一個單詞最少要修改的次數 facebool --> facebook 需要編輯1次,編輯距離就是1
// Query query = new FuzzyQuery(new Term("title","fscevool"));
// 可以手動指定編輯距離,但是參數必須在0~2之間
Query query = new FuzzyQuery(new Term("title","facevool"),1);
search(query);
}
4.2.3.4、NumericRangeQuery(數值範圍查詢)
/*
* 數值範圍查詢
* 可以用來對非String類型的ID進行精確的查找
*/
@Test
public void testNumericRangeQuery() throws Exception{
// 數值範圍查詢對象,參數:字段名稱,最小值、最大值、是否包含最小值、是否包含最大值
Query query = NumericRangeQuery.newLongRange("id", 2L, 2L, true, true);
search(query);
}
4.2.3.5、BooleanQuery(組合查詢)
/*
* 布爾查詢:
* 布爾查詢本身沒有查詢條件,可以把其它查詢通過邏輯運算進行組合
* 交集:Occur.MUST + Occur.MUST
* 並集:Occur.SHOULD + Occur.SHOULD
* 非:Occur.MUST_NOT
*/
@Test
public void testBooleanQuery() throws Exception{
Query query1 = NumericRangeQuery.newLongRange("id", 1L, 3L, true, true);
Query query2 = NumericRangeQuery.newLongRange("id", 2L, 4L, true, true);
// 創建布爾查詢的對象
BooleanQuery query = new BooleanQuery();
// 組合其它查詢
query.add(query1, BooleanClause.Occur.MUST_NOT);
query.add(query2, BooleanClause.Occur.SHOULD);
search(query);
}
4.4 修改索引
/*
* 修改索引
* 注意:
* A:Lucene修改功能底層會先刪除,再把新的文檔添加。
* B:修改功能會根據Term進行匹配,所有匹配到的都會被刪除。這樣不好
* C:因此,一般我們修改時,都會根據一個唯一不重複字段進行匹配修改。例如ID
* D:但是詞條搜索,要求ID必須是字符串。如果不是,這個方法就不能用。
* 如果ID是數值類型,我們不能直接去修改。可以先手動刪除deleteDocuments(數值範圍查詢鎖定ID),再添加。
*/
@Test
public void testUpdate() throws Exception{
// 創建目錄對象
Directory directory = FSDirectory.open(new File("indexDir"));
// 創建配置對象
IndexWriterConfig conf = new IndexWriterConfig(Version.LATEST, new IKAnalyzer());
// 創建索引寫出工具
IndexWriter writer = new IndexWriter(directory, conf);
// 創建新的文檔數據
Document doc = new Document();
doc.add(new StringField("id","1",Store.YES));
doc.add(new TextField("title","谷歌地圖之父跳槽facebook ",Store.YES));
/* 修改索引。參數:
* 詞條:根據這個詞條匹配到的所有文檔都會被修改
* 文檔信息:要修改的新的文檔數據
*/
writer.updateDocument(new Term("id","1"), doc);
// 提交
writer.commit();
// 關閉
writer.close();
}
4.5 刪除索引
/*
* 刪除索引
* 注意:
* 一般,爲了進行精確刪除,我們會根據唯一字段來刪除。比如ID
* 如果是用Term刪除,要求ID也必須是字符串類型!
*/
@Test
public void testDelete() throws Exception {
// 創建目錄對象
Directory directory = FSDirectory.open(new File("indexDir"));
// 創建配置對象
IndexWriterConfig conf = new IndexWriterConfig(Version.LATEST, new IKAnalyzer());
// 創建索引寫出工具
IndexWriter writer = new IndexWriter(directory, conf);
// 根據詞條進行刪除
// writer.deleteDocuments(new Term("id", "1"));
// 根據query對象刪除,如果ID是數值類型,那麼我們可以用數值範圍查詢鎖定一個具體的ID
// Query query = NumericRangeQuery.newLongRange("id", 2L, 2L, true, true);
// writer.deleteDocuments(query);
// 刪除所有
writer.deleteAll();
// 提交
writer.commit();
// 關閉
writer.close();
}
5、Lucene的高級使用
5.1、高亮顯示
// 高亮顯示
@Test
public void testHighlighter() throws Exception {
// 創建目錄對象
Directory directory = FSDirectory.open(new File("indexDir"));
// 創建索引讀取工具
IndexReader reader = DirectoryReader.open(directory);
// 創建索引搜索工具
IndexSearcher searcher = new IndexSearcher(reader);
// 創建查詢解析器
QueryParser parser = new QueryParser("title", new IKAnalyzer());
// 創建查詢對象
Query query = parser.parse("谷歌地圖");
// 創建格式化器
Formatter formatter = new SimpleHTMLFormatter("<em>", "</em>");
// 創建查詢分數工具
QueryScorer scorer = new QueryScorer(query);
// 準備高亮工具
Highlighter highlighter = new Highlighter(formatter, scorer);
// 搜索
TopDocs topDocs = searcher.search(query, 10);
System.out.println("本次搜索共" + topDocs.totalHits + "條數據");
ScoreDoc[] scoreDocs = topDocs.scoreDocs;
for (ScoreDoc scoreDoc : scoreDocs) {
// 獲取文檔編號
int docID = scoreDoc.doc;
Document doc = reader.document(docID);
System.out.println("id: " + doc.get("id"));
String title = doc.get("title");
// 用高亮工具處理普通的查詢結果,參數:分詞器,要高亮的字段的名稱,高亮字段的原始值
String hTitle = highlighter.getBestFragment(new IKAnalyzer(), "title", title);
System.out.println("title: " + hTitle);
// 獲取文檔的得分
System.out.println("得分:" + scoreDoc.score);
}
}
5.2、排序
// 排序
@Test
public void testSortQuery() throws Exception {
// 目錄對象
Directory directory = FSDirectory.open(new File("indexDir"));
// 創建讀取工具
IndexReader reader = DirectoryReader.open(directory);
// 創建搜索工具
IndexSearcher searcher = new IndexSearcher(reader);
QueryParser parser = new QueryParser("title", new IKAnalyzer());
Query query = parser.parse("谷歌地圖");
// 創建排序對象,需要排序字段SortField,參數:字段的名稱、字段的類型、是否反轉如果是false,升序。true降序
Sort sort = new Sort(new SortField("id", SortField.Type.LONG, true));
// 搜索
TopDocs topDocs = searcher.search(query, 10,sort);
System.out.println("本次搜索共" + topDocs.totalHits + "條數據");
ScoreDoc[] scoreDocs = topDocs.scoreDocs;
for (ScoreDoc scoreDoc : scoreDocs) {
// 獲取文檔編號
int docID = scoreDoc.doc;
Document doc = reader.document(docID);
System.out.println("id: " + doc.get("id"));
System.out.println("title: " + doc.get("title"));
}
}
5.3、分頁
// 分頁
@Test
public void testPageQuery() throws Exception {
// 實際上Lucene本身不支持分頁。因此我們需要自己進行邏輯分頁。我們要準備分頁參數:
int pageSize = 2;// 每頁條數
int pageNum = 3;// 當前頁碼
int start = (pageNum - 1) * pageSize;// 當前頁的起始條數
int end = start + pageSize;// 當前頁的結束條數(不能包含)
// 目錄對象
Directory directory = FSDirectory.open(new File("indexDir"));
// 創建讀取工具
IndexReader reader = DirectoryReader.open(directory);
// 創建搜索工具
IndexSearcher searcher = new IndexSearcher(reader);
QueryParser parser = new QueryParser("title", new IKAnalyzer());
Query query = parser.parse("谷歌地圖");
// 創建排序對象,需要排序字段SortField,參數:字段的名稱、字段的類型、是否反轉如果是false,升序。true降序
Sort sort = new Sort(new SortField("id", Type.LONG, false));
// 搜索數據,查詢0~end條
TopDocs topDocs = searcher.search(query, end,sort);
System.out.println("本次搜索共" + topDocs.totalHits + "條數據");
ScoreDoc[] scoreDocs = topDocs.scoreDocs;
for (int i = start; i < end; i++) {
ScoreDoc scoreDoc = scoreDocs[i];
// 獲取文檔編號
int docID = scoreDoc.doc;
Document doc = reader.document(docID);
System.out.println("id: " + doc.get("id"));
System.out.println("title: " + doc.get("title"));
}
}
5.4、得分算法
Lucene會對搜索結果打分,用來表示文檔數據與詞條關聯性的強弱,得分越高,表示查詢的匹配度就越高,排名就越靠前
Field field = new StoredField("url", "www.amigo.com");
// 設置激勵因子
field.setBoost(10.0f);
document.add(field);