全文检索-Lucene

01.说明-全文检索（概念）

数据量大，要求高的时候，数据库内容很多，数据库搜索的时候对数据库服务器压力大的时候，请用全文检索-Lucene框架

搜索的数据是什么？

文本（important）

多媒体

搜索的方式是什么？

不处理语义

搜索含有指定词汇的文章

应用范围？

网页搜索，贴吧搜索，文档搜索等

全文检索的要求？

搜索速度要快

结果要准确

搜出多个结果的时候，把最匹配的结果放在前面，相关度排序

不区分大小写

02-Lucene的作用说明

lucene.apache.org

apache提供了tomcat/struts/beanutils/dbUtils/..

Lucene实现全文检索的原理

在大量数据之中，Lucene如何实现快速检索功能呢？

百度搜索---用户请求发给百度服务器---返回结果

│

很多爬虫从互联网中抓了数据组织特定（快速搜索）格式放到百度服务器中的索引库

│  

Lucene管理索引库，对外提供搜索功能

03-Lucene的API与数据结构简介说明

索引库存放一堆二进制数据，可以吧索引库理解为数据库

如何建立索引库的目录？

网页，文件，在java中表现的都是一个对象，普通javabean，用Map<String, Object>表示一个javabean里面的所有信息，比如Map<name,value>

04-准备Lucene的开发环境+HelloWorld（建立索引）

核心包lucene-core-3.0.1.jar

特定功能包

分词器 lucene-analyzers-3.0.1.jar

高亮关键字 lucene-highlighter-3.0.1.jar

高亮功能依赖的包 lucene-memory-3.0.1.jar

快速操作模式 shift + Alt +A

06-索引库的内部结构

索引库有两个区

1.目录区-分词器划分关键字，存储（关键字与n个文章）对应关系

2.数据区-存储document

doc.add(new Field("id", idStr, Store.YES, Index.ANALYZED));

doc.add(new Field("title", article.getTitle(), Store.YES, Index.ANALYZED));

doc.add(new Field("content", article.getContent(), Store.NO, Index.ANALYZED));

Store参数

用于指定某Field的原始值是否存到数据库中

YES - 存储，取出的Document中就有这个字段的值

NO - 不存储，取出的Document中就没有这个字段的值

Index参数

用于指定是否把某个Field中的文本值更新到目录区中

NO - 不更新到目录区中，不能按此字段搜索

ANALYZED - 先把字段文本值分词处理，把分词后的结果更新到目录中

NOT_ANALYZED - 不分词，直接把Field的文本值当作一个词更新到目录中，应用场景：作者、日期、数字、url、文件地址

07-建立索引与搜索的过程分析

1.建立索引 - 增删改索引库

1.把Article转为Document

Document doc = new Document();

doc.add(new Field("id", idStr, Store.YES, Index.ANALYZED));

2.添加到索引库中

IndexWriter indexWriter =

new IndexWriter(directory, analyzer,  MaxFieldLength.UNLIMITED);

indexWriter.addDocument(doc);

做两件事情(1)把Document存到数据区中，这个时候会自动分配一个内部编号

(2)把一个field值（分词或者不分词）更新到目录中。

2.搜索

搜索过程

1，把查询字符串转为Query对象（默认只从title中查询）

QueryParser queryParser = new QueryParser(Version.LUCENE_30, "title", analyzer);

Query query = queryParser.parse(queryString);

2，执行查询，得到中间结果 搜索目录

IndexSearcher indexSearcher = new IndexSearcher(directory); // 指定所用的索引库

TopDocs topDocs = indexSearcher.search(query, 100); // 最多返回前n条结果

int count = topDocs.totalHits;//关联总条数

ScoreDoc[] scoreDocs = topDocs.scoreDocs;

 3，处理结果 根据docId取出真正的Document数据

搜索的时候 也要分词，分成关键字去匹配目录里面的关键字

分词器

 分词规则

建立索引 和 搜索 都使用同一个分词规则

MaxFieldLength

有限制10000 default

无限制 max

建立索引目录的时候，只处理字段前多少个词

08-在Web应用程序中使用Lucene的方案

web应用增删改数据库和索引库会引发哪些问题？

数据库和索引库都有文章的信息，1.浪费存储空间2.状态同步问题

1.是否浪费？

索引库存放数据的原则：能被搜索的数据，比如数据库里有作者表，文章表，索引库只存了文章表，根据作者搜索，可以搜索出作者写的文章，而搜索不出作者的具体信息。重复的数据只是需要被搜索出来的数据。

一次搜索显示所有数据，减轻数据库压力。

实现全文搜索必须要索引库，为了不存储重复信息，是否能取消数据库，把数据全部存到索引库中？

不行！数据库的一些功能，索引库无法实现，比如事务管理。

2.保证索引库的状态与数据源的状态一致的方案：

(1)方案一：当对数据库做增删改的操作时，就同时对索引库也做增删改的操作会出现什么问题？在一个别人已经存在的一个程序上，不让你修改他们的程序，但是我要增加一个搜索功能，怎么办？比如百度去对别人网页的数据做组织成一个搜索。

(2)方案二：自己不能控制数据源的时候，定时从数据源中抓取数据 -- 爬虫的概念。定时重建索引库,（或者定时与数据源做同步的操作），有时候做同步操作还没有重建索引库快呢，除非索引库忒别大。忒别大的时候就是利用爬虫分析网络上的网页是否有最新数据，比如MD5摘要一下网页中的内容，（MD5摘要的内容是不可逆的），两个不同字符串做MD5摘要是不同，对比MD5摘要，不一样就更新索引库，几百万的数据重建是比较快的。

垂直搜索：对专业的事情有更细致的分析，比如淘宝搜索商品，能根据价格搜索特点商品。

根据数据源的不同，采用不同方案

1.数据源是数据库  使用方案一或者方案二

2.数据源是网页  使用方案二，流行垂直搜索

3.数据源是文件  采用JNI技术：在java里面调用C或者C++程序，及时获取操作系统的信息。使用方案二。

eg:利用struts2做 贴吧的增删改查

ArticleAction{

add() {

form-->article; dao.save(article);..//保存到数据库

indexDao.save(article)//保存到索引库

}

delete() {

 id = getparam(“id”); dao.delete(id);..//从数据库里删除

//从索引库中删除

}

modify() {

article= getById(id); form-->articel; dao.update(article);//更新到数据库

//更新到索引库

 }

}

对索引库的增删改查

IndexDao{

save(article);

delete(id);

update(article);

search(str)

...

}

09-实现IndexDao（一）

article 的id也要存到索引库里，必须不分词的存入，这是唯一标识符，可以准确锁定article，比如可以根据id查找删除索引库里article。

int 类型转化为string类型使用lucene里面的方法，存放的int类型的2进制类型。直接用toString会将一个4字节的数据变成一个十几个字节的数据，浪费空间，不好排序。

Ctrl + T 查看继承关系

测试

12-实现IndexDao（四）-管理单例的IndexWriter

初始化IndexWriter 如果没有关闭，正在被使用，可能内存上的缓存就没有刷新到硬盘上面，没有释放资源，web应用程序需要反正application监听器里面，在应用程序启动时创建indexwriter对象，应用程序退出之前关闭indexwriter对象。java程序，虚拟机退出之前关闭eindexWriter对象。指定一段代码，在jvm退出之前执行。

13-优化索引库：合并文件的方法

indexDir文件夹里面很多文件，有的已经被标记为删除文件，为什么不直接删除，而是标记呢，这是应为这个文件夹很大，频繁修改增删这个文件夹可能带来效率低问题，什么时候才删除这些标记文件呢，lucene不忙的时候，才进行合并或者删除。这些被标记删除的文件怎么可以不被查出来呢？先查出所有数据，再过滤掉del文件。优化之后，就没有了del文件了==合并文件，几个小文件合并成一个大文件，减少io操作。

优化 就是 合并文件，合并几个小文件成一个大文件

什么时候合并文件呢

批量操作，每天重新创建索引库，抓了更多文件之后合并成一个大文件放入索引库里面，当扩展名相同的文件达到一定数量之后，默认10条，最小2条，再合并==自动优化，

  @Test

public void test() throws Exception {

LuceneUtils.getIndexWriter().optimize();

}

// 自动合并文件

@Test

public void testAuto() throws Exception {

// 配置当小文件的数量达到多少个后就自动合并为一个大文件，默认为10，最小为2.

LuceneUtils.getIndexWriter().setMergeFactor(5);

// 建立索引

Article article = new Article();

article.setId(1);

article.setTitle("准备Lucene的开发环境");

article.setContent("如果信息检索系统在用户发出了检索请求后再去互联网上找答案，根本无法在有限的时间内返回结果。");

new ArticleIndexDao().save(article);

}

07-网页爬虫的实现方案1

爬虫：功能，抓网页。

把一个网站上面所有页面下载下来？

方案：

0.初始条件：首页

1.下载网页得到网页的内容    

2.获取其中所有超链接     

3.去掉已经下载过的链接和栈外的链接     

4.循环处理每一个有效的超链接  回到 1 没新的链接出现就停止循环

技术：

如何下载一个网站的URL  -   UrlConnection（Socket）

Http协议 发送请求 响应实体内容

1.下载网页

public static String downLoad(String urlString){

URL url = new URL(urlString);

URLConnection conn = url.openConnection();

InputStream in = conn.getInputStream();

//in 流中的数据就是网页内容

2.获取所有的超链接

Dom + XPath

3.去掉已经下载过的链接和栈外的链接     

把下载过的链接全部放到数据库里面，或者一个集合里面，新的链接和集合中的链接进行比较，看是否包含。

如果要做到更好一点：出现网络问题，好多个线程去访问，总有几个线程访问不了，可以进行3次请求链接。

多个线程不断的从任务队列里面拿任务

任务队列的（需要完成的任务）放到数据库里面，停电也没有关系。多线程从数据库里查询和删除任务。队列形式解决了递归的内存溢出，停电无断点，不能使用多线程的问题。

在java里面用LinkedList表示队列

addFirst()   removeLast()

addLast()   removeFirst()   

使用多种模式：使用架构，mvc，继承

类变多了，关系变复杂了

1.适用更复杂，要求严格的情况

2.代码可读性好

3.结构合理，方便修改

4.方便扩展，可维护性强