全文检索
数据分类
结构化数据:指具有固定格式或有限长度的数据,如数据库,元数据等。针对结构化数据的搜索,列如对数据库的搜索,可以使用SQL语句。再如对元数据的搜索,列如Windows中对文件名,类型和修改时间进行搜索等;
非结构化数据:指不定长或没有固定格式的数据,例如邮件,word文档等。对非结构化数据的搜索,例如Windows中对文件内容的搜索,Linux中grep命令,以及使用Google或百度来搜索内容都属于对全文数据的搜索;
对结构化的数据,可以使用搜索算法按照结构较快地进行检索;
但是对非结构化的数据,由于没有特定结构,因此在数据量比较小的时候,可以使用顺序扫描法,一个文件一个文件地找,找到包含检索字符串的文件。如Windows文件搜索,Linux中grep命令。这样的方法对于数量较小的比较直接,但是对于数据量较大的文件检索效率较低。
结构化数据搜索
常见的结构化数据也就是数据库中的数据。在数据库中搜索很容易实现,通常都是使用sql语句进行查询,而且很快的得到查询结构。
非结构化数据查询方法
顺序扫描法(Serial Scanning)
所谓顺序扫描法,比如要找内容包含某一个字符串的文件,就是一个一个文档的看,对于每一个文档,从头看到尾,如果此文档包含此字符串,则此文档为我们要找的文件,接着看下一个文件,直到扫描完所有的文件。如利用Windows的搜索也可以搜索文件内容,只是相当的慢。
全文检索(Full-text Search)
将非数据化数据中的一部分信息提取出来,重新组织,使其变得有一定结构,然后对此有一定结构的数据进行搜索,从而达到搜索相对较快的目的。这部分从非结构数据中提取出的然后重新组织的信息,我们称之为索引。
例如:字典。字典的拼音表和部首检字表就相当于字典的索引,对每一个字的解释是非结构化的,如果字典没有音节表和部首检字表,在茫茫辞海中找一个字只能顺序扫描。然而字的某些信息可以提取出来进行结构化处理,比如读音,就比较结构化,分声母和韵母,分别只有几种可以一一列举,于是将读音拿出来按一定的顺序排列,每一项读音都指向此字的详细解释的页数。我们搜索时按结构化的拼音搜到读音,然后按其指向的页数,便可找到我们的非结构化数据——也即对字的解释。
这种先建立索引,在对索引进行搜索的过程全文检索;
虽然创建索引的过程也是非常的耗时,但是索引一旦创建就可以多次使用,全文检索主要处理的是查询,所以耗时间创建索引是值得的。
全文检索的应用场景
1.搜索引擎;
2.站内搜索;
3.电商搜索;
如何实现全文检索
可以使用Lucene实现全文检索,Lucene是Apache下的一个开源代码的全文检索引擎工具包。提供了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,以方便的在目标系统中实现全文检索的功能。
Lucene实现流程
流程图
1.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——>采集文件——>创建文档——>分析文档——>索引文档
2.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,从索引库中搜索——>渲染搜索结构
创建索引
1.获得原始文档
原始文档是指要索引和搜索的内容。原始内容包含互联网上的网页,数据库中的数据,磁盘上的文件等;
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,将获取的网页内容存储起来;
2.创建文档对象
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,文档中包含一个一个的域,域中存储内容;
3.分析文档
将原始内容创建为包含域的文档,需要在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我一个一个的单词;
4.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文档
注意:创建索引是对语汇单元索引,通词语找文档,这种索引的结构叫到倒序索引结构;
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法,数据量大,搜索慢;
倒序索引结构是根据内容找文档,如下图:
倒序索引结构也叫反向索引结构,包括索引和文档两个部分,索引即词汇表,它的规模较小,而文档集合较大;
查询索引
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;
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。
2.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:“fileName:lucene”表示要操作field与的内容为“lucene”文档;
3.执行查询
搜索索引过程:
根据查询语法在倒序索引词典表中分别找出对应搜索词的索引,从而知道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;
4.渲染结构
以一个友好的界面将查询结构展示在用户面前,用户根据搜索结构找自己想要的信息,为了帮助用户很快找到自己的结构,提供了很多展示的效果;
案例
1.创建maven工程
2.导入依赖
<dependencies> <dependency> <groupId>junit</groupId> <artifactId>junit</artifactId> <version>4.11</version> <scope>test</scope> </dependency> <!-- https://mvnrepository.com/artifact/org.apache.lucene/lucene-core --> <dependency> <groupId>org.apache.lucene</groupId> <artifactId>lucene-core</artifactId> <version>7.4.0</version> </dependency> <!-- https://mvnrepository.com/artifact/org.apache.lucene/lucene-analyzers-common --> <dependency> <groupId>org.apache.lucene</groupId> <artifactId>lucene-analyzers-common</artifactId> <version>7.4.0</version> </dependency> <!-- https://mvnrepository.com/artifact/commons-io/commons-io --> <dependency> <groupId>commons-io</groupId> <artifactId>commons-io</artifactId> <version>2.4</version> </dependency> </dependencies>
3.创建索引类
package com.wn.Lucene; import org.apache.commons.io.FileUtils; import org.apache.lucene.document.Document; import org.apache.lucene.document.Field; import org.apache.lucene.document.TextField; import org.apache.lucene.index.IndexWriter; import org.apache.lucene.index.IndexWriterConfig; import org.apache.lucene.store.Directory; import org.apache.lucene.store.FSDirectory; import java.io.File; import java.io.IOException; public class Index { public static void main(String[] args)throws IOException { //步骤一:创建Directory对象,用于指定索引库的位置 RAMDirectory内存 Directory directory = FSDirectory.open(new File("E:\\Lucene\\temp\\index").toPath()); //步骤二:创建一个IndexWriter对象,用于写索引 IndexWriter indexWriter=new IndexWriter(directory,new IndexWriterConfig()); //步骤三:读取磁盘中文件,对应每一个文件创建一个文档对象 File file=new File("E:\\Lucene\\temp\\searchsource"); //步骤四:获取文件列表 File[] files = file.listFiles(); for (File item:files) { //步骤五:获取文件数据,封装域 参数三:是否存储 Field fieldName=new TextField("fieldName",item.getName(), Field.Store.YES); Field fieldPath=new TextField("fieldPath",item.getPath(), Field.Store.YES); Field fieldSize=new TextField("fieldSize", FileUtils.sizeOf(item)+"", Field.Store.YES); Field fieldContent=new TextField("fieldContent", FileUtils.readFileToString(item,"UTF-8"), Field.Store.YES); //步骤六:创建文档对象,向文档对象中添加域 Document document=new Document(); document.add(fieldName); document.add(fieldPath); document.add(fieldSize); document.add(fieldContent); //步骤七:创建索引,将文档对象写入到索引库 indexWriter.addDocument(document); } //步骤八:关闭资源 indexWriter.close(); } }
4.使用Luke工具查看索引文件
5.创建查询索引类
package com.wn.Lucene; import org.apache.lucene.document.Document; import org.apache.lucene.index.DirectoryReader; import org.apache.lucene.index.IndexReader; import org.apache.lucene.index.Term; import org.apache.lucene.search.*; import org.apache.lucene.store.Directory; import org.apache.lucene.store.FSDirectory; import java.io.File; import java.io.IOException; public class searchIndex { public static void main(String[] args)throws IOException { //创建Directory对象,指定索引位置 Directory directory= FSDirectory.open(new File("E:\\Lucene\\temp\\index").toPath()); //创建indexReader对象,读取索引库内容 IndexReader indexReader= DirectoryReader.open(directory); //创建indexSearcher对象 IndexSearcher indexSearcher=new IndexSearcher(indexReader); //创建Query查询对象 Query query=new TermQuery(new Term("fieldContent","spring")); //执行查询,获取到文档对象 TopDocs topDocs = indexSearcher.search(query, 10); System.out.println("一共获取文档数:"+topDocs.totalHits+"--------------------------"); //获取文档列表 ScoreDoc[] scoreDocs=topDocs.scoreDocs; for (ScoreDoc item:scoreDocs){ //获取文档ID int docld=item.doc; //取出文档 Document doc = indexSearcher.doc(docld); //获取到文档域中数据 System.out.println("fieldName:"+doc.get("fieldName")); System.out.println("fieldPath:"+doc.get("fieldPath")); System.out.println("fieldSize:"+doc.get("fieldSize")); System.out.println("fieldContent:"+doc.get("fieldContent")); System.out.println("========================================================"); } //关闭资源 indexReader.close(); } }
6.实现效果
来源:https://www.cnblogs.com/mayuan01/p/12391837.html