本文共 7228 字，大约阅读时间需要 24 分钟。
Lucene是一套用于全文检索和搜寻的开源程式库，由Apache软件基金会支持和提供。Lucene提供了一个简单却强大的应用程式接口，能够做全文索引和搜寻。在Java开发环境里Lucene是一个成熟的免费开源工具。就其本身而言，Lucene是当前以及最近几年最受欢迎的免费Java信息检索程序库。——《百度百科》这篇博文主要从两个方面出发，首先介绍一下Lucene中的全文搜索原理，其次通过程序示例来展现如何使用Lucene。关于全文搜索原理部分我上网搜索了一下，也看了好几篇文章，最后在写这篇文章的时候部分参考了其中两篇（地址我放在文章的末尾），感谢原文作者。
1. 全文检索
何为全文检索？举个例子，比如现在要在一个文件中查找某个字符串，最直接的想法就是从头开始检索，查到了就OK，这种对于小数据量的文件来说，很实用，但是对于大数据量的文件来说，就有点呵呵了。或者说找包含某个字符串的文件，也是这样，如果在一个拥有几十个G的硬盘中找那效率可想而知，是很低的。 文件中的数据是属于非结构化数据，也就是说它是没有什么结构可言的，要解决上面提到的效率问题，首先我们得即将非结构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。这就叫全文搜索。即先建立索引，再对索引进行搜索的过程。 那么lucene中是如何建立索引的呢？假设现在有两个文档，内容如下：
文章1的内容为：Tom lives in Guangzhou, I live in Guangzhou too.
文章2的内容为：He once lived in Shanghai.
首先第一步是将文档传给分词组件（Tokenizer），分词组件会将文档分成一个个单词，并去除标点符号和停词。所谓的停词指的是没有特别意义的词，比如英文中的a，the，too等。经过分词后，得到词元(Token) 。如下：
文章1经过分词后的结果：[Tom] [lives] [Guangzhou] [I] [live] [Guangzhou]
文章2经过分词后的结果：[He] [lives] [Shanghai]
然后将词元传给语言处理组件(Linguistic Processor)，对于英语，语言处理组件一般会将字母变为小写，将单词缩减为词根形式，如”lives”到”live”等，将单词转变为词根形式，如”drove”到”drive”等。然后得到词（Term）。如下：
文章1经过处理后的结果：[tom] [live] [guangzhou] [i] [live] [guangzhou]
文章2经过处理后的结果：[he] [live] [shanghai]
最后将得到的词传给索引组件（Indexer），索引组件经过处理，得到下面的索引结构：
| 关键词 | 文章号[出现频率] | 出现位置 |
|---|---|---|
| guangzhou | 1[2] | 3，6 |
| he | 2[1] | 1 |
| i | 1[1] | 4 |
| live | 1[2],2[1] | 2，5，2 |
| shanghai | 2[1] | 3 |
| tom | 1[1] | 1 |
以上就是lucene索引结构中最核心的部分。它的关键字是按字符顺序排列的，因此lucene可以用二元搜索算法快速定位关键词。实现时lucene将上面三列分别作为词典文件（Term Dictionary）、频率文件（frequencies）和位置文件（positions）保存。其中词典文件不仅保存有每个关键词，还保留了指向频率文件和位置文件的指针，通过指针可以找到该关键字的频率信息和位置信息。 搜索的过程是先对词典二元查找、找到该词，通过指向频率文件的指针读出所有文章号，然后返回结果，然后就可以在具体的文章中根据出现位置找到该词了。所以lucene在第一次建立索引的时候可能会比较慢，但是以后就不需要每次都建立索引了，就快了。当然了，这是针对英文的检索，针对中文的规则会有不同，后面我再看看相关资料。
2. 示例代码
根据上文的分析，全文检索有两个步骤，先建立索引，再检索。所以为了测试这个过程，我写了两个java类，一个是测试建立索引的，另一个是测试检索的。首先建立个maven工程，pom.xml如下：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 4.0.0 demo.lucene Lucene01 0.0.1-SNAPSHOT org.apache.lucene lucene-core 5.3.1 org.apache.lucene lucene-queryparser 5.3.1 org.apache.lucene lucene-analyzers-common 5.3.1
在写程序之前，首先得去弄一些文件，我随便找了一些英文的文档（中文的后面再研究），放到了D:\lucene\data\目录中，如下： 
/** * 建立索引的类 * @author Ni Shengwu * */public class Indexer { private IndexWriter writer; //写索引实例 //构造方法，实例化IndexWriter public Indexer(String indexDir) throws Exception { Directory dir = FSDirectory.open(Paths.get(indexDir)); Analyzer analyzer = new StandardAnalyzer(); //标准分词器，会自动去掉空格啊，is a the等单词 IndexWriterConfig config = new IndexWriterConfig(analyzer); //将标准分词器配到写索引的配置中 writer = new IndexWriter(dir, config); //实例化写索引对象 } //关闭写索引 public void close() throws Exception { writer.close(); } //索引指定目录下的所有文件 public int indexAll(String dataDir) throws Exception { File[] files = new File(dataDir).listFiles(); //获取该路径下的所有文件 for(File file : files) { indexFile(file); //调用下面的indexFile方法，对每个文件进行索引 } return writer.numDocs(); //返回索引的文件数 } //索引指定的文件 private void indexFile(File file) throws Exception { System.out.println("索引文件的路径：" + file.getCanonicalPath()); Document doc = getDocument(file); //获取该文件的document writer.addDocument(doc); //调用下面的getDocument方法，将doc添加到索引中 } //获取文档，文档里再设置每个字段，就类似于数据库中的一行记录 private Document getDocument(File file) throws Exception{ Document doc = new Document(); //添加字段 doc.add(new TextField("contents", new FileReader(file))); //添加内容 doc.add(new TextField("fileName", file.getName(), Field.Store.YES)); //添加文件名，并把这个字段存到索引文件里 doc.add(new TextField("fullPath", file.getCanonicalPath(), Field.Store.YES)); //添加文件路径 return doc; } public static void main(String[] args) { String indexDir = "D:\\lucene"; //将索引保存到的路径 String dataDir = "D:\\lucene\\data"; //需要索引的文件数据存放的目录 Indexer indexer = null; int indexedNum = 0; long startTime = System.currentTimeMillis(); //记录索引开始时间 try { indexer = new Indexer(indexDir); indexedNum = indexer.indexAll(dataDir); } catch (Exception e) { e.printStackTrace(); } finally { try { indexer.close(); } catch (Exception e) { e.printStackTrace(); } } long endTime = System.currentTimeMillis(); //记录索引结束时间 System.out.println("索引耗时" + (endTime-startTime) + "毫秒"); System.out.println("共索引了" + indexedNum + "个文件"); }} 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 我是按照建立索引的过程来写的程序，在注释中已经解释的很清楚了，这里就不再赘述了。然后运行一下main方法看一下结果，如下： 
public class Searcher { public static void search(String indexDir, String q) throws Exception { Directory dir = FSDirectory.open(Paths.get(indexDir)); //获取要查询的路径，也就是索引所在的位置 IndexReader reader = DirectoryReader.open(dir); IndexSearcher searcher = new IndexSearcher(reader); Analyzer analyzer = new StandardAnalyzer(); //标准分词器，会自动去掉空格啊，is a the等单词 QueryParser parser = new QueryParser("contents", analyzer); //查询解析器 Query query = parser.parse(q); //通过解析要查询的String，获取查询对象 long startTime = System.currentTimeMillis(); //记录索引开始时间 TopDocs docs = searcher.search(query, 10);//开始查询，查询前10条数据，将记录保存在docs中 long endTime = System.currentTimeMillis(); //记录索引结束时间 System.out.println("匹配" + q + "共耗时" + (endTime-startTime) + "毫秒"); System.out.println("查询到" + docs.totalHits + "条记录"); for(ScoreDoc scoreDoc : docs.scoreDocs) { //取出每条查询结果 Document doc = searcher.doc(scoreDoc.doc); //scoreDoc.doc相当于docID,根据这个docID来获取文档 System.out.println(doc.get("fullPath")); //fullPath是刚刚建立索引的时候我们定义的一个字段 } reader.close(); } public static void main(String[] args) { String indexDir = "D:\\lucene"; String q = "generate-maven-artifacts"; //查询这个字符串 try { search(indexDir, q); } catch (Exception e) { e.printStackTrace(); } }} 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 运行一下main方法，看一下结果： 
部分参考自：
—–乐于分享，共同进步！
—–我的博客主页：