Lucene总的来说是: 一个高效的,可扩展的,全文检索库。 全部用Java实现,无须配置。
仅支持纯文本文件的索引(Indexing)和搜索(Search)。 不负责由其他格式的文件抽取纯文本文件,或从网络中抓取文件的过程。
让我们更细一些看Lucene的各组件:
被索引的文档用Document对象 表示。
IndexWriter 通过函数addDocument 将文档添加到索引中,实现创建索引的过程。
Lucene 的索引是应用反向索引。
当用户有请求时,Query 代表用户的查询语句。IndexSearcher 通过函数search 搜索Lucene Index 。
IndexSearcher 计算term weight 和score 并且将结果返回给用户。
返回给用户的文档集合用TopDocsCollector 表示。 那么如何应用这些组件呢? 让我们再详细到对Lucene API 的调用实现索引和搜索过程。
索引过程如下:
创建一个IndexWriter 用来写索引文件,它有几个参数,INDEX_DIR 就是索引文件所存放的位置,Analyzer 便是用来对文档进行词法分析和语言处理的。
创建一个Document 代表我们要索引的文档。 将不同的Field 加入到文档中。
我们知道,一篇文档有多种信息,如题目,作者,修改时间,内容等。
不同类型的信息用不同的Field 来表示,在本例子中,一共有两类信息进行了索引,一个是文件路径,一个是文件内容。
其中FileReader 的SRC_FILE 就表示要索引的源文件。 IndexWriter 调用函数addDocument 将索引写到索引文件夹中。
搜索过程如下: IndexReader 将磁盘上的索引信息读入到内存,INDEX_DIR 就是索引文件存放的位置。
创建IndexSearcher 准备进行搜索。 创建Analyer 用来对查询语句进行词法分析和语言处理。 创建QueryParser 用来对查询语句进行语法分析。
QueryParser 调用parser 进行语法分析,形成查询语法树,放到Query 中。
IndexSearcher 调用search 对查询语法树Query 进行搜索,得到结果TopScoreDocCollector 。
以上便是Lucene API函数的简单调用。 然而当进入Lucene的源代码后,发现Lucene有很多包,关系错综复杂。 然而通过下图,我们不难发现,Lucene的各源码模块,都是普通索引和搜索过程的一种实现。
Lucene 的analysis 模块主要负责词法分析及语言处理而形成Term 。
Lucene 的index 模块主要负责索引的创建,里面有IndexWriter 。
Lucene 的store 模块主要负责索引的读写。 Lucene 的QueryParser 主要负责语法分析。
Lucene 的search 模块主要负责对索引的搜索。
Lucene 的similarity 模块主要负责对相关性打分的实现。