首先,帮忙点击一下我的网站http://www.wenzhihuai.com/ 。谢谢啊,如果可以,GitHub上麻烦给个star,以后面试能讲讲这个项目,GitHub地址https://github.com/Zephery/newblog 。
Lucene的整体架构
搜索引擎的几个重要概念:
倒排索引:将文档中的词作为关键字,建立词与文档的映射关系,通过对倒排索引的检索,可以根据词快速获取包含这个词的文档列表。倒排索引一般需要对句子做去除停用词。
- 停用词:在一段句子中,去掉之后对句子的表达意向没有印象的词语,如“非常”、“如果”,中文中主要包括冠词,副词等。
排序:搜索引擎在对一个关键词进行搜索时,可能会命中许多文档,这个时候,搜索引擎就需要快速的查找的用户所需要的文档,因此,相关度大的结果需要进行排序,这个设计到搜索引擎的相关度算法。
Lucene中的几个概念
- 文档(Document):文档是一系列域的组合,文档的域则代表一系列域文档相关的内容。
- 域(Field):每个文档可以包含一个或者多个不同名称的域。
- 词(Term):Term是搜索的基本单元,与Field相对应,包含了搜索的域的名称和关键词。
- 查询(Query):一系列Term的条件组合,成为TermQuery,但也有可能是短语查询等。
- 分词器(Analyzer):主要是用来做分词以及去除停用词的处理。
索引的建立
索引的搜索
lucene在本网站的使用:
- 搜索 2. 自动分词
一、搜索
注意:本文使用最新的lucene,版本6.6.0。lucene的版本更新很快,每跨越一次大版本,使用方式就不一样。首先需要导入lucene所使用的包。使用maven:
<dependency><groupId>org.apache.lucene</groupId><artifactId>lucene-core</artifactId><!--lucene核心--><version>${lucene.version}</version>
</dependency>
<dependency><groupId>org.apache.lucene</groupId><artifactId>lucene-analyzers-common</artifactId><!--分词器--><version>${lucene.version}</version>
</dependency>
<dependency><groupId>org.apache.lucene</groupId><artifactId>lucene-analyzers-smartcn</artifactId><!--中文分词器--><version>${lucene.version}</version>
</dependency>
<dependency><groupId>org.apache.lucene</groupId><artifactId>lucene-queryparser</artifactId><!--格式化--><version>${lucene.version}</version>
</dependency>
<dependency><groupId>org.apache.lucene</groupId><artifactId>lucene-highlighter</artifactId><!--lucene高亮--><version>${lucene.version}</version>
</dependency>
- 构建索引
Directory dir = FSDirectory.open(Paths.get("blog_index"));//索引存储的位置
SmartChineseAnalyzer analyzer = new SmartChineseAnalyzer();//简单的分词器
IndexWriterConfig config = new IndexWriterConfig(analyzer);
IndexWriter writer = new IndexWriter(dir, config);
Document doc = new Document();
doc.add(new TextField("title", blog.getTitle(), Field.Store.YES)); //对标题做索引
doc.add(new TextField("content", Jsoup.parse(blog.getContent()).text(), Field.Store.YES));//对文章内容做索引
writer.addDocument(doc);
writer.close();
- 更新与删除
IndexWriter writer = getWriter();
Document doc = new Document();
doc.add(new TextField("title", blog.getTitle(), Field.Store.YES));
doc.add(new TextField("content", Jsoup.parse(blog.getContent()).text(), Field.Store.YES));
writer.updateDocument(new Term("blogid", String.valueOf(blog.getBlogid())), doc); //更新索引
writer.close();
- 查询
private static void search_index(String keyword) {try {Directory dir = FSDirectory.open(Paths.get("blog_index")); //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);SmartChineseAnalyzer analyzer = new SmartChineseAnalyzer();QueryParser parser = new QueryParser("content", analyzer); //查询解析器Query query = parser.parse(keyword); //通过解析要查询的String,获取查询对象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,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("title")); //fullPath是刚刚建立索引的时候我们定义的一个字段}reader.close();} catch (IOException | ParseException e) {logger.error(e.toString());}
}
- 高亮
Fragmenter fragmenter = new SimpleSpanFragmenter(scorer);
SimpleHTMLFormatter simpleHTMLFormatter = new SimpleHTMLFormatter("<b><font color='red'>", "</font></b>");
Highlighter highlighter = new Highlighter(simpleHTMLFormatter, scorer);
highlighter.setTextFragmenter(fragmenter);
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String title = doc.get("title");TokenStream tokenStream = analyzer.tokenStream("title", new StringReader(title));String hTitle = highlighter.getBestFragment(tokenStream, title);System.out.println(hTitle);
}
结果
<b><font color='red'>Java</font></b>堆.栈和常量池 笔记
- 分页
目前lucene分页的方式主要有两种:
(1). 每次都全部查询,然后通过截取获得所需要的记录。由于采用了分词与倒排索引,所有速度是足够快的,但是在数据量过大的时候,占用内存过大,容易造成内存溢出
(2). 使用searchAfter把数据保存在缓存里面,然后再去取。这种方式对大量的数据友好,但是当数据量比较小的时候,速度会相对慢。
lucene中使用searchafter来筛选顺序
ScoreDoc lastBottom = null;//相当于pageSize
BooleanQuery.Builder booleanQuery = new BooleanQuery.Builder();
QueryParser parser1 = new QueryParser("title", analyzer);//对文章标题进行搜索
Query query1 = parser1.parse(q);
booleanQuery.add(query1, BooleanClause.Occur.SHOULD);
TopDocs hits = search.searchAfter(lastBottom, booleanQuery.build(), pagehits); //lastBottom(pageSize),pagehits(pagenum)
- 使用效果
全部代码放在这里,代码写的不太好,光从代码规范上就不咋地。在网页上的使用效果如下:
二、lucene自动补全
百度、谷歌等在输入文字的时候会弹出补全框,如下图:
在搭建lucene自动补全的时候,也有考虑过使用SQL语句中使用like来进行,主要还是like对数据库压力会大,而且相关度没有lucene的高。主要使用了官方suggest库以及autocompelte.js这个插件。
suggest的原理看这,以及索引结构看这。
使用:
- 导入maven包
<dependency><groupId>org.apache.lucene</groupId><artifactId>lucene-suggest</artifactId><version>6.6.0</version>
</dependency>
- 如果想将结果反序列化,声明实体类的时候要加上:
public class Blog implements Serializable {
- 实现InputIterator接口
InputIterator的几个方法:
long weight():返回的权重值,大小会影响排序,默认是1L
BytesRef payload():对某个对象进行序列化
boolean hasPayloads():是否有设置payload信息
Set contexts():存入context,context里可以是任意的自定义数据,一般用于数据过滤
boolean hasContexts():判断是否有下一个,默认为false
public class BlogIterator implements InputIterator {/*** logger*/private static final Logger logger = LoggerFactory.getLogger(BlogIterator.class);private Iterator<Blog> blogIterator;private Blog currentBlog;public BlogIterator(Iterator<Blog> blogIterator) {this.blogIterator = blogIterator;}@Overridepublic boolean hasContexts() {return true;}@Overridepublic boolean hasPayloads() {return true;}public Comparator<BytesRef> getComparator() {return null;}@Overridepublic BytesRef next() {if (blogIterator.hasNext()) {currentBlog = blogIterator.next();try {//返回当前Project的name值,把blog类的name属性值作为keyreturn new BytesRef(Jsoup.parse(currentBlog.getTitle()).text().getBytes("utf8"));} catch (Exception e) {e.printStackTrace();return null;}} else {return null;}}/*** 将Blog对象序列化存入payload* 可以只将所需要的字段存入payload,这里对整个实体类进行序列化,方便以后需求,不建议采用这种方法*/@Overridepublic BytesRef payload() {try {ByteArrayOutputStream bos = new ByteArrayOutputStream();ObjectOutputStream out = new ObjectOutputStream(bos);out.writeObject(currentBlog);out.close();BytesRef bytesRef = new BytesRef(bos.toByteArray());return bytesRef;} catch (IOException e) {logger.error("", e);return null;}}/*** 文章标题*/@Overridepublic Set<BytesRef> contexts() {try {Set<BytesRef> regions = new HashSet<BytesRef>();regions.add(new BytesRef(currentBlog.getTitle().getBytes("UTF8")));return regions;} catch (UnsupportedEncodingException e) {throw new RuntimeException("Couldn't convert to UTF-8");}}/*** 返回权重值,这个值会影响排序* 这里以产品的销售量作为权重值,weight值即最终返回的热词列表里每个热词的权重值*/@Overridepublic long weight() {return currentBlog.getHits(); //change to hits}
}
- ajax 建立索引
/*** ajax建立索引*/
@Override
public void ajaxbuild() {try {Directory dir = FSDirectory.open(Paths.get("autocomplete"));SmartChineseAnalyzer analyzer = new SmartChineseAnalyzer();AnalyzingInfixSuggester suggester = new AnalyzingInfixSuggester(dir, analyzer);//创建Blog测试数据List<Blog> blogs = blogMapper.getAllBlog();suggester.build(new BlogIterator(blogs.iterator()));} catch (IOException e) {System.err.println("Error!");}
}
- 查找
因为有些文章的标题是一样的,先对list排序,将标题短的放前面,长的放后面,然后使用LinkHashSet来存储。
@Override
public Set<String> ajaxsearch(String keyword) {try {Directory dir = FSDirectory.open(Paths.get("autocomplete"));SmartChineseAnalyzer analyzer = new SmartChineseAnalyzer();AnalyzingInfixSuggester suggester = new AnalyzingInfixSuggester(dir, analyzer);List<String> list = lookup(suggester, keyword);list.sort(new Comparator<String>() {@Overridepublic int compare(String o1, String o2) {if (o1.length() > o2.length()) {return 1;} else {return -1;}}});Set<String> set = new LinkedHashSet<>();for (String string : list) {set.add(string);}ssubSet(set, 7);return set;} catch (IOException e) {System.err.println("Error!");return null;}
}
- controller层
@RequestMapping("ajaxsearch")
public void ajaxsearch(HttpServletRequest request, HttpServletResponse response) throws IOException {String keyword = request.getParameter("keyword");if (StringUtils.isEmpty(keyword)) {return;}Set<String> set = blogService.ajaxsearch(keyword);Gson gson = new Gson();response.getWriter().write(gson.toJson(set));//返回的数据使用json
}
- ajax来提交请求
autocomplete.js源代码与介绍:https://github.com/xdan/autocomplete
<link rel="stylesheet" href="js/autocomplete/jquery.autocomplete.css">
<script src="js/autocomplete/jquery.autocomplete.js" type="text/javascript"></script>
<script type="text/javascript">/******************** remote start **********************/$('#remote_input').autocomplete({source: [{url: "ajaxsearch.html?keyword=%QUERY%",type: 'remote'}]});/********************* remote end ********************/
</script>
- 效果:
欢迎访问我的个人网站
参考:
https://www.ibm.com/developerworks/cn/java/j-lo-lucene1/
http://iamyida.iteye.com/blog/2205114