Lucene构建索引与执行搜索小记

构建索引

  1.创建Directory对象，指定索引库存放位置
  2.创建Analyzer对象，指定分析器类型
  3.基于1和2创建IndexWriter对象
  4.创建Document对象
  5.创建Field对象，并将Field对象添加到Document对象中
  6.使用IndexWriter对象将Document对象写入到索引库
  7.关闭IndexWriter对象

Directory对象

Lucene中，Directory抽象类有两个子类，分别是RAMDirectory和FSDirectory。

• SimpleFSDirectory类：FSDirectory的简单实现,并发能力有限，遇到多线程读同一个文件时会遇到瓶颈。

• NIOFSDirectory类：通过java.nio’s FileChannel实行定位读取，支持多线程读（默认情况下是线程安全的）。该类仅使用FileChannel进行读操作，写操作则是通过FSIndexOutput实现。 注意：NIOFSDirectory 不适用于Windows系统，另外如果一个访问该类的线程，在IO阻塞时被interrupt或cancel，将会导致底层的文件描述符被关闭，后续的线程再次访问NIOFSDirectory时将会出现ClosedChannelException异常，此种情况应用SimpleFSDirectory代替。

• RAMDirectory类：常驻内存的Directory实现方式。默认通过SingleInstanceLockFactory（单实例锁工厂）进行锁的实现。该类不适合大量索引的情况。另外也不适用于多线程的情况。 在索引数据量大的情况下建议使用MMapDirectory代替。RAMDirectory是Directory抽象类在使用内存最为文件存储的实现类，其主要是将所有的索引文件保存到内存中。这样可以提高效率。但是如果索引文件过大的话，则会导致内存不足，因此，小型的系统推荐使用，如果大型的，索引文件达到G级别上，推荐使用FSDirectory。

• MMapDirectory类：通过内存映射进行读，通过FSIndexOutput进行写的FSDirectory实现类。使用该类时要保证用足够的虚拟地址空间。另外当通过IndexInput的close方法进行关闭时并不会立即关闭底层的文件句柄，只有GC进行资源回收时才会关闭。

Analyzer对象

• WhitespaceAnalyzer类：仅根据空白字符（whitespace）进行分词。
• KeywordAnalyzer类：不做任何分词，把整个原始输入作为一个token。所以可以看到输出只有1个token，就是原始句子。
• SimpleAnalyzer类：根据非字母（non-letters）分词，并且将token全部转换为小写。所以该分词的输出的terms都是由小写字母组成的。
• StopAnalyzer类：在SimpleAnalyzer的基础上增加了去除StopWords的功能。
• StandardAnalyzer类：基于JFlex进行语法分词（中文按字分，英文按空格分），然后删除停用词，并且将token全部转换为小写。
• ChineseAnalyzer类：性能类似于StandardAnalyzer，缺点是不支持中英文混和分词。
• CJKAnalyzer类：chedong写的CJKAnalyzer的功能在英文处理上的功能和StandardAnalyzer相同，但是在汉语的分词上，不能过滤掉标点符号，即使用二元切分。

Field对象

三大类属性：

• 是否分析：是否对域的内容进行分词处理。前提是我们要对域的内容进行查询。
• 是否索引：将Field分析后的词或整个Field值进行索引，只有索引方可搜索到。比如：商品名称、商品简介分析后进行索引，订单号、身份证号不用分析但也要索引，这些将来都要作为查询条件。
• 是否存储：将Field值存储在文档中，存储在文档中的Field才可以从Document中获取。比如：商品名称、订单号，凡是将来要从Document中获取的Field都要存储。

Field的各个子类就是实现了对不同类型字段的存储，同时选择了不同的字段属性，这里列举几个常用的：

• TextField：存储字符串类型的数据。indexing+analyze；默认不存储原始数据。适用于需要全文检索的数据，比如邮件内容，网页内容等。
• StringField：存储字符串类型的数据。indexing但不analyze，即整个字符串就是一个token；默认不存储原始数据。适用于文章标题、人名、ID等只需精确匹配的字符串。
• IntPoint, LongPoint, FloatPoint, DoublePoint：用于存储各种不同类型的数值型数据。indexing；默认不存储原始数据。适用于数值型数据的存储。

执行搜索

https://www.cnblogs.com/leeSmall/p/9027172.html

1. 创建一个Directory对象，也就是索引库存放的位置
2. 创建一个DirectoryReader对象，需要指定Directory对象
3. 创建一个IndexSearcher对象，需要指定IndexReader对象
4. 创建Query对象，并执行查询
6. 返回查询结果，遍历查询结果并输出
7. 关闭DirectoryReader对象

Query对象

• TermQuery：单关键字精确查询，注意TermQuery直接将搜索文本提交进行搜索，不进行analyze操作。

TermQuery tq = new TermQuery(new Term(“name", “thinkpad"));

• RangeQuery：范围查询

• PhraseQuery：多关键字查询

• MultiPhraseQuery：多关键字查询，支持同位置多个词的OR匹配

• BooleanQuery：多条件查询

// 布尔查询
Query query1 = new TermQuery(new Term(filedName, "thinkpad"));
query1 = new TermQuery(new Term(filedName, "thinkpad"))
Query query2 = new TermQuery(new Term("simpleIntro", "英特尔"));
BooleanQuery.Builder booleanQueryBuilder = new BooleanQuery.Builder();
booleanQueryBuilder.add(query1, Occur.SHOULD);
booleanQueryBuilder.add(query2, Occur.MUST);
BooleanQuery booleanQuery = booleanQueryBuilder.build();

解析器

• 传统的解析器：QueryParser和MultiFieldQueryParser

// 传统查询解析器-多默认字段
QueryParser parser = new QueryParser("defaultFiled", analyzer);
Query query = parser.parse("query String");

// 传统查询解析器-多默认字段
String[] multiDefaultFields = {
     "name", "type", "simpleIntro" };
MultiFieldQueryParser multiFieldQueryParser = new MultiFieldQueryParser(multiDefaultFields, analyzer);
// 设置默认的组合操作，默认是 OR
multiFieldQueryParser.setDefaultOperator(Operator.OR);
Query query4 = multiFieldQueryParser.parse("笔记本电脑 AND price:1999900");

• 基于新的 flexible 框架的解析器：StandardQueryParser

StandardQueryParser queryParserHelper = new StandardQueryParser(analyzer);
// 设置默认字段
// queryParserHelper.setMultiFields(CharSequence[] fields);
// queryParserHelper.setPhraseSlop(8);
// Query query = queryParserHelper.parse("a AND b", "defaultField");
Query query5 = queryParserHelper.parse("(\"联想笔记本电脑\" OR simpleIntro:英特尔) AND type:电脑 AND price:1999900","name");