Lucene的概述:
Lucene(发音为 ['lusen] )是一个非常优秀的开源的全文搜索引擎,我们可以在它的上面开发出各种全文搜索的应用来。Lucene在国外有很高的知名度,现在已经是Apache的顶级项目,在国内,Lucene的应用也越来越多。
Lucene的算法原理:
Lucene是一个高性能的java全文检索工具包,它使用的是倒排文件索引结构。该结构及相应的生成算法如下:
0)设有两篇文章1和2
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.
1)全文分析:由于lucene是基于关键词索引和查询的,首先我们要取得这两篇文章的关键词,通常我们需要如下处理措施
a.我们现在有的是文章内容,即一个字符串,我们先要找出字符串中的所有单词,即分词。英文单词由于用空格分隔,比较好处理。中文单词间是连在一起的需要特殊的分词处理。
b.文章中的”in”, “once” “too”等词没有什么实际意义,中文中的“的”“是”等字通常也无具体含义,这些不代表概念的词可以过滤掉
c.用户通常希望查“He”时能把含“he”,“HE”的文章也找出来,所以所有单词需要统一大小写。
d.用户通常希望查“live”时能把含“lives”,“lived”的文章也找出来,所以需要把“lives”,“lived”还原成“live”
e.文章中的标点符号通常不表示某种概念,也可以过滤掉
在lucene中以上措施由Analyzer类完成
经过上面处理后
文章1的所有关键词为:[tom] [live] [guangzhou] [i] [live] [guangzhou]
文章2的所有关键词为:[he] [live] [shanghai]
2) 倒排索引:有了关键词后,我们就可以建立倒排索引了。上面的对应关系是:“文章号”对“文章中所有关键词”。倒排索引把这个关系倒过来,变成:“关键词”对“拥有该关键词的所有文章号”。文章1,2经过倒排后变成
关键词 文章号
guangzhou 1
he 2
i 1
live 1,2
shanghai 2
tom 1
通常仅知道关键词在哪些文章中出现还不够,我们还需要知道关键词在文章中出现次数和出现的位置,通常有两种位置:a)字符位置,即记录该词是文章中第几个字符(优点是关键词亮显时定位快);b)关键词位置,即记录该词是文章中第几个关键词(优点是节约索引空间、词组(phase)查询快),lucene中记录的就是这种位置。
加上“出现频率”和“出现位置”信息后,我们的索引结构变为:
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] | 2,5 |
2 | [1] | 2 | |
shanghai | 2 | [1] | 3 |
tom | 1 | [1] | 1 |
以live 这行为例我们说明一下该结构:live在文章1中出现了2次,文章2中出现了一次,它的出现位置为“2,5,2”这表示什么呢?我们需要结合文章号和出现频率来分析,文章1中出现了2次,那么“2,5”就表示live在文章1中出现的两个位置,文章2中出现了一次,剩下的“2”就表示live是文章2中第 2个关键字。
以上就是lucene索引结构中最核心的部分。我们注意到关键字是按字符顺序排列的(lucene没有使用B树结构),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)、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。
Lucene中使用了field的概念,用于表达信息所在位置(如标题中,文章中,url中),在建索引中,该field信息也记录在词典文件中,每个关键词都有一个field信息(因为每个关键字一定属于一个或多个field)。
为了减小索引文件的大小,Lucene对索引还使用了压缩技术。首先,对词典文件中的关键词进行了压缩,关键词压缩为<前缀长度,后缀>,例如:当前词为“阿拉伯语”,上一个词为“阿拉伯”,那么“阿拉伯语”压缩为<3,语>。其次大量用到的是对数字的压缩,数字只保存与上一个值的差值(这样可以减小数字的长度,进而减少保存该数字需要的字节数)。例如当前文章号是16389(不压缩要用3个字节保存),上一文章号是16382,压缩后保存7(只用一个字节)。 注意是“上一个词”。由于词典是按顺序排列的,这种压缩方法的效果会非常显著。
假设要查询单词 “live”,lucene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。词典通常非常小,因而,整个过程的时间是毫秒级的。
而用普通的顺序匹配算法,不建索引,而是对所有文章的内容进行字符串匹配,这个过程将会相当缓慢,当文章数目很大时,时间往往是无法忍受的。
常用分词器:
IK分词器,庖丁解牛,极易
相关推荐
【Lucene工作原理详解】 Lucene是一个开源的全文搜索引擎库,由Apache软件基金会维护,它提供了文本分析、索引创建、搜索以及相关的功能,适用于Java开发者构建自己的全文搜索应用程序。其核心工作原理主要涉及以下...
**Lucene原理详解** Lucene是一个高性能、全文检索库,由Apache软件基金会开发并维护,是Java编程语言中广泛使用的搜索引擎库。它提供了一个简单但功能强大的API,用于索引和搜索文本数据,使得开发者可以轻松地在...
**Lucene 3.0 原理解析** Lucene 是一个开源的全文搜索引擎库,由 Apache 软件基金会...对于想要深入理解 Lucene 内部工作原理的开发者,深入学习《Lucene 3.0 原理与代码分析完整版.pdf》这份文档将是极有价值的。
**LUCENE搜索引擎基本工作原理** Lucene是一个开源的全文搜索引擎库,被广泛应用于构建复杂的搜索引擎系统。它的设计目标是高效、灵活且可扩展。理解Lucene的工作原理有助于开发人员更好地利用这一强大的工具。 **...
综上所述,《C# Lucene.net原理与代码分析加强版》不仅提供了Lucene.net的工作原理,还深入分析了其实现细节,是学习和掌握全文检索技术不可或缺的资源。通过理解这些原理和机制,开发人员可以更好地优化和定制基于...
本压缩包包含的是Lucene 3.5.0版本的全部源码,对于想要深入理解Lucene工作原理、进行二次开发或者进行搜索引擎相关研究的开发者来说,是一份非常宝贵的学习资源。 Lucene 3.5.0是Lucene的一个重要版本,它在3.x...
在本文中,我们将深入探讨Weblucene的主要特性、工作原理以及如何在你的网站上部署和使用Weblucene。 **1. Weblucene 主要特性** - **全文检索**:Weblucene支持对网页文本的全文搜索,允许用户通过关键词查找相关...
整个Lucene的工作流程表明,它将文档处理、索引构建、搜索算法和打分机制集成为一个功能强大的全文搜索引擎,其内部实现包含了复杂的算法和数据结构。了解和掌握Lucene的原理与代码实现,对于开发高效稳定的搜索引擎...
这些示例代码是理解Lucene工作原理的直观方式,可以帮助开发者快速掌握关键API的用法。 具体来说,Lucene 3.4.0的关键特性包括: 1. **多字段搜索**:支持在多个字段中同时进行搜索,如标题、内容等。 2. **模糊...
本书首先会介绍搜索引擎的基本概念,包括信息检索理论、倒排索引等基础概念,这些是理解Lucene工作原理的关键。接着,它将详细讲解Lucene的安装和配置,以及如何创建、索引和搜索文档,让读者快速上手Lucene的基本...
源码分析是理解Lucene工作原理的关键,通过阅读源码,我们可以了解其内部数据结构、算法和设计模式。 二、源码结构 1. **索引模块**:包括`IndexWriter`,负责构建和更新索引;`IndexReader`,用于读取索引;`...
这些源代码通常会包含书中所讲述的各种示例和案例研究,以便读者能够亲手实践,加深对Lucene工作原理的理解。通过分析和运行这些代码,读者可以学习如何配置Lucene索引,如何处理各种类型的文档数据,以及如何实现...
通过实践简单的示例项目,加深对Lucene工作原理的理解。 - **有经验的开发者**:可以直接跳过基础章节,专注于高级特性和优化技巧的学习。此外,还可以关注书中提供的实战案例,了解如何在真实环境中部署和管理...
本文将深入探讨Lucene 6.4.0版本的核心特性、工作原理以及如何在实际项目中应用。 一、Lucene概述 Lucene最初由Doug Cutting创建,现在是Apache软件基金会的一个顶级项目。它是一个纯Java库,提供了文本分析、索引...
通过对《Lucene 3.0 原理与代码分析完整版》的学习,开发者不仅可以理解Lucene的工作原理,还能掌握如何定制化Lucene以满足特定需求,从而在实际项目中充分利用其强大功能。这本书是深入研究和应用Lucene不可或缺的...
对于想学习或使用Lucene的开发者来说,这个压缩包可以作为理解Lucene工作原理、学习如何在实际项目中应用的一个宝贵资源。通过阅读源码,可以深入理解全文检索技术,并提升自己的搜索解决方案设计能力。
### 基于Lucene的WEB站内搜索引擎研究与实现 #### 一、搜索引擎基本原理与Lucene概述 ...通过深入理解Lucene的工作原理,开发者可以充分利用其丰富的功能,设计并实现高性能的搜索应用,满足多样化的业务需求。
这些概念是理解Lucene工作原理的基础,也是构建高效搜索引擎的基石。 2. **安装与配置**:如何下载、安装和设置Lucene,以及如何将它集成到Java项目中,让开发者能够快速开始使用。 3. **索引构建**:涵盖文档分析...
【Lucene原理】 现代搜索引擎的核心是建立索引和基于索引的搜索。Lucene采用反向索引(inverted index)机制,这是一种数据结构,它将文档中的每个单词映射到包含这些单词的文档列表。这样,当执行搜索时,Lucene...