Lucene 3建立索引和查询索引详解

public void index() throws CorruptIndexException,
LockObtainFailedException, IOException {
// 索引目录
        File indexDir = new File("D:/workspace/code/java/TestLucene3/index/txt/test/");
// 注意：这里建立索引用的分词方法，在搜索时分词也应该采用同样的分词方法。不然搜索数据可能会不正确
// 使用Lucene自带分词器
        Analyzer luceneAnalyzer = new StandardAnalyzer(Version.LUCENE_CURRENT);
// 第一个参数是存放索引文件位置， 第二个参数是使用的分词方法， 第三个：true，建立全新的索引，false,建立增量索引。
// IndexWriter indexWriter = new IndexWriter(indexDir, luceneAnalyzer, true);
// 第一个参数是存放索引目录有FSDirectory（存储到磁盘上）和RAMDirectory（存储到内存中）， 第二个参数是使用的分词器， 第三个：true，建立全新的索引，false,建立增量索引，第四个是建立的索引的最大长度。
        IndexWriter indexWriter = new IndexWriter(FSDirectory.open(indexDir),
luceneAnalyzer, true, IndexWriter.MaxFieldLength.LIMITED);
// 索引合并因子
// SetMergeFactor（合并因子）
// SetMergeFactor是控制segment合并频率的，其决定了一个索引块中包括多少个文档，当硬盘上的索引块达到多少时，
// 将它们合并成一个较大的索引块。当MergeFactor值较大时，生成索引的速度较快。MergeFactor的默认值是10，建议在建立索引前将其设置的大一些。
        indexWriter.setMergeFactor(100);
// SetMaxBufferedDocs（最大缓存文档数）
// SetMaxBufferedDocs是控制写入一个新的segment前内存中保存的document的数目，
// 设置较大的数目可以加快建索引速度，默认为10。  
        indexWriter.setMaxBufferedDocs(100);
// SetMaxMergeDocs（最大合并文档数）
// SetMaxMergeDocs是控制一个segment中可以保存的最大document数目，值较小有利于追加索引的速度，默认Integer.MAX_VALUE，无需修改。
// 在创建大量数据的索引时，我们会发现索引过程的瓶颈在于大量的磁盘操作，如果内存足够大的话，
// 我们应当尽量使用内存，而非硬盘。可以通过SetMaxBufferedDocs来调整，增大Lucene使用内存的次数。  
        indexWriter.setMaxMergeDocs(1000);
// SetUseCompoundFile这个方法可以使Lucene在创建索引库时，会合并多个 Segments 文件到一个.cfs中。
// 此方式有助于减少索引文件数量，对于将来搜索的效率有较大影响。
// 压缩存储（True则为复合索引格式）  
        indexWriter.setUseCompoundFile(true);
long startTime = new Date().getTime();
String temp = "";
// 增加索引字段
//Lucene2.0API中的Field介绍
// 在Field中有三个内部类：Field.Index,Field.Store,Field.termVector，而构造函数也用到了它们。
// 参数说明：
// Field.Store：
// Field.Store.NO：表示该Ｆield不需要存储。
// Field.Store.Yes：表示该Ｆield需要存储。
// Field.Store.COMPRESS：表示使用压缩方式来存储。
// Field.Index：
// Field.Index.NO：表示该Ｆield不需要索引。
// Field.Index.TOKENIZED：表示该Ｆield先被分词再索引。
// Field.Index.UN_TOKENIZED：表示不对该Ｆield进行分词，但要对其索引。
// Field.Index.NO_NORMS：表示该Ｆield进行索引，但是要对它用Analyzer，同时禁止它参加评分，主要是为了减少内在的消耗。
// TermVector这个参数也不常用，它有五个选项。
//                Field.TermVector.NO表示不索引Token的位置属性；
//                Field.TermVector.WITH_OFFSETS表示额外索引Token的结束点；
//                Field.TermVector.WITH_POSITIONS表示额外索引Token的当前位置；
//                Field.TermVector.WITH_POSITIONS_OFFSETS表示额外索引Token的当前和结束位置；
//                Field.TermVector.YES则表示存储向量。
// 增加文档 Field相当于增加数据库字段一样检索,获取都需要的内容,直接放index中,不过这样会增大index,保存文件的txt内容
        /**
* Field.Store 表示“是否存储”，即该Field内的信息是否要被原封不动的保存在索引中。
* Field.Index 表示“是否索引”，即在这个Field中的数据是否在将来检索时需要被用户检索到，一个“不索引”的Field通常仅是提供辅助信息储存的功能。
* Field.TermVector 表示“是否切词”，即在这个Field中的数据是否需要被切词。
*

*Lucene3.0

*Field.Index.ANALYZED  表示分词并索引

*Field.Index.NOT_ANALYZED 表示不分词但索引

*Field.Index.NOT_ANALYZED_NO_NORMS 对应的是2中的Field.Index.NO_NORMS

/
Field fieldPath = new Field("path", "", Field.Store.YES, Field.Index.NO);
Field fieldBody = new Field("content", temp, Field.Store.YES, Field.Index.ANALYZED, Field.TermVector.WITH_POSITIONS_OFFSETS);
Field fieldId = new Field("id", "", Field.Store.YES, Field.Index.NOT_ANALYZED, Field.TermVector.WITH_POSITIONS_OFFSETS);
Document document = new Document();
// 做测试，循环100000遍建索引。也可以读取文件内容建索引
        for (int i=0; i<100000; i++) {
document  = new Document();
temp = "王熙凤历幻返金陵　甄应嘉蒙恩还玉阙";
fieldPath.setValue("D:\\workspace\\code\\java\\TestLucene3\\txt\\" + i + ".txt");
fieldBody.setValue(temp);
fieldId.setValue(String.valueOf(i));
document.add(fieldPath);
document.add(fieldBody);
document.add(fieldId);
indexWriter.addDocument(document);
i++;
}
//optimize()方法是对索引进行优化
        indexWriter.optimize();
indexWriter.close();
// 若需要从索引中删除某一个或者某一类文档，IndexReader提供了两种方法：
// reader.DeleteDocument(int docNum)
// reader.DeleteDocuments(Term term)
// 前者是根据文档的编号来删除该文档，docNum是该文档进入索引时Lucene的编号，是按照顺序编的；后者是删除满足某一个条件的多个文档。
// 在执行了DeleteDocument或者DeleteDocuments方法后，系统会生成一个*.del的文件，该文件中记录了删除的文档，但并未从物理上删除这些文档。此时，这些文档是受保护的，当使用Document
// doc = reader.Document(i)来访问这些受保护的文档时，Lucene会报“Attempt to access a
// deleted document”异常。如果一次需要删除多个文档时，可以用两种方法来解决：
// 1. 删除一个文档后，用IndexWriter的Optimize方法来优化索引，这样我们就可以继续删除另一个文档。
// 2. 先扫描整个索引文件，记录下需要删除的文档在索引中的编号。然后，一次性调用DeleteDocument删除这些文档，再调用IndexWriter的Optimize方法来优化索引。

long endTime = new Date().getTime();
System.out.println("\n这花费了" + (endTime - startTime) + " 毫秒增加到索引!");
}

 

 

 

 

 

--------------------

查询：

Java code

/**
* 查询
*
* @param String word 关键词
* @param String filedName 域字段
* @param String indexDir 索引位置
* @throws CorruptIndexException
* @throws IOException
* @throws ParseException
* @auther <a href="mailto:[e-mail]">Gao XuGuo</a> Nov 30, 2009
*         2:56:42 PM
*/
public List<Map<String, String>> search(String indexDir)
throws CorruptIndexException, IOException, ParseException {
File file = new File(indexDir);
IndexSearcher is = new IndexSearcher(FSDirectory.open(file), true);
String field = "content";
BooleanQuery bq = new BooleanQuery();
QueryParser parser = new QueryParser(Version.LUCENE_CURRENT, field,
new StandardAnalyzer(Version.LUCENE_CURRENT));
Query query = parser.parse("content:王熙凤");
Query q = new TermQuery(new Term("id","100"));
bq.add(q,Occur.SHOULD);
bq.add(query,Occur.SHOULD);
// 100表示取前100条数据
        TopScoreDocCollector collector = TopScoreDocCollector.create(100, true);
long start = new Date().getTime();// start time

/**
* Lucene内置了三个Filter子类：
* 1)DateFilter使搜索只限于指定的日期域的值在某一时间范围内的文档空间里
* 2)QueryFilter把查询结果做为另一个新查询可搜索的文档空间
* 3)CachingWrappperFilter是其他过滤器的装饰器，将结果缓存起来以便再次使用，从而提高性能。
*
*/
String[] dirs = {indexDir};
MultiSearcher ms = this.getMultiSearcher(dirs);
ms.search(bq, collector);
//        is.search(bq, collector);
        ScoreDoc[] docs = collector.topDocs().scoreDocs;
Document doc;
for (ScoreDoc sd : docs) {
doc = is.doc(sd.doc);
// 取得doc里面的Field并从doc里面读取值
            for (Fieldable fa : doc.getFields()) {
System.out.print(fa.name() + "=" + doc.get(fa.name()) + " ");
}
System.out.println();
}
long end = new Date().getTime();
if(is != null) is.close();
System.out.println("找到 " + collector.getTotalHits()
+ " 条数据，花费时间 " + (end - start)
+ " 秒");
return null;
}

少发了一个方法：

Java code

/**
* 得到MultiSearcher多目录查询实例
*
* @param String[] dirs 要查询的索引目录。
*
* @return MultiSearcher
* @throws IOException
* @auther <a href="mailto:[e-mail]">Gao XuGuo</a>
* Jan 22, 2010 3:44:16 PM
*/
private MultiSearcher getMultiSearcher(String[] dirs) throws IOException {
// 多目录
        IndexSearcher [] searchers = new IndexSearcher[dirs.length];
int i = 0;
for (String dir : dirs) {
searchers[i] = new IndexSearcher(FSDirectory.open(new File(dir)), true);
i++;
}
// 多目录查询
        return new MultiSearcher(searchers);
}

 

 

 

总结，对于LUCENE3和2来比，在建立索引和查找索引上的API有很大的变化，但是对于2和3的LUCENE的QUERY仍然是通用的，变化不大，除了QueryParser类，其他的布尔查询，跨度查询等都是可以用的。