使用solr搭建你的全文检索

Solr 是一个可供企业使用的、基于 Lucene 的开箱即用的搜索服务器。对Lucene不熟？那么建议先看看下面两篇文档：<o:p></o:p>

实战Lucene，第 1 部分: 初识 Lucene：http://www.ibm.com/developerworks/cn/java/j-lo-lucene1/<o:p></o:p>

用Lucene加速Web搜索应用程序的开发：http://www.ibm.com/developerworks/cn/web/wa-lucene2/<o:p></o:p>

<o:p> </o:p>

solr介绍

solr是基于Lucene Java搜索库的企业级全文搜索引擎，目前是apache的一个项目。它的官方网址在http://lucene.apache.org/solr/ 。solr需要运行在一个servlet 容器里，例如tomcat5.5。solr在lucene的上层提供了一个基于HTTP/XML的Web Services，我们的应用需要通过这个服务与solr进行交互。<o:p></o:p>

solr安装和配置

关于solr的安装和配置，这里也有两篇非常好的文档，作者同时也是 Lucene Java 项目的提交人和发言人：<o:p></o:p>

使用Apache Solr实现更加灵巧的搜索：http://www.ibm.com/developerworks/cn/java/j-solr1/index.html<o:p></o:p>

http://www.ibm.com/developerworks/cn/java/j-solr2/index.html<o:p></o:p>

下面主要说说需要注意的地方。<o:p></o:p>

Solr的安装非常简单，下载solr的zip包后解压缩将dist目录下的war文件改名为solr.war直接复制到tomcat5.5的webapps目录即可。注意一定要设置solr的主位置。有三种方法。我采用的是在tomcat里配置java:comp/env/solr/home的一个JNDI指向solr的主目录（example目录下），建立/tomcat55/conf/Catalina/localhost/solr.xml文件。

xml 代码

<Context docBase="D:/solr.war" debug="0" crossContext="true" >
   <Environment name="solr/home" type="java.lang.String" value="D:/solr/solr" override="true" />
</Context>

<o:p></o:p>

<o:p></o:p>

观察这个指定的solr主位置，里面存在两个文件夹：conf和data。其中conf里存放了对solr而言最为重要的两个配置文件schema.xml和solrconfig.xml。data则用于存放索引文件。<o:p></o:p>

schema.xml主要包括types、fields和其他的一些缺省设置。<o:p></o:p>

solrconfig.xml用来配置Solr的一些系统属性，例如与索引和查询处理有关的一些常见的配置选项，以及缓存、扩展等等。<o:p></o:p>

上面的文档对这两个文件有比较详细的说明，非常容易上手。注意到schema.xml里有一个

xml 代码

<uniqueKey>url</uniqueKey>

的配置，这里将url字段作为索引文档的唯一标识符，非常重要。<o:p></o:p>

加入中文分词

对全文检索而言，中文分词非常的重要，这里采用了qieqie庖丁分词（非常不错：））。集成非常的容易，我下载的是2.0.4-alpha2版本，其中它支持最多切分和按最大切分。创建自己的一个中文TokenizerFactory继承自solr的BaseTokenizerFactory。

java 代码

/**
 * Created by IntelliJ IDEA.
 * User: ronghao
 * Date: 2007-11-3
 * Time: 14:40:59
 * 中文切词  对庖丁切词的封装
 */
public class ChineseTokenizerFactory extends BaseTokenizerFactory {
    /**
     * 最多切分   默认模式
     */
    public static final String MOST_WORDS_MODE = "most-words";
    /**
     * 按最大切分
     */
    public static final String MAX_WORD_LENGTH_MODE = "max-word-length";

    private String mode = null;

    public void setMode(String mode) {
            if (mode==null||MOST_WORDS_MODE.equalsIgnoreCase(mode)
                    || "default".equalsIgnoreCase(mode)) {
                this.mode=MOST_WORDS_MODE;
            } else if (MAX_WORD_LENGTH_MODE.equalsIgnoreCase(mode)) {
                this.mode=MAX_WORD_LENGTH_MODE;
            }
            else {
                throw new IllegalArgumentException("不合法的分析器Mode参数设置:" + mode);
            }
        }

    @Override
    public void init(Map<String, String> args) {
        super.init(args);
        setMode(args.get("mode"));
    }

    public TokenStream create(Reader input) {
        return new PaodingTokenizer(input, PaodingMaker.make(),
                createTokenCollector());
    }

    private TokenCollector createTokenCollector() {
        if( MOST_WORDS_MODE.equals(mode))
            return new MostWordsTokenCollector();
        if( MAX_WORD_LENGTH_MODE.equals(mode))
            return new MaxWordLengthTokenCollector();
        throw new Error("never happened");
    }
}

<o:p></o:p>

<o:p></o:p>

在schema.xml的字段text配置里加入该分词器。<o:p></o:p>

xml 代码

<fieldtype name="text" class="solr.TextField" positionIncrementGap="100">
           <analyzer type="index">
               <tokenizer class="com.ronghao.fulltextsearch.analyzer.ChineseTokenizerFactory" mode="most-words"/>
               <filter class="solr.StopFilterFactory" ignoreCase="true" words="stopwords.txt"/>
               <filter class="solr.WordDelimiterFilterFactory" generateWordParts="1" generateNumberParts="1" catenateWords="1" catenateNumbers="1" catenateAll="0"/>
               <filter class="solr.LowerCaseFilterFactory"/>
               <filter class="solr.RemoveDuplicatesTokenFilterFactory"/>
           </analyzer>
           <analyzer type="query">
               <tokenizer class="com.ronghao.fulltextsearch.analyzer.ChineseTokenizerFactory" mode="most-words"/>
               <filter class="solr.SynonymFilterFactory" synonyms="synonyms.txt" ignoreCase="true" expand="true"/>
               <filter class="solr.StopFilterFactory" ignoreCase="true" words="stopwords.txt"/>
               <filter class="solr.WordDelimiterFilterFactory" generateWordParts="1" generateNumberParts="1" catenateWords="0" catenateNumbers="0" catenateAll="0"/>
               <filter class="solr.LowerCaseFilterFactory"/>
               <filter class="solr.RemoveDuplicatesTokenFilterFactory"/>
           </analyzer>
       </fieldtype>
   </types>

<o:p></o:p>

完成后重启tomcat，即可在http://localhost:8080/solr/admin/analysis.jsp<o:p></o:p>

体验到庖丁的中文分词。注意要将paoding-analysis.jar复制到solr的lib下，注意修改jar包里字典的home。<o:p></o:p>

与自己的应用进行集成

Solr安装完毕，现在可以将自己的应用与solr集成。其实过程非常的简单，应用增加数据-->根据配置的字段构建add的xml文档-->post至solr/update。<o:p></o:p>

应用删除数据-->根据配置的索引文档唯一标识符构建delete的xml文档-->post至solr/update。<o:p></o:p>

检索数据à构建查询xml—>get至/solr/select/-->对solr返回的xml进行处理-->页面展现。<o:p></o:p>

具体的xml格式可以在solr网站找到。另外就是solr支持高亮显示，非常方便。<o:p></o:p>

关于中文，solr内核支持UTF-8编码，所以在tomcat里的server.xml需要进行配置<o:p></o:p>

xml 代码

<Connector port="8080" maxHttpHeaderSize="8192" URIEncoding="UTF-8" …/>

<o:p></o:p>

另外，向solr Post请求的时候需要转为utf-8编码。对solr 返回的查询结果也需要进行一次utf-8的转码。检索数据时对查询的关键字也需要转码，然后用“+”连接。<o:p></o:p>

java 代码

String[] array = StringUtils.split(query, null, 0);

        for (String str : array) {

            result = result + URLEncoder.encode(str, "UTF-8") + "+";

        }

<o:p></o:p>

评论

5 楼 damoqingquan 2008-10-07  

请问solr查询参数indent=on是什么意思啊？

4 楼 xianglei 2008-06-20  

现在关注中,研究一下

3 楼 liuzongan 2008-01-18  

不要意思，这篇文章好像我在IBM Blog看到过啊

2 楼 ronghao 2007-11-07  

imjl 写道

lz自己写的？为什么看到没有闭合的

这个啊。  我仔细看了下，比较杂乱。  大家想要学习solr，可以参考下ibm文章，最好的方法还是官网上的教程，wiki。问题发到mail-list上。 

<br/>
是比较杂乱，重新编排了一下。

1 楼 imjl 2007-11-07  

lz自己写的？为什么看到没有闭合的

<!--</span-->

这个啊。

我仔细看了下，比较杂乱。

大家想要学习solr，可以参考下ibm文章，最好的方法还是官网上的教程，wiki。问题发到mail-list上。