全文检索-Lucene-创新互联
01.说明-全文检索（概念）
数据量大，要求高的时候，数据库内容很多，数据库搜索的时候对数据库服务器压力大的时候，请用全文检索-Lucene框架
搜索的数据是什么？
文本（important）
多媒体
搜索的方式是什么？
不处理语义
搜索含有指定词汇的文章
应用范围？
网页搜索，贴吧搜索，文档搜索等
全文检索的要求？
搜索速度要快
结果要准确
搜出多个结果的时候，把最匹配的结果放在前面，相关度排序
不区分大小写
02-Lucene的作用说明
lucene.apache.org
apache提供了tomcat/struts/beanutils/dbUtils/..
Lucene实现全文检索的原理
在大量数据之中，Lucene如何实现快速检索功能呢？
百度搜索---用户请求发给百度服务器---返回结果
│
很多爬虫从互联网中抓了数据组织特定（快速搜索）格式放到百度服务器中的索引库
│
Lucene管理索引库，对外提供搜索功能
03-Lucene的API与数据结构简介说明
索引库存放一堆二进制数据，可以吧索引库理解为数据库
如何建立索引库的目录？
网页，文件，在java中表现的都是一个对象，普通javabean，用Map
04-准备Lucene的开发环境+HelloWorld（建立索引）
核心包lucene-core-3.0.1.jar
特定功能包
分词器 lucene-analyzers-3.0.1.jar
高亮关键字 lucene-highlighter-3.0.1.jar
高亮功能依赖的包 lucene-memory-3.0.1.jar
快速操作模式 shift + Alt+A
06-索引库的内部结构
索引库有两个区
1.目录区-分词器划分关键字，存储（关键字与n个文章）对应关系
2.数据区-存储document
doc.add(new Field("id", idStr, Store.YES, Index.ANALYZED));
doc.add(new Field("title", article.getTitle(),Store.YES, Index.ANALYZED));
doc.add(new Field("content", article.getContent(),Store.NO, Index.ANALYZED));
Store参数
用于指定某Field的原始值是否存到数据库中
YES - 存储，取出的Document中就有这个字段的值
NO - 不存储，取出的Document中就没有这个字段的值
Index参数
用于指定是否把某个Field中的文本值更新到目录区中
NO - 不更新到目录区中，不能按此字段搜索
ANALYZED - 先把字段文本值分词处理，把分词后的结果更新到目录中
NOT_ANALYZED - 不分词，直接把Field的文本值当作一个词更新到目录中，应用场景：作者、日期、数字、url、文件地址
Store | Index | 应用场景 |
YES | ANALYZED | 能搜索 能显示 |
YES | NO | 不按一个字段搜索，但是显示的时候，会显示出这个字段。比如作者，不按作者搜索，但是显示文章的时候会显示作者。将一些数据存储在索引库里，可以直接拿出来用，不用再向数据库要数据了，一次查询显示所有数据，效率高，比如百度快照。如果这个数据特别大，那就考虑不把内容存到索引库里面了。 |
NO | ANALYZED | 能按这个字段搜索，能找到这个字段对应的数据编号，但是不显示这个字段内容。比如电子书，能按照内容搜索，但是在结果页面不显示电子数内容，只显示电子书标题、作者 |
NO | NOT_ANALYZED | 不允许 |
07-建立索引与搜索的过程分析
1.建立索引 - 增删改索引库
1.把Article转为Document
Document doc = new Document();
doc.add(new Field("id", idStr, Store.YES, Index.ANALYZED));
2.添加到索引库中
IndexWriter indexWriter =
new IndexWriter(directory, analyzer, MaxFieldLength.UNLIMITED);
indexWriter.addDocument(doc);
做两件事情(1)把Document存到数据区中，这个时候会自动分配一个内部编号
(2)把一个field值（分词或者不分词）更新到目录中。
2.搜索
搜索过程
1，把查询字符串转为Query对象（默认只从title中查询）
QueryParser queryParser = new QueryParser(Version.LUCENE_30, "title",analyzer);
Query query = queryParser.parse(queryString);
2，执行查询，得到中间结果搜索目录
IndexSearcher indexSearcher = new IndexSearcher(directory); // 指定所用的索引库
TopDocs topDocs = indexSearcher.search(query, 100); // 最多返回前n条结果
int count = topDocs.totalHits;//关联总条数
ScoreDoc[] scoreDocs = topDocs.scoreDocs;
3，处理结果 根据docId取出真正的Document数据
搜索的时候也要分词，分成关键字去匹配目录里面的关键字
分词器
分词规则
建立索引 和 搜索 都使用同一个分词规则
MaxFieldLength
有限制10000 default
无限制 max
建立索引目录的时候，只处理字段前多少个词
08-在Web应用程序中使用Lucene的方案
web应用增删改数据库和索引库会引发哪些问题？
数据库和索引库都有文章的信息，1.浪费存储空间2.状态同步问题
1.是否浪费？
索引库存放数据的原则：能被搜索的数据，比如数据库里有作者表，文章表，索引库只存了文章表，根据作者搜索，可以搜索出作者写的文章，而搜索不出作者的具体信息。重复的数据只是需要被搜索出来的数据。
一次搜索显示所有数据，减轻数据库压力。
实现全文搜索必须要索引库，为了不存储重复信息，是否能取消数据库，把数据全部存到索引库中？
不行！数据库的一些功能，索引库无法实现，比如事务管理。
2.保证索引库的状态与数据源的状态一致的方案：
(1)方案一：当对数据库做增删改的操作时，就同时对索引库也做增删改的操作会出现什么问题？在一个别人已经存在的一个程序上，不让你修改他们的程序，但是我要增加一个搜索功能，怎么办？比如百度去对别人网页的数据做组织成一个搜索。
(2)方案二：自己不能控制数据源的时候，定时从数据源中抓取数据 -- 爬虫的概念。定时重建索引库,（或者定时与数据源做同步的操作），有时候做同步操作还没有重建索引库快呢，除非索引库忒别大。忒别大的时候就是利用爬虫分析网络上的网页是否有最新数据，比如MD5摘要一下网页中的内容，（MD5摘要的内容是不可逆的），两个不同字符串做MD5摘要是不同，对比MD5摘要，不一样就更新索引库，几百万的数据重建是比较快的。
垂直搜索：对专业的事情有更细致的分析，比如淘宝搜索商品，能根据价格搜索特点商品。
根据数据源的不同，采用不同方案
1.数据源是数据库 使用方案一或者方案二
2.数据源是网页 使用方案二，流行垂直搜索
3.数据源是文件 采用JNI技术：在java里面调用C或者C++程序，及时获取操作系统的信息。使用方案二。
eg:利用struts2做 贴吧的增删改查
ArticleAction{
add() {
form-->article; dao.save(article);..//保存到数据库
indexDao.save(article)//保存到索引库
}
delete() {
id = getparam(“id”); dao.delete(id);..//从数据库里删除
//从索引库中删除
}
modify() {
article= getById(id); form-->articel; dao.update(article);//更新到数据库
//更新到索引库
}
}
对索引库的增删改查
IndexDao{
save(article);
delete(id);
update(article);
search(str)
...
}
09-实现IndexDao（一）
article 的id也要存到索引库里，必须不分词的存入，这是唯一标识符，可以准确锁定article，比如可以根据id查找删除索引库里article。
int 类型转化为string类型使用lucene里面的方法，存放的int类型的2进制类型。直接用toString会将一个4字节的数据变成一个十几个字节的数据，浪费空间，不好排序。
Ctrl + T 查看继承关系
测试
12-实现IndexDao（四）-管理单例的IndexWriter
初始化IndexWriter 如果没有关闭，正在被使用，可能内存上的缓存就没有刷新到硬盘上面，没有释放资源，web应用程序需要反正application监听器里面，在应用程序启动时创建indexwriter对象，应用程序退出之前关闭indexwriter对象。java程序，虚拟机退出之前关闭eindexWriter对象。指定一段代码，在jvm退出之前执行。
13-优化索引库：合并文件的方法
indexDir文件夹里面很多文件，有的已经被标记为删除文件，为什么不直接删除，而是标记呢，这是应为这个文件夹很大，频繁修改增删这个文件夹可能带来效率低问题，什么时候才删除这些标记文件呢，lucene不忙的时候，才进行合并或者删除。这些被标记删除的文件怎么可以不被查出来呢？先查出所有数据，再过滤掉del文件。优化之后，就没有了del文件了==合并文件，几个小文件合并成一个大文件，减少io操作。
优化 就是 合并文件，合并几个小文件成一个大文件
什么时候合并文件呢
批量操作，每天重新创建索引库，抓了更多文件之后合并成一个大文件放入索引库里面，当扩展名相同的文件达到一定数量之后，默认10条，最小2条，再合并==自动优化，
@Test
public void test() throws Exception {
LuceneUtils.getIndexWriter().optimize();
}
// 自动合并文件
@Test
public void testAuto() throws Exception {
// 配置当小文件的数量达到多少个后就自动合并为一个大文件，默认为10，最小为2.
LuceneUtils.getIndexWriter().setMergeFactor(5);
// 建立索引
Article article = new Article();
article.setId(1);
article.setTitle("准备Lucene的开发环境");
article.setContent("如果信息检索系统在用户发出了检索请求后再去互联网上找答案，根本无法在有限的时间内返回结果。");
new ArticleIndexDao().save(article);
}
07-网页爬虫的实现方案1
爬虫：功能，抓网页。
把一个网站上面所有页面下载下来？
方案：
0.初始条件：首页
1.下载网页得到网页的内容
2.获取其中所有超链接
3.去掉已经下载过的链接和栈外的链接
4.循环处理每一个有效的超链接 回到 1 没新的链接出现就停止循环
技术：
如何下载一个网站的URL - UrlConnection（Socket）
Http协议 发送请求 响应实体内容
1.下载网页
public static String downLoad(String urlString){
URL url = new URL(urlString);
URLConnection conn = url.openConnection();
InputStream in = conn.getInputStream();
//in 流中的数据就是网页内容
2.获取所有的超链接
Dom + XPath
3.去掉已经下载过的链接和栈外的链接
把下载过的链接全部放到数据库里面，或者一个集合里面，新的链接和集合中的链接进行比较，看是否包含。
如果要做到更好一点：出现网络问题，好多个线程去访问，总有几个线程访问不了，可以进行3次请求链接。
多个线程不断的从任务队列里面拿任务
任务队列的（需要完成的任务）放到数据库里面，停电也没有关系。多线程从数据库里查询和删除任务。队列形式解决了递归的内存溢出，停电无断点，不能使用多线程的问题。
在java里面用LinkedList表示队列
addFirst() removeLast()
addLast() removeFirst()
使用多种模式：使用架构，mvc，继承
类变多了，关系变复杂了
1.适用更复杂，要求严格的情况
2.代码可读性好
3.结构合理，方便修改
4.方便扩展，可维护性强
另外有需要云服务器可以了解下创新互联cdcxhl.cn，海内外云服务器15元起步，三天无理由+7*72小时售后在线，公司持有idc许可证，提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案，具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势，专为企业上云打造定制，能够满足用户丰富、多元化的应用场景需求。
名称栏目：全文检索-Lucene-创新互联
本文来源：http://mswzjz.cn/article/dcspce.html