文档章节

对lucene 的总结

空_明
 空_明
发布于 2014/01/17 13:05
字数 1214
阅读 68
收藏 0

【推荐】2019 Java 开发者跳槽指南.pdf(吐血整理) >>>

根据 http://lucene.apache.org/java/docs/index.html 定义:Lucene 是一个高效的,基于 Java 的全文检索库。。。。所以在了解 Lucene 之前要费一番工夫了解一下全文检索。

那么什么叫做全文检索呢?这要从我们生活中的数据说起。我们生活中的数据总体分为两种:结构化数据 和 非结构化数据。

  • 结构化数据: 指具有固定格式或有限长度的数据,如数据库,元数据等。  

  • 结构化数据:指不定长或无固定格式的数据,如邮件, word 文档等。

当然有的地方还会提到第三种,半结构化数据,如 XML,HTML 等,当根据需要可按结构化数据来处理,也可抽取出纯文本按非结构化数据来处理。非结构化数据又一种叫法叫全文数据。按照数据的分类,搜索也分为两种:

  • 对结构化数据的搜索:如对数据库的搜索,用 SQL 语句。再如对元数据的搜索,如利用
    windows 搜索对文件名,类型,修改时间进行搜索等。

  • 对非结构化数据的搜索:如利用 windows 的搜索也可以搜索文件内容,Linux 下的 grep
    命令,再如用 Google 和百度可以搜索大量内容数据。


是对非结构化数据也即对全文数据的搜索主要有两种方法:

  • 一种是 (Serial Scanning) 顺序扫描法:所谓顺序扫描,比如要找内容包含某一个字符串的文件,就是一个文档一个文档的看,对于每一个文档,从头看到尾,如果此文档包含此字符串,则此文档为我们要找的文件,接着看下一个文件,直到扫描完所有的文件。如利用 windows的搜索也可以搜索文件内容,只是相当的慢。如果你有一个 80G 硬盘,如果想在上面找到一个内容包含某字符串的文件,不花他几个小时,怕是做不到。Linux 下的 grep 命令也是这

  • 一种方式。大家可能觉得这种方法比较原始,但对于小数据量的文件,这种方法还是最直接,最方便的。但是对于大量的文件,这种方法就很慢了。有人可能会说,对非结构化数据顺序扫描很慢,对结构化数据的搜索却相对较快(由于结构化数据有一定的结构可以采取一定的搜索算法加快速度),那么把我们的非结构化数据想办法弄得有一定结构不就行了吗?这种想法很天然,却构成了全文检索的基本思路,也即将非结构化数据中的一部分信息提取出来,重新组织,使其变得一定结构,然后对此有一定结构的数据进行搜索,从而达到搜索相对较快的目的。这部分从非结构化数据中提取出的然后重新组织的信息,我们称之索引索引索引。这种说法比较抽象,举几个例子就很容易明白,比如字典,字典的拼音表和部首检字表就相当于字典的索引,对每一个字的解释是非结构化的,如果字典没有音节表和部首检字表,在茫茫辞海中找一个字只能顺序扫描。然而字的某些信息可以提取出来进行结构化处理,比如读音,就比较结构化,分声母和韵母,分别只有几种可以一一列举,于是将读音拿出来按一定的顺序排列,每一项读音都指向此字的详细解释的页数。我们搜索时按结构化的拼音搜到读音,然后按其指向的页数,便可找到我们的非结构化数据——也即对字的解释。这种先建立索引,再对索引进行搜索的过程就叫全文检索(Full-text Search)。下面这幅图来自《Lucene in action》,但却不仅仅描述了 Lucene 的检索过程,而是描述了全文检索的一般过程。


全文检索大体分两个过程,索引创建(Indexing)和搜索索引(Search)。
 索引创建:将现实世界中所有的结构化和非结构化数据提取信息,创建索引的过程。  
 搜索索引:就是得到用户的查询请求,搜索创建的索引,然后返回结果的过程。  
于是全文检索就存在三个重要问题:

  • 1.  索引里面究竟存些什么?(Index) 

  • 2.  如何创建索引?(Indexing) 

  • 3.  如何对索引进行搜索?(Search) 








© 著作权归作者所有

上一篇: Lucene 架构 总结
下一篇: MAVEN查询库
空_明
粉丝 35
博文 92
码字总数 71993
作品 0
东城
高级程序员
私信 提问
Lucene原理与代码分析(高手博客备忘)

随笔 - 69 文章 - 77 评论 - 687 随笔分类 - Lucene原理与代码分析 Lucene 4.X 倒排索引原理与实现: (3) Term Dictionary和Index文件 (FST详细解析) 摘要: 我们来看最复杂的部分,就是Term ...

浮躁的码农
2019/02/28
113
0
历时一年,我的著作《从Lucene到Elasticsearch》已出版!

一、前言 决定在CSDN写博客的原因是想把自己解决过的问题、踩过的坑、总结出来的经验记录下来,作为编程之路的“笔记本”,同时也能给遇到同样问题的人提供参考、节省时间,写书的初衷也一样...

napoay
2017/12/05
0
0
Lucene知识小总结6:搜索

建好索引之后必定是进行搜索的节奏了,lucene关于搜索这部分内容是包含很多知识的,这里只是一个梗概,因为作为知识点的小梳理,没有探讨高级的知识点,都是先对知识有个小印象,之后慢慢学习...

heroShane
2014/02/23
184
0
实战 Lucene,第 1 部分: 初识 Lucene

本文首先介绍了 Lucene 的一些基本概念,然后开发了一个应用程序演示了利用 Lucene 建立索引并在该索引上进行搜索的过程。 朋 周登 (zhoudengpeng@yahoo.com.cn), 软件工程师 2006 年 4 月 ...

凡16
2013/09/27
53
0
Lucene知识小总结7:评分设置

使用lucene,我们通过搜索出来的信息,都是相关性最强的排在前面的,这里涉及到评分机制,在实际生产中必定是要根据具体的业务需求做出更为复杂的自定义评分机制,但这里先简单看看lucene的评...

heroShane
2014/02/23
134
0

没有更多内容

加载失败,请刷新页面

加载更多

dynamic-connectivity 动态连通性问题之 quick-union 算法

quick-union 的思想是:若对象 p 的 root_id 和对象 q 的 root_id 相等,则认为 p 和 q 连通。 若要将对象 p 和对象 q 连通(已知两对象未连通),则将 p 的 root_id 的值设为 q 的 root_id ...

Phpythoner_Alei
今天
40
0
OSChina 周六乱弹 —— 实在选不出来就唱国歌

Osc乱弹歌单(2020)请戳(这里) 【今日歌曲】 @花间小酌 :#今日歌曲推荐# 分享阿冗的单曲《你的答案》。--祝大家在2020年都找到自己答案。 《你的答案》- 阿冗 手机党少年们想听歌,请使劲...

小小编辑
今天
25
1
Maven打包可执行Jar包的方法

在使用Java开发中,会使用到将工程打包成可执行的jar包的情况,那么在maven中怎么将项目中的依赖包都添加到jar中呢。在pom.xml中添加一下插件: <build><plugins><plugin><ar...

CapJes
今天
13
0
使用vue 开发地图类系统(openlayers.js)的注意。

使用vue 开发地图类系统的注意。 1、使用地图应该创建的对象 少使用 vue 的data 和计算属性(comments)存数据或是vuex。 为什么要要注意这个问题呢? 答:这个就要了解到vue的实现原理 。原理...

DY-Tao
昨天
10
0
web移动端学习:高德地图demo(一)

在高德地图开发中申请开发者资格,然后在控制台中新建应用,获得KEY; 新建模板HTML文件; <!DOCTYPE html><html lang="en"><head><meta charset="UTF-8"><title>地图demo</title><scri......

dxiya
昨天
10
0

没有更多内容

加载失败,请刷新页面

加载更多

返回顶部
顶部