Lucene入门初步

简单地说,Lucene是两个java的程序包而已,通过引包调用接口函数我们可以很方便的对txt文档构建索引

构建索引的大体顺序可由下图清晰可见

即被索引的文档用Document对象表示

IndexWriter通过函数addDocument将文档添加到索引,实现创建索引的过程

Lucene的索引是应用反向索引

当用户有请求是,Query代表用户的查询语句

IndexSearcher通过函数search搜索Lucene Index

IndexSearcher计算term weight和sorce并且将结果返回给用户

返回给用户的文档集合用TopDocsCollector

构建索引可以用下面代码搞定:

而对索引的查询也可以如下搞定:

由此可以看出其实对Lucene的入门其实很简单,而真正的难点在于如何成功地使用词法分析器,因为Doug Cutting(Lucene的编写者)生于他国,所创建的词库是不针对伟大的象形文字的,这就给我们伟大的文明古国构建文档索引创造一定程度的挑战性。

其实构建全文索引的成功与否很大程度上即取决于此,能否完美或者近乎完美地构建一个Document文档是评价一个全文索引优劣的重要依据。

在构建索引的的代码中我们可以看到一个Document是由若干个Field组成的,再由Writer写入索引文件。当我们进行搜索时便是根据这些一个个小的Field进行关键词搜索的。同样的一个文档,我们可以根据不同的需要对一个Document加入不同的Field,使之成为截然不同的信息文件。

举个简单的例子便会显而易见了,对于同一个小区的描述可以有如下两种形式:

1:

半岛城邦项目总用地面积299556㎡,总建筑面积917168㎡。其中一期已建成(用地面积53290.6㎡,建筑面积142968㎡)。项目基地位于深圳市南山区蛇口片区,西临蛇口渔港码头,北侧依托于蛇口山望海公园,东侧与东角头填海区相临,靠近西部通道口岸用地,南侧凭借滨海步行长廊与深圳湾紧紧相连。项目基地紧紧依托于15公里滨海步行带,是深圳滨海走廊的重要节点,背山面海,景观卓越。在一期完成后,06年重新城市设计,主要特点:(1)学校分布。将原2、4、5期的学校、幼儿园整合在2、3期(2期36班初中及幼儿园,三期36班小学及幼儿园);(2)建筑高度由山体向海面递增,形成建筑向蛇口山退让的城市意向,与蛇口山取得协调。(3)同时城市设计将地块抬高路面3m,以减少道路对小区内的影响。除上述教育设施外,商业设施集中在由西向东贯通的商业街及1、5期间商业街。另每个小区均有会所。每个小区均有地下停车库,且相互联通,互通有无。超高层住宅建筑特点,现代简洁而不失变化,选择以盒子的方式呈现凸窗和阳台。其意义在于:(1)以方盒会意“城邦”,城是一个特大的盒子,而盒子是城的缩影。(2)独特的建筑外观。(3)在中国传统建筑及园林中,镂空的花窗有其独特的美学观念:即选景和框景。而一个个面朝大海的盒子,正是建筑完整的取景器。随着四季的变化,时刻变幻的海景画面完美的呈现在我们面前。(4)有效发挥了檐板的作用,遮阳防雨,隔绝热带气候。盒子此时同时兼具屋檐和遮阳板的功能,有效的摒弃了炽热阳光的直射和暴雨的倾泻,同时减弱了海风对窗子和室内的影响。(5)减少了楼群之间的对视问题,使居住隐私得到保护。(6)色彩与一期看齐,白色外墙,灰色凸窗与阳台,透明玻璃。有模型在会所二楼可供参观。总体上,二期采用的建材品牌和品质较一期又有了很大的提升。

2:

第一个是对整个区域做一个Field进行整合,第二个便是对这一信息通过各种Field进行描述,无需笔者提示,聪明的读者一眼便可以刻发现第二个文档的构建要明显优于第一个文档。

就像开篇所言,Lucene对英文的支持是较好的,但对于中文Cutting兄却妥妥的是心有余而力不足了。也就在这时MMAnalyzer便华丽登场,它一定程度上可以对中文做出正确的分割,“中华人民共和国”可以分成“中华”“人民”“共和国”而不会是“中华民国”这么不和谐的字眼了,一定程度上该作者对祖国大业作出了很大的贡献。

当然有时候MMAnalyzer也有力不从心的时候,比如说洒家不信它的词库中会收录“半岛城邦”“天上人间”这么邪门歪道的词语,于是当我们需要分割这些词汇的时候便需要自己往词库中添加单词进行分割, Cutting兄很绅士地想到了这一点,为我们提供了方便的接口添加词库,代码如下:

这样我们就可以简单地对一些特定的词语做分割了。

Comments