构建自己的搜索引擎之Lucene详解

Lucene中的基本概念：

索引(Index)：文档的集合组成索引。和一般的数据库不一样，Lucene不支持定义主键，但Solr支持。

为了方便索引大量的文档，Lucene中的一个索引分成若干个子索引，叫做段(segment)。段中包含了一些可搜索的文档。

文档(Document)：代表索引库中的一条记录。一个文档可以包含多个列(Field)。和一般的数据库不一样，一个文档的一个列可以有多个值。例如一篇文档既可以属于互联网类，又可以属于科技类。

列(Field)：命名的词的集合。

词(Term) ：由两个值定义——词语和这个词语所出现的列。

倒排索引是基于词(Term)的搜索。

要学习搜索引擎，就需要了解倒排索引（倒排索引的定义请自行谷歌百度），首先我们来讲一下倒排索引的原理：



文档1: When in Rome, do as the Romans do. 文档2: When do you come back from Rome?

停用词: in, as, the, from





Lucene的整体结构：



索引相关类：



一个Document代表索引库中的一条记录。一个Document可以包含多个列。例如一篇文章可以包含“标题”、“正文”、“修改时间”等field，创建这些列对象以后，可以通过Document的add方法增加这些列到Document实例。

一段有意义的文字通过Analyzer分割成一个个的词语后写入到索引库。



创建索引：

?
向索引增加文档：

一个索引和一个数据库表类似，但是数据库中是先定义表结构后使用。但Lucene在放数据的时候定义字段结构。

?
搜索：

?
查询语法：

加权 solr^4 lucene

修饰符 + - NOT

+solr lucene

布尔操作符 OR AND

(solr OR lucene) AND user

按域查询

title:NBA

QueryParser：

QueryParser将输入查询字串解析为Lucene Query对象。

QueryParser是使用JavaCC(Java Compiler Compiler )工具生成的词法解析器。

QueryParser.jj中定义了查询语法。

需要让QueryParser更好的支持中文，例如全角空格等?

分析器(Analyzer)：



?
最基本的词条查询-TermQuery：

一般用于查询不切分的字段或者基本词

?
布尔逻辑查询-BooleanQuery：

举例：同时查询标题列和内容列





?
布尔查询的实现原理：



RangeQuery-区间查找：

例如日期列time按区间查询的语法：

time:[2007-08-13T00:00:00Z TO 2008-08-13T00:00:00Z]

后台实现代码：

?
这是Lucene的用法和原理，构建自己的搜索引擎可以使用Lucene这个强大的工具包，将大大缩减开发周期，实现一个高性能的个人搜索引擎。