用Lucene对文档进行索引搜索

问题

现在给出很多份文档，现在对某个搜索词感兴趣，想找到相关的文档。

简单搜索

一种简单粗暴的做法是：

1、读取每个文档；
2、找到其中含有搜索词的文档；
3、对找到的文档中搜索词出现的次数统计；
4、根据搜索词统计次数对文档按降序排序。

这称之为信息获取(Information Retrieval, IR)，也叫简单搜索

普通IR方案存在的问题：
文档的体积增大或者数量增多，算法效率会下降

改进搜索的方案

Lucene项目对文档进行索引来快速搜索。

问题又来了：
仅有索引仍不够，还有：

链接分析(PageRank)

用户点击分析

自然语言处理

无链接文档的排序，

这些技术能增强搜索功能。

搜索的过程

通过爬虫从互联网中搜集数文档
用Lucene来分析、索引并搜索搜集的文档。

搜索的基本过程：加载、索引、搜索。

FetchAndProcessCrawler类

快速读取和存储网页的类FetchAndProcessCrawler(还可从互联网读取数据)，
采集数据并解析，处理结果放在一个目录中。
每一组处理过的文档，都有四个相应的子目录：fetched、knownurls、pagelinks和processed。
分开了网页的元数据和核心内容，取出网页的链接(外链，outlink)。

LuceneIndexer类

LuceneIndexer类(对LuceneIndexBuilder的包装)
对以处理过的数据进行索引
Lucene用IndexWriter类创建索引，其构造函数的三个参数为：
1、存放索引的目录
2、所使用的分析器
3、布尔变量，决定是否覆盖已有的目录

爬去的文档是按组分类的：
第一组是初始URL的文档
第二组是第一组文档链接指向的文档
第三组是第二组中文档中链接所指向的文档

indexDocument方法索引每组中各个文档的内容，Lucene的类Document类封装了所采集的文档，
从而能将它们添加到索引中，这个类不仅能用来封装网页，还能将所以可以解析并能转换成纯文本的文档。

每一个Document类的实例都是一个由若干个域组成的虚拟文档。
用分解的方法处理所采集的文档，从而为每个文档创建若干个Field实例。
content域：文本文档的内容，删除了格式化标签和其他注释
url域：用于获取文件的URL
docid域：文档独一无二的标识符
title域：文件的标题
doctype域：文件的类型

每个文档的content域都会被索引，但是不会存放在索引文件中；
其他域都会存放在索引文件中，但不会被索引。
尽管是对文档内容进行查询，但是也需要从索引文件中获得文档的URL、ID和标题。

这中常用的做法在索引文件中只需存放一些能识别搜索结果的指针，如果没有特别的原因
(例如随时获得部分内容，而原始来源不能直接访问)，不需要直接把内容放在索引文件中。

MySearcher类

MySearcher类搜索新建的索引
构造方法为索引所在目录。
使用search方法进行搜索，有两个参数：
需要在索引中查询的字符串；
想要获取的文档数量的上限。

search方法的步骤：

1、使用Lucene的IndexSearcher类的实例打开要搜索的索引；

2、创建一个Lucene的QueryParser类的实例，参数是要搜索的域和分析查询文本所必需的分词器；

3、用QueryParser的parse方法将人类语言查询转换成一个Lucene能理解的Query实例；

4、搜索索引，结果以Lucene的Hits对象的形式返回；

5、遍历前n个结果，放在SearchResult对象中。Lucene的Hits对象中只含有指向文档的引用。用这些引用收集所需的域；

6、记录每个文档的相关性分数，在0~1之间。