Lucene基础学习笔记

在学校和老师一起做项目，在老师的推荐下深入学习了一些SqlServer的知识，看一些书下来哎也没记住多少，不过带来了新疑问。

不使用模糊查询，我应该用什么呢？如何能不影响数据库性能，还能做模糊查询呢？所以开始对Lucene有一些简单的学习。

先举一个未必恰当的例子：

假如有一天你犯罪了，警察如何找到你呢？肯定不应该是挨家挨户的搜索你吧。

警察可能先通过户籍信息和一些档案，查询到你的住址，学校，单位，去这些地方找。如果还找不到呢？ 

再找你常交往的朋友，得到一些你经常去的地方，再次索引到一些地点。

总之，雁过留痕，总能通过蛛丝马迹的信息，索引到你可能在的地方。这就是在浩瀚的数据搜索中，索引，缩小范围的重要性。

Lucene是一款全文搜索引擎，它帮我们将非结构化的数据，以结构化的形式分析并存储，以便于我们能类似于数据库结构化的搜索获取到我们想要的数据。

既然要通过Lucene来搜索，那就要将数据，以Lucene搜索引擎认识的方式存储。这个存储的过程，称之为索引（动词），帮我们做这个动作的是索引引擎，帮我们查询的是查询引擎。另外文本分析引擎应该参与了查询和索引的两个动作。

Lucene以文档的形式存储，每一个文档都有唯一标识Id。一个文档基本由多个域组成， 域由域名称FieldName和域的值Value组成。

比如我们站内搜索，搜索目标是所有文章。可以将文章标题作为一个field，则其fieldName为“ArtName”字符串，其value值，为ArtName在数据库中的值。

所以文章内容，文章作者，文章发布时间，文章阅读数，文章标签等都可以放到同一个文档中的不同域。

当我们索引上述提到的字段时，不仅在我们参数指定下，设置是否存储，是否允许索引搜索。Lucene中最重要的，是其分词器将会提取词语，建立词语索引和文档id的关联。只拿文章标题来说，其他的均可类比，比如四篇文章标题，

1.佳木斯大学简介      文档Id被索引为Id1

2.计算机科学与技术专业简介       Id2

3.Java学习指南　　　　　　　　 Id3

4..Net学习指南　　　　　　　　  Id4

列举几个典型的分词索引：

 

ArtName	学习	3，4
ArtName	指南	3，4
ArtName	学习指南	3，4
ArtName	简介	1，2
ArtName	大学	1
ArtContent     （乱入一个内容Field）	Java	4
ArtName	Java	4

想象一下，如果我们不建立这样的索引，搜索带Java的内容，那么一定要去遍历每一片文章。以上的索引存储过程，称为倒排索引，意味着，先分析所需存储数据的内容，并按照结构来索引存储。等到我们查询的时候，就不用每一条数据去遍历了。

上面这种分词，源于强大的分词器，Lucene本身不提供中文分词器，可以使用第三方开源的，社区中比较游优秀的，应该就是IK了，其可拓展性也是比较强的，我们可以通过在配置文件中配置新的词汇，比如“逗比”这个词，在分词器开发的时候，没有这个词，在索引的时候，则会分开索引，我们也可以很容易在配置文件中加以配置。

从中得到另一个概念：其中每一个词语，我们应称之为Term。重要的是 我们看到其中乱入的ArtContent，由于域的名称和最后一条数据不同，虽然他们的词语都是Java，但是这属于两条Term。

Term的作用是什么呢？

可以帮助我们构建查询，也就是构建一个Term，这个查询可以指定Field的Name为ArtName，Field的Value为Java。 这也就是说查询文章标题，域值为Java的数据。而不是指定文章内容域。

我们也可以构造搜索Query对象，查询Java学习指南，这样的搜索，我们需要规定，标题中一定要带Java，标题中一定要有学习，一定要有指南。这样我们搜索到的是Java学习指南而不是.Net

学习指南。

本篇记录下Luence的一些基础概念和意义。明白了这些，我想，看文档写代码应该不是困难所在。