2018-11-13 全文检索 -lucene

① 什么是全文检索

1.数据的分类
1）结构化数据
格式固定，长度固定，数据类型固定。
例如数据库中的数据
2）非结构化数据
word文档，pdf文档，邮件，html
格式不固定，长度不固定，数据类型不固定

 

2.数据的查询

1）结构化数据的查询

sql语句，查询结构化数据的方法，简单，速度快

 

2）非结构化数据的查询

从文本文档中找出包含spring单词的文件

1 目测（坑爹呢）
2使用程序把文档读取到内存中，然后匹配字符串，顺序扫描
3 把非结构化数据变成结构化数据
先根据空格进行字符串拆分，得到一个单词列表，基于单词列表创建一个索引
然后查询索引，根据单词和文档的对应关系找到文档列表，这个过程就叫做全文检索，

索引；一个为了提高查询速度 创建某种数据结构的集合。

 

3.全文检索
先创建索引然后查询索引的过程就叫做全文检索，
索引一次创建可以多次使用，表现为每次查询速度很快，

② 全文检索的应用场景

1.搜索引擎
百度，360搜索，谷歌，搜狗

2.站内搜索
论坛搜索.微博，文章搜索

3.电商搜索

淘宝搜索，京东搜索
4. 只要是有搜索的地方，就可以使用全文检索技术

三丶 什么是lucene

lucene是一个局域java开发全文检索工具包

四丶 lucene实现全文检索的流程，

1 创建索引
1）获得文档，
原始文档，要基于那些数据来进行搜索，那么这些数据就是原始文档
搜索引擎；使用爬虫获得原始文档，
站内搜索：数据库中的数据
案例：直接使用io流读取磁盘上的文件

2）构建文档对象
对应每个原始文档创建一个document对象
每个document对象中包含多个域 （filed）
域中保存的就是原始文档数据
域的名称
域的值
每个文档都是有一个唯一的编号，就是文档id
3）分析文档
就是分词的过程
1.根据空格进行字符串拆分，的到一个单词列表
2.把单词统一转换成小写
3.去除标点符号
4.去除停用词
停用词：无意义的词
每个关键词都封装成一个term对象中
term中包含两部分内容；
关键词所在的域
关键词本身
不同的域中拆分出来的相同的关键词是不同的term

4）创建索引
基于关键词列表创建一个索引，保存到索引库中
索引库中：
索引
document对象
关键词和文档的对应关系
通过词语找文档， 这种索引的结构胶倒排索引结构

2.查询索引
1） 用户查询接口
用户输入查询条件的地方
例如：百度的搜索框
2）把关键词封装成一个查询对象
要查询的域
要搜索的关键词
3）执行查询
根据要查询的关键词到对应的域上进行搜索
4）渲染结果
根据文档的id找到文档对象
对关键词的进行高亮显示
分页显示
最终展示给用户