轉(zhuǎn)載 很好的SOLR、LUCENE學(xué)習(xí)資料 LUC

1、轉(zhuǎn)載 很好的SOLR、LUCENE學(xué)習(xí)資料 LUC原文地址：很好的SOLR、LUCENE學(xué)習(xí)資料(LUCENE)作者：daysmileface1 lucene簡介1.1什么是lucene Lucene是一個全文搜索框架，而不是應(yīng)用產(chǎn)品。因此它并不像或者google Desktop那么拿來就能用，它只是提供了一種工具讓你能實現(xiàn)這些產(chǎn)品。1.2 lucene能做什么要回答這個問題，先要了解lucene的本質(zhì)。實際上lucene的功能很單一，說到底，就是你給它若干個字符串，然后它為你提供一個全文搜索服務(wù)，告訴你你要搜索的關(guān)鍵詞出現(xiàn)在哪里。知道了這個本質(zhì)，你就可以發(fā)揮想象做任何符合這個條件的事情了。你

2、可以把站內(nèi)新聞都索引了，做個資料庫；你可以把一個數(shù)據(jù)庫表的若干個字段索引起來，那就不用再擔(dān)心因為%like%而鎖表了；你也可以寫個自己的搜索引擎1.3你該不該選擇lucene下面給出一些測試數(shù)據(jù)，如果你覺得可以接受，那么可以選擇。測試一：250萬記錄，300M左右文本，生成索引380M左右，800線程下平均處理時間300ms。測試二：37000記錄，索引數(shù)據(jù)庫中的兩個varchar字段，索引文件2.6M，800線程下平均處理時間1.5ms。2 lucene的工作方式lucene提供的服務(wù)實際包含兩部分：一入一出。所謂入是寫入，即將你提供的源(本質(zhì)是字符串)寫入索引或者將其從索引中刪除；所謂出是

3、讀出，即向用戶提供全文搜索服務(wù)，讓用戶可以通過關(guān)鍵詞定位源。2.1寫入流程源字符串首先經(jīng)過analyzer處理，包括：分詞，分成一個個單詞；去除stopword(可選)。將源中需要的信息加入Document的各個Field中，并把需要索引的Field索引起來，把需要存儲的Field存儲起來。將索引寫入存儲器，存儲器可以是內(nèi)存或磁盤。2.2讀出流程用戶提供搜索關(guān)鍵詞，經(jīng)過analyzer處理。對處理后的關(guān)鍵詞搜索索引找出對應(yīng)的Document。用戶根據(jù)需要從找到的Document中提取需要的Field。3一些需要知道的概念lucene用到一些概念，了解它們的含義，有利于下面的講解。3.1 ana

4、lyzer Analyzer是分析器，它的作用是把一個字符串按某種規(guī)則劃分成一個個詞語，并去除其中的無效詞語，這里說的無效詞語是指英文中的of、the，中文中的的、地等詞語，這些詞語在文章中大量出現(xiàn)，但是本身不包含什么關(guān)鍵信息，去掉有利于縮小索引文件、提高效率、提高命中率。分詞的規(guī)則千變?nèi)f化，但目的只有一個：按語義劃分。這點在英文中比較容易實現(xiàn)，因為英文本身就是以單詞為單位的，已經(jīng)用空格分開；而中文則必須以某種方法將連成一片的句子劃分成一個個詞語。具體劃分方法下面再詳細介紹，這里只需了解分析器的概念即可。3.2 document用戶提供的源是一條條記錄，它們可以是文本文件、字符串或者數(shù)據(jù)庫表的

5、一條記錄等等。一條記錄經(jīng)過索引之后，就是以一個Document的形式存儲在索引文件中的。用戶進行搜索，也是以Document列表的形式返回。3.3 field一個Document可以包含多個信息域，例如一篇文章可以包含標(biāo)題、正文、最后修改時間等信息域，這些信息域就是通過Field在Document中存儲的。Field有兩個屬性可選：存儲和索引。通過存儲屬性你可以控制是否對這個Field進行存儲；通過索引屬性你可以控制是否對該Field進行索引。這看起來似乎有些廢話，事實上對這兩個屬性的正確組合很重要，下面舉例說明：還是以剛才的文章為例子，我們需要對標(biāo)題和正文進行全文搜索，所以我們要把索引屬性設(shè)

6、置為真，同時我們希望能直接從搜索結(jié)果中提取文章標(biāo)題，所以我們把標(biāo)題域的存儲屬性設(shè)置為真，但是由于正文域太大了，我們?yōu)榱丝s小索引文件大小，將正文域的存儲屬性設(shè)置為假，當(dāng)需要時再直接讀取文件；我們只是希望能從搜索解果中提取最后修改時間，不需要對它進行搜索，所以我們把最后修改時間域的存儲屬性設(shè)置為真，索引屬性設(shè)置為假。上面的三個域涵蓋了兩個屬性的三種組合，還有一種全為假的沒有用到，事實上Field不允許你那么設(shè)置，因為既不存儲又不索引的域是沒有意義的。3.4 term term是搜索的最小單位，它表示文檔的一個詞語，term由兩部分組成：它表示的詞語和這個詞語所出現(xiàn)的field。3.5 tocken

7、 tocken是term的一次出現(xiàn)，它包含trem文本和相應(yīng)的起止偏移，以及一個類型字符串。一句話中可以出現(xiàn)多次相同的詞語，它們都用同一個term表示，但是用不同的tocken，每個tocken標(biāo)記該詞語出現(xiàn)的地方。3.6 segment添加索引時并不是每個document都馬上添加到同一個索引文件，它們首先被寫入到不同的小文件，然后再合并成一個大索引文件，這里每個小文件都是一個segment。4 lucene的結(jié)構(gòu)lucene包括core和sandbox兩部分，其中core是lucene穩(wěn)定的核心部分，sandbox包含了一些附加功能，例如highlighter、各種分析器。Lucene c

8、ore有七個包：analysis，document，index，queryParser，search，store，util。4.1 analysis Analysis包含一些內(nèi)建的分析器，例如按空白字符分詞的WhitespaceAnalyzer，添加了stopwrod過濾的StopAnalyzer，最常用的StandardAnalyzer。4.2 document Document包含文檔的數(shù)據(jù)結(jié)構(gòu)，例如Document類定義了存儲文檔的數(shù)據(jù)結(jié)構(gòu)，F(xiàn)ield類定義了Document的一個域。4.3 index Index包含了索引的讀寫類，例如對索引文件的segment進行寫、合并、優(yōu)化的In

9、dexWriter類和對索引進行讀取和刪除操作的IndexReader類，這里要注意的是不要被IndexReader這個名字誤導(dǎo)，以為它是索引文件的讀取類，實際上刪除索引也是由它完成，IndexWriter只關(guān)心如何將索引寫入一個個segment，并將它們合并優(yōu)化；IndexReader則關(guān)注索引文件中各個文檔的組織形式。4.4 queryParser QueryParser包含了解析查詢語句的類，lucene的查詢語句和sql語句有點類似，有各種保留字，按照一定的語法可以組成各種查詢。Lucene有很多種Query類，它們都繼承自Query，執(zhí)行各種特殊的查詢，QueryParser的作用就

10、是解析查詢語句，按順序調(diào)用各種Query類查找出結(jié)果。4.5 search Search包含了從索引中搜索結(jié)果的各種類，例如剛才說的各種Query類，包括TermQuery、BooleanQuery等就在這個包里。4.6 store Store包含了索引的存儲類，例如Directory定義了索引文件的存儲結(jié)構(gòu)，F(xiàn)SDirectory為存儲在文件中的索引，RAMDirectory為存儲在內(nèi)存中的索引，MmapDirectory為使用內(nèi)存映射的索引。4.7 util Util包含一些公共工具類，例如時間和字符串之間的轉(zhuǎn)換工具。5如何建索引5.1最簡單的能完成索引的代碼片斷IndexWriter w

11、riter=new IndexWriter(/data/index/,new StandardAnalyzer(),true)；Document doc=new Document()；doc.add(new Field(title,lucene introduction,Field.Store.YES,Field.Index.TOKENIZED)；doc.add(new Field(content,lucene works well,Field.Store.YES,Field.Index.TOKENIZED)；writer.addDocument(doc)；writer.optimize()；

12、writer.close()；下面我們分析一下這段代碼。首先我們創(chuàng)建了一個writer，并指定存放索引的目錄為/data/index，使用的分析器為StandardAnalyzer，第三個參數(shù)說明如果已經(jīng)有索引文件在索引目錄下，我們將覆蓋它們。然后我們新建一個document。我們向document添加一個field，名字是title，內(nèi)容是lucene introduction，對它進行存儲并索引。再添加一個名字是content的field，內(nèi)容是lucene works well，也是存儲并索引。然后我們將這個文檔添加到索引中，如果有多個文檔，可以重復(fù)上面的操作，創(chuàng)建document并添加

13、。添加完所有document，我們對索引進行優(yōu)化，優(yōu)化主要是將多個segment合并到一個，有利于提高索引速度。隨后將writer關(guān)閉，這點很重要。對，創(chuàng)建索引就這么簡單！當(dāng)然你可能修改上面的代碼獲得更具個性化的服務(wù)。5.2將索引直接寫在內(nèi)存你需要首先創(chuàng)建一個RAMDirectory，并將其傳給writer，代碼如下：Directory dir=new RAMDirectory()；IndexWriter writer=new IndexWriter(dir,new StandardAnalyzer(),true)；Document doc=new Document()；doc.add(new

14、 Field(title,lucene introduction,Field.Store.YES,Field.Index.TOKENIZED)；doc.add(new Field(content,lucene works well,Field.Store.YES,Field.Index.TOKENIZED)；writer.addDocument(doc)；writer.optimize()；writer.close()；5.3索引文本文件如果你想把純文本文件索引起來，而不想自己將它們讀入字符串創(chuàng)建field，你可以用下面的代碼創(chuàng)建field：Field field=new Field(cont

15、ent,new FileReader(file)；這里的file就是該文本文件。該構(gòu)造函數(shù)實際上是讀去文件內(nèi)容，并對其進行索引，但不存儲。6如何維護索引索引的維護操作都是由IndexReader類提供。6.1如何刪除索引lucene提供了兩種從索引中刪除document的方法，一種是void deleteDocument(int docNum)這種方法是根據(jù)document在索引中的編號來刪除，每個document加進索引后都會有個唯一編號，所以根據(jù)編號刪除是一種精確刪除，但是這個編號是索引的內(nèi)部結(jié)構(gòu)，一般我們不會知道某個文件的編號到底是幾，所以用處不大。另一種是void deleteDocu

16、ments(Term term)這種方法實際上是首先根據(jù)參數(shù)term執(zhí)行一個搜索操作，然后把搜索到的結(jié)果批量刪除了。我們可以通過這個方法提供一個嚴(yán)格的查詢條件，達到刪除指定document的目的。下面給出一個例子：Directory dir=FSDirectory.getDirectory(PATH,false)；IndexReader reader=IndexReader.open(dir)；Term term=new Term(field,key)；reader.deleteDocuments(term)；reader.close()；6.2如何更新索引lucene并沒有提供專門的索引更新

17、方法，我們需要先將相應(yīng)的document刪除，然后再將新的document加入索引。例如：Directory dir=FSDirectory.getDirectory(PATH,false)；IndexReader reader=IndexReader.open(dir)；Term term=new Term(title,lucene introduction)；reader.deleteDocuments(term)；reader.close()；IndexWriter writer=new IndexWriter(dir,new StandardAnalyzer(),true)；Docum

18、ent doc=new Document()；doc.add(new Field(title,lucene introduction,Field.Store.YES,Field.Index.TOKENIZED)；doc.add(new Field(content,lucene is funny,Field.Store.YES,Field.Index.TOKENIZED)；writer.addDocument(doc)；writer.optimize()；writer.close()；7如何搜索lucene的搜索相當(dāng)強大，它提供了很多輔助查詢類，每個類都繼承自Query類，各自完成一種特殊的查詢

19、，你可以像搭積木一樣將它們?nèi)我饨M合使用，完成一些復(fù)雜操作；另外lucene還提供了Sort類對結(jié)果進行排序，提供了Filter類對查詢條件進行限制。你或許會不自覺地拿它跟SQL語句進行比較：lucene能執(zhí)行and、or、order by、where、like%xx%操作嗎?回答是：當(dāng)然沒問題！7.1各種各樣的Query下面我們看看lucene到底允許我們進行哪些查詢操作：7.1.1 TermQuery首先介紹最基本的查詢，如果你想執(zhí)行一個這樣的查詢：在content域中包含lucene的document，那么你可以用TermQuery：Term t=new Term(content,luce

20、ne；Query query=new TermQuery(t)；7.1.2 BooleanQuery如果你想這么查詢：在content域中包含java或perl的document，那么你可以建立兩個TermQuery并把它們用BooleanQuery連接起來：TermQuery termQuery1=new TermQuery(new Term(content,java)；TermQuery termQuery 2=new TermQuery(new Term(content,perl)；BooleanQuery booleanQuery=new BooleanQuery()；booleanQ

21、uery.add(termQuery 1,BooleanClause.Occur.SHOULD)；booleanQuery.add(termQuery 2,BooleanClause.Occur.SHOULD)；7.1.3 WildcardQuery如果你想對某單詞進行通配符查詢，你可以用WildcardQuery，通配符包括?匹配一個任意字符和*匹配零個或多個任意字符，例如你搜索use*，你可能找到useful或者useless：Query query=new WildcardQuery(new Term(content,use*)；7.1.4 PhraseQuery你可能對中日關(guān)系比較感興

22、趣，想查找中和日挨得比較近(5個字的距離內(nèi))的文章，超過這個距離的不予考慮，你可以：PhraseQuery query=new PhraseQuery()；query.setSlop(5)；query.add(new Term(content,中)；query.add(new Term(content,日)；那么它可能搜到中日合作、中方和日方，但是搜不到中國某高層領(lǐng)導(dǎo)說日本欠扁。7.1.5 PrefixQuery如果你想搜以中開頭的詞語，你可以用PrefixQuery：PrefixQuery query=new PrefixQuery(new Term(content,中)；7.1.6 Fuz

23、zyQuery FuzzyQuery用來搜索相似的term，使用Levenshtein算法。假設(shè)你想搜索跟wuzza相似的詞語，你可以：Query query=new FuzzyQuery(new Term(content,wuzza)；你可能得到fuzzy和wuzzy。7.1.7 RangeQuery另一個常用的Query是RangeQuery，你也許想搜索時間域從20060101到20060130之間的document，你可以用RangeQuery：RangeQuery query=new RangeQuery(new Term(time,20060101),new Term(time,2

24、0060130),true)；最后的true表示用閉合區(qū)間。7.2 QueryParser看了這么多Query，你可能會問：不會讓我自己組合各種Query吧，太麻煩了！當(dāng)然不會，lucene提供了一種類似于SQL語句的查詢語句，我們姑且叫它lucene語句，通過它，你可以把各種查詢一句話搞定，lucene會自動把它們查分成小塊交給相應(yīng)Query執(zhí)行。下面我們對應(yīng)每種Query演示一下：TermQuery可以用field：key方式，例如content：lucene。BooleanQuery中與用+，或用，例如content：java contenterl。WildcardQuery仍然用?和*

25、，例如content：use*。PhraseQuery用，例如content：中日5。PrefixQuery用*，例如中*。FuzzyQuery用，例如content：wuzza。RangeQuery用或，前者表示閉區(qū)間，后者表示開區(qū)間，例如time：20060101 TO 20060130，注意TO區(qū)分大小寫。你可以任意組合query string，完成復(fù)雜操作，例如標(biāo)題或正文包括lucene，并且時間在20060101到20060130之間的文章可以表示為：+(title：lucene content：lucene)+time：20060101 TO 20060130。代碼如下：Direc

26、tory dir=FSDirectory.getDirectory(PATH,false)；IndexSearcher is=new IndexSearcher(dir)；QueryParser parser=new QueryParser(content,new StandardAnalyzer()；Query query=parser.parse(+(title：lucene content：lucene)+time：20060101 TO 20060130；Hits hits=is.search(query)；for(int i=0；i hits.length()；i+)Document

27、 doc=hits.doc(i)；System.out.println(doc.get(title)；is.close()；首先我們創(chuàng)建一個在指定文件目錄上的IndexSearcher。然后創(chuàng)建一個使用StandardAnalyzer作為分析器的QueryParser，它默認(rèn)搜索的域是content。接著我們用QueryParser來parse查詢字串，生成一個Query。然后利用這個Query去查找結(jié)果，結(jié)果以Hits的形式返回。這個Hits對象包含一個列表，我們挨個把它的內(nèi)容顯示出來。7.3 Filter filter的作用就是限制只查詢索引的某個子集，它的作用有點像SQL語句里的wher

28、e，但又有區(qū)別，它不是正規(guī)查詢的一部分，只是對數(shù)據(jù)源進行預(yù)處理，然后交給查詢語句。注意它執(zhí)行的是預(yù)處理，而不是對查詢結(jié)果進行過濾，所以使用filter的代價是很大的，它可能會使一次查詢耗時提高一百倍。最常用的filter是RangeFilter和QueryFilter。RangeFilter是設(shè)定只搜索指定范圍內(nèi)的索引；QueryFilter是在上次查詢的結(jié)果中搜索。Filter的使用非常簡單，你只需創(chuàng)建一個filter實例，然后把它傳給searcher。繼續(xù)上面的例子，查詢時間在20060101到20060130之間的文章除了將限制寫在query string中，你還可以寫在RangeFil

29、ter中：Directory dir=FSDirectory.getDirectory(PATH,false)；IndexSearcher is=new IndexSearcher(dir)；QueryParser parser=new QueryParser(content,new StandardAnalyzer()；Query query=parser.parse(title：lucene content：lucene；RangeFilter filter=new RangeFilter(time,20060101,20060230,true,true)；Hits hits=is.sea

30、rch(query,filter)；for(int i=0；i hits.length()；i+)Document doc=hits.doc(i)；System.out.println(doc.get(title)；is.close()；7.4 Sort有時你想要一個排好序的結(jié)果集，就像SQL語句的order by，lucene能做到：通過Sort。Sort sort=new Sort(time)；/相當(dāng)于SQL的order by timeSort sort=new Sort(time,true)；/相當(dāng)于SQL的order by time desc下面是一個完整的例子：Directory d

31、ir=FSDirectory.getDirectory(PATH,false)；IndexSearcher is=new IndexSearcher(dir)；QueryParser parser=new QueryParser(content,new StandardAnalyzer()；Query query=parser.parse(title：lucene content：lucene；RangeFilter filter=new RangeFilter(time,20060101,20060230,true,true)；Sort sort=new Sort(time)；Hits hi

32、ts=is.search(query,filter,sort)；for(int i=0；i hits.length()；i+)Document doc=hits.doc(i)；System.out.println(doc.get(title)；is.close()；8分析器在前面的概念介紹中我們已經(jīng)知道了分析器的作用，就是把句子按照語義切分成一個個詞語。英文切分已經(jīng)有了很成熟的分析器：StandardAnalyzer，很多情況下StandardAnalyzer是個不錯的選擇。甚至你會發(fā)現(xiàn)StandardAnalyzer也能對中文進行分詞。但是我們的焦點是中文分詞，StandardAnalyze

33、r能支持中文分詞嗎?實踐證明是可以的，但是效果并不好，搜索如果會把牛奶不如果汁好喝也搜索出來，而且索引文件很大。那么我們手頭上還有什么分析器可以使用呢?core里面沒有，我們可以在sandbox里面找到兩個：ChineseAnalyzer和CJKAnalyzer。但是它們同樣都有分詞不準(zhǔn)的問題。相比之下用StandardAnalyzer和ChineseAnalyzer建立索引時間差不多，索引文件大小也差不多，CJKAnalyzer表現(xiàn)會差些，索引文件大且耗時比較長。要解決問題，首先分析一下這三個分析器的分詞方式。StandardAnalyzer和ChineseAnalyzer都是把句子按單個字

34、切分，也就是說牛奶不如果汁好喝會被它們切分成牛奶不如果汁好喝；而CJKAnalyzer則會切分成牛奶奶不不如如果果汁汁好好喝。這也就解釋了為什么搜索果汁都能匹配這個句子。以上分詞的缺點至少有兩個：匹配不準(zhǔn)確和索引文件大。我們的目標(biāo)是將上面的句子分解成牛奶不如果汁好喝。這里的關(guān)鍵就是語義識別，我們?nèi)绾巫R別牛奶是一個詞而奶不不是詞語?我們很自然會想到基于詞庫的分詞法，也就是我們先得到一個詞庫，里面列舉了大部分詞語，我們把句子按某種方式切分，當(dāng)?shù)玫降脑~語與詞庫中的項匹配時，我們就認(rèn)為這種切分是正確的。這樣切詞的過程就轉(zhuǎn)變成匹配的過程，而匹配的方式最簡單的有正向最大匹配和逆向最大匹配兩種，說白了就是一

35、個從句子開頭向后進行匹配，一個從句子末尾向前進行匹配?；谠~庫的分詞詞庫非常重要，詞庫的容量直接影響搜索結(jié)果，在相同詞庫的前提下，據(jù)說逆向最大匹配優(yōu)于正向最大匹配。當(dāng)然還有別的分詞方法，這本身就是一個學(xué)科，我這里也沒有深入研究?；氐骄唧w應(yīng)用，我們的目標(biāo)是能找到成熟的、現(xiàn)成的分詞工具，避免重新發(fā)明車輪。經(jīng)過網(wǎng)上搜索，用的比較多的是中科院的ICTCLAS和一個不開放源碼但是免費的JE-Analysis。ICTCLAS有個問題是它是一個動態(tài)鏈接庫，java調(diào)用需要本地方法調(diào)用，不方便也有安全隱患，而且口碑也確實不大好。JE-Analysis效果還不錯，當(dāng)然也會有分詞不準(zhǔn)的地方，相比比較方便放心。9性

36、能優(yōu)化一直到這里，我們還是在討論怎么樣使lucene跑起來，完成指定任務(wù)。利用前面說的也確實能完成大部分功能。但是測試表明lucene的性能并不是很好，在大數(shù)據(jù)量大并發(fā)的條件下甚至?xí)邪敕昼姺祷氐那闆r。另外大數(shù)據(jù)量的數(shù)據(jù)初始化建立索引也是一個十分耗時的過程。那么如何提高lucene的性能呢?下面從優(yōu)化創(chuàng)建索引性能和優(yōu)化搜索性能兩方面介紹。9.1優(yōu)化創(chuàng)建索引性能這方面的優(yōu)化途徑比較有限，IndexWriter提供了一些接口可以控制建立索引的操作，另外我們可以先將索引寫入RAMDirectory，再批量寫入FSDirectory，不管怎樣，目的都是盡量少的文件IO，因為創(chuàng)建索引的最大瓶頸在于磁盤I

37、O。另外選擇一個較好的分析器也能提高一些性能。9.1.1通過設(shè)置IndexWriter的參數(shù)優(yōu)化索引建立setMaxBufferedDocs(int maxBufferedDocs)控制寫入一個新的segment前內(nèi)存中保存的document的數(shù)目，設(shè)置較大的數(shù)目可以加快建索引速度，默認(rèn)為10。setMaxMergeDocs(int maxMergeDocs)控制一個segment中可以保存的最大document數(shù)目，值較小有利于追加索引的速度，默認(rèn)Integer.MAX_VALUE，無需修改。setMergeFactor(int mergeFactor)控制多個segment合并的頻率，值較

38、大時建立索引速度較快，默認(rèn)是10，可以在建立索引時設(shè)置為100。9.1.2通過RAMDirectory緩寫提高性能我們可以先把索引寫入RAMDirectory，達到一定數(shù)量時再批量寫進FSDirectory，減少磁盤IO次數(shù)。FSDirectory fsDir=FSDirectory.getDirectory(/data/index,true)；RAMDirectory ramDir=new RAMDirectory()；IndexWriter fsWriter=new IndexWriter(fsDir,new StandardAnalyzer(),true)；IndexWriter ram

39、Writer=new IndexWriter(ramDir,new StandardAnalyzer(),true)；while(there are documents to index).create Document.ramWriter.addDocument(doc)；if(condition for flushing memory to disk has been met)fsWriter.addIndexes(new DirectoryramDir)；ramWriter.close()；ramWriter=new IndexWriter(ramDir,new StandardAnal

40、yzer(),true)；9.1.3選擇較好的分析器這個優(yōu)化主要是對磁盤空間的優(yōu)化，可以將索引文件減小將近一半，相同測試數(shù)據(jù)下由600M減少到380M。但是對時間并沒有什么幫助，甚至?xí)枰L時間，因為較好的分析器需要匹配詞庫，會消耗更多cpu，測試數(shù)據(jù)用StandardAnalyzer耗時133分鐘；用MMAnalyzer耗時150分鐘。9.2優(yōu)化搜索性能雖然建立索引的操作非常耗時，但是那畢竟只在最初創(chuàng)建時才需要，平時只是少量的維護操作，更何況這些可以放到一個后臺進程處理，并不影響用戶搜索。我們創(chuàng)建索引的目的就是給用戶搜索，所以搜索的性能才是我們最關(guān)心的。下面就來探討一下如何提高搜索性能。9

41、.2.1將索引放入內(nèi)存這是一個最直觀的想法，因為內(nèi)存比磁盤快很多。Lucene提供了RAMDirectory可以在內(nèi)存中容納索引：Directory fsDir=FSDirectory.getDirectory(/data/index/,false)；Directory ramDir=new RAMDirectory(fsDir)；Searcher searcher=new IndexSearcher(ramDir)；但是實踐證明RAMDirectory和FSDirectory速度差不多，當(dāng)數(shù)據(jù)量很小時兩者都非?？欤?dāng)數(shù)據(jù)量較大時(索引文件400M)RAMDirectory甚至比FSDirec

42、tory還要慢一點，這確實讓人出乎意料。而且lucene的搜索非常耗內(nèi)存，即使將400M的索引文件載入內(nèi)存，在運行一段時間后都會out of memory，所以個人認(rèn)為載入內(nèi)存的作用并不大。9.2.2優(yōu)化時間范圍限制既然載入內(nèi)存并不能提高效率，一定有其它瓶頸，經(jīng)過測試發(fā)現(xiàn)最大的瓶頸居然是時間范圍限制，那么我們可以怎樣使時間范圍限制的代價最小呢?當(dāng)需要搜索指定時間范圍內(nèi)的結(jié)果時，可以：1、用RangeQuery，設(shè)置范圍，但是RangeQuery的實現(xiàn)實際上是將時間范圍內(nèi)的時間點展開，組成一個個BooleanClause加入到BooleanQuery中查詢，因此時間范圍不可能設(shè)置太大，經(jīng)測試，范

43、圍超過一個月就會拋BooleanQuery.TooManyClauses，可以通過設(shè)置BooleanQuery.setMaxClauseCount(int maxClauseCount)擴大，但是擴大也是有限的，并且隨著maxClauseCount擴大，占用內(nèi)存也擴大2、用RangeFilter代替RangeQuery，經(jīng)測試速度不會比RangeQuery慢，但是仍然有性能瓶頸，查詢的90%以上時間耗費在RangeFilter，研究其源碼發(fā)現(xiàn)RangeFilter實際上是首先遍歷所有索引，生成一個BitSet，標(biāo)記每個document，在時間范圍內(nèi)的標(biāo)記為true，不在的標(biāo)記為false，然后

44、將結(jié)果傳遞給Searcher查找，這是十分耗時的。3、進一步提高性能，這個又有兩個思路：a、緩存Filter結(jié)果。既然RangeFilter的執(zhí)行是在搜索之前，那么它的輸入都是一定的，就是IndexReader，而IndexReader是由Directory決定的，所以可以認(rèn)為RangeFilter的結(jié)果是由范圍的上下限決定的，也就是由具體的RangeFilter對象決定，所以我們只要以RangeFilter對象為鍵，將filter結(jié)果BitSet緩存起來即可。lucene API已經(jīng)提供了一個CachingWrapperFilter類封裝了Filter及其結(jié)果，所以具體實施起來我們可以cac

45、he CachingWrapperFilter對象，需要注意的是，不要被CachingWrapperFilter的名字及其說明誤導(dǎo)，CachingWrapperFilter看起來是有緩存功能，但的緩存是針對同一個filter的，也就是在你用同一個filter過濾不同IndexReader時，它可以幫你緩存不同IndexReader的結(jié)果，而我們的需求恰恰相反，我們是用不同filter過濾同一個IndexReader，所以只能把它作為一個封裝類。b、降低時間精度。研究Filter的工作原理可以看出，它每次工作都是遍歷整個索引的，所以時間粒度越大，對比越快，搜索時間越短，在不影響功能的情況下，時間

46、精度越低越好，有時甚至犧牲一點精度也值得，當(dāng)然最好的情況是根本不作時間限制。下面針對上面的兩個思路演示一下優(yōu)化結(jié)果(都采用800線程隨機關(guān)鍵詞隨即時間范圍)：第一組，時間精度為秒：方式直接用RangeFilter使用cache不用filter平均每個線程耗時10s 1s 300ms第二組，時間精度為天方式直接用RangeFilter使用cache不用filter平均每個線程耗時900ms 360ms 300ms由以上數(shù)據(jù)可以得出結(jié)論：1、盡量降低時間精度，將精度由秒換成天帶來的性能提高甚至比使用cache還好，最好不使用filter。2、在不能降低時間精度的情況下，使用cache能帶了10倍左

47、右的性能提高。9.2.3使用更好的分析器這個跟創(chuàng)建索引優(yōu)化道理差不多，索引文件小了搜索自然會加快。當(dāng)然這個提高也是有限的。較好的分析器相對于最差的分析器對性能的提升在20%以下。10一些經(jīng)驗10.1關(guān)鍵詞區(qū)分大小寫or AND TO等關(guān)鍵詞是區(qū)分大小寫的，lucene只認(rèn)大寫的，小寫的當(dāng)做普通單詞。10.2讀寫互斥性同一時刻只能有一個對索引的寫操作，在寫的同時可以進行搜索10.3文件鎖在寫索引的過程中強行退出將在tmp目錄留下一個lock文件，使以后的寫操作無法進行，可以將其手工刪除10.4時間格式lucene只支持一種時間格式y(tǒng)yMMddHHmmss，所以你傳一個yy-MM-dd HH：mm

48、：ss的時間給lucene它是不會當(dāng)作時間來處理的10.5設(shè)置boost有些時候在搜索時某個字段的權(quán)重需要大一些，例如你可能認(rèn)為標(biāo)題中出現(xiàn)關(guān)鍵詞的文章比正文中出現(xiàn)關(guān)鍵詞的文章更有價值，你可以把標(biāo)題的boost設(shè)置的更大，那么搜索結(jié)果會優(yōu)先顯示標(biāo)題中出現(xiàn)關(guān)鍵詞的文章(沒有使用排序的前題下)。使用方法：Field.setBoost(float boost)；默認(rèn)值是1.0，也就是說要增加權(quán)重的需要設(shè)置得比1大。轉(zhuǎn)自-Lucene應(yīng)用編程接口(API)功能強大、非常靈活、易于使用。Lucene不但提供了出眾的全文搜索功能，還提供了所有補充性的過濾和排序特性。如果想把高性能、特性豐富的多重標(biāo)準(zhǔn)全文搜索

49、機制添加到應(yīng)用程序中，就需要這些功能和特性。索引任何Lucene應(yīng)用程序的第一步就是為數(shù)據(jù)建立索引。Lucene需要使用數(shù)據(jù)創(chuàng)建自己的一組索引，以便它可以對數(shù)據(jù)進行高性能的全文檢查、過濾和排序等操作。這是相當(dāng)簡單、直觀的過程。首先，需要創(chuàng)建IndexWriter對象，可以使用該對象建立Lucene索引，并把它寫到磁盤上。Lucene非常靈活，它有許多選項。這里，我們只是在index目錄里面建立簡單的索引結(jié)構(gòu)：Directory directory=FSDirectory.getDirectory(index,true)；Analyzer analyser=new StandardAnalyze

50、r()；IndexWriter writer=new IndexWriter(directory,analyser,true)；接下來，需要為數(shù)據(jù)記錄建立索引。需要為每個記錄建立單獨的索引。用Lucene為記錄建立索引時，要為每個記錄創(chuàng)建文檔(Document)對象。要讓全文索引發(fā)揮作用，就要為Lucene提供可以建立索引的一些數(shù)據(jù)。最簡單的選項就是編寫一個方法，寫入記錄的全文描述(包括想要搜索的各項內(nèi)容)，然后使用這個值作為可搜索字段。這里，我們把這個字段稱為description?？梢酝ㄟ^為文檔添加字段(Field)類的新實例，來為字段建立索引，如下所示：Field field=new F

51、ield(field,value,Field.Store.NO,Field.Index.TOKENIZED)；doc.add(field)；可以選擇指定自己是否想保存該值供將來使用(Field.Store.YES)，還是只是為它建立索引(Field.Store.NO)。后一個選項適用于想建立索引、但以后不想檢索的大值。第四個參數(shù)表明想要如何為值建立索引。如果使用Field.Index.TOKENIZED，值就會被分析，讓Lucene可以更充分地利用功能強大的全文索引和搜索特性。正如我們會看到的那樣，缺點在于，無法按標(biāo)記化(tokenized)的字段對結(jié)果進行排序。如果想為字段建立索引，而不需要

52、先進行分析，那么Field.Index.UN_TOKENIZED很有用。如果只是想保存值，供將來使用，那么可以使用Field.Index.NO。下列代碼表明了如何為來自庫目錄的條目列表建立索引：List Item items=Catalog.getAllItems()；for(Item item：items)Document doc=new Document()；String description=item.getTitle+item.getAuthors()+item.getSummary().；doc.add(new Field(description,description,Field

53、.Store.NO,Field.Index.TOKENIZED)；.上述方法非常適用于全文搜索，但有時候也需要按特定字段進行更加準(zhǔn)確的搜索?？伤阉髯侄螒?yīng)當(dāng)是標(biāo)記化的，不過它們確實不需要保存起來(除非想直接從Lucene文檔獲得字段值)。設(shè)想一下：如果需要根據(jù)庫目錄建立全文索引，目錄里面有成千上萬個條目，譬如圖書、文章、報紙、視頻和聲音等資料。下列代碼說明了如何按特定庫條目(這里是圖書)的書名和國際標(biāo)準(zhǔn)圖書編號添加可搜索的索引：doc.add(new Field(title,item.getTitle(),Field.Store.NO,Field.Index.TOKENIZED)；doc.add

54、(new Field(isbn,item.getISBNNumber(),Field.Store.NO,Field.Index.TOKENIZED)；doc.add(new Field(type,Item.BOOK,Field.Store.NO,Field.Index.TOKENIZED)；writer.addDocument(doc)；.writer.close()；有時候往往會需要在表中顯示搜索結(jié)果，讓用戶可以按列對結(jié)果進行排序。這可以用Lucene來完成，不過有一個問題：字段必須是UN_TOKENIZED。這意味著，無法對可搜索的索引進行排序：需要添加有著不同名字的另一個索引。辦法之一就

55、是用某種易于識讀的方式為字段名添加前綴，如下所示：/按照書名字段的可搜索索引doc.add(new Field(sort-on-title,book.getTitle(),Field.Store.YES,Field.Index.UN_TOKENIZED)；/按照國際標(biāo)準(zhǔn)圖書編號字段的可搜索索引doc.add(new Field(sort-on-isbn,book.getISBNNumber(),Field.Store.YES,Field.Index.UN_TOKENIZED)；全文搜索Lucene的全文搜索比較容易實現(xiàn)。典型的Lucene全文搜索如下所示：Searcher is=indexer

56、.getIndexSearcher()；QueryParser parser=indexer.getQueryParser(description)；Query query=parser.parse(Some full-text search terms)；Hits hits=is.search(query)；這里，我們使用索引程序按描述(description)字段執(zhí)行全文搜索。Lucene返回搜索結(jié)果(Hits)對象，我們可以使用該對象獲得匹配文檔，如下所示：for(int i=0；i searchResults.length()；i+)Document doc=searchResults.doc(i)；String title=(String)doc.getField(title)；System.out.println(title)；對這部分代碼進行擴充以實現(xiàn)多重標(biāo)準(zhǔn)搜索需要多一些工作量。我們這里使用的關(guān)鍵字類是過濾器(Filter)類，顧名思義，這個類可以對搜索結(jié)果進行過濾。過濾器類實際上是一個抽象類。有幾種類型的過濾器類可以定義準(zhǔn)確的過濾操作。QueryFilter