一步一步學lucene——（第四步：搜索篇）

下面說的主要是lucene如何進行搜索，相比於建索引，搜索可能更能提起大家的興趣。

lucene的主要搜索的API

下面通過表格來看一下lucene用到的主要的搜索API

類	目的
IndexSeacher	搜索操作的入口，所有搜索操作都是通過IndexSeacher實例使用一個重載的search方法來實現
Query(及其子類)	具體的Query子類為每一種特定類型的查詢進行邏輯上的封裝。Query實例被傳遞到IndexSearcher的search方法中
QueryParser	將用戶輸入的（並且可讀的）查詢表達式處理為一個具體的Query對象
TopDocs	保持由IndexSearcher.search()方法返回的具有較高評分的頂部文檔
ScoreDoc	提供對TopDocs中每條搜索結果的訪問接口

 

對特定項進行搜索

其中IndexSearcher是對索引中文檔進行搜索的核心類，我們下面的例子中就會對subject域進行索引，使用的是Query的子類TermQuery。

測試程序如下：

  public void testTerm() throws Exception {
    Directory dir = TestUtil.getBookIndexDirectory(); //A
    IndexSearcher searcher = new IndexSearcher(dir);  //B

    Term t = new Term("subject", "ant");
    Query query = new TermQuery(t);
    TopDocs docs = searcher.search(query, 10);
    assertEquals("Ant in Action",                //C
                 1, docs.totalHits);                         //C

    t = new Term("subject", "junit");
    docs = searcher.search(new TermQuery(t), 10);
    assertEquals("Ant in Action, " +                                 //D
                 "JUnit in Action, Second Edition",                  //D
                 2, docs.totalHits);                                 //D

    searcher.close();
    dir.close();
  }

當然在不同的情況下你可以改變其中的代碼來搜索你想要的東西。

解析用戶查詢

lucene中解析用戶的查詢需要一個Query對象作為參數。那么也就是將Expression組合成Query的過程，這里邊有一個對象叫QueryParser，它將前面傳過來的規則的解析成對象然后進行查詢。下面我們看下流程是如何處理的:

　　　　　　　　　　　　圖：QueryParser對象處理復雜的表達式的過程

下面看一個程序示例，這個是基於lucene 3.0的，在后面的版本中會有所變化。

程序結構如下：

public void testQueryParser() throws Exception {
    Directory dir = TestUtil.getBookIndexDirectory();
    IndexSearcher searcher = new IndexSearcher(dir);

    QueryParser parser = new QueryParser(Version.LUCENE_30,      //A
                                         "contents",                  //A
                                         new SimpleAnalyzer());       //A

    Query query = parser.parse("+JUNIT +ANT -MOCK");                  //B
    TopDocs docs = searcher.search(query, 10);
    assertEquals(1, docs.totalHits);
    Document d = searcher.doc(docs.scoreDocs[0].doc);
    assertEquals("Ant in Action", d.get("title"));

    query = parser.parse("mock OR junit");                            //B
    docs = searcher.search(query, 10);
    assertEquals("Ant in Action, " + 
                 "JUnit in Action, Second Edition",
                 2, docs.totalHits);

    searcher.close();
    dir.close();
  }

其實主要就是A和B兩部分，將規則解析成lucene能識別的表達式。

下面的表格中列出了查詢表達式的范例：

表達式	匹配文檔
java	在字段中包含java
java junit java or junit	在字段中包含java或者junit
+java +junit java and junit	在字段中包含java以及junit
title:ant	在title字段中包含ant
title:extreme -subject:sports title:extreme AND NOT subject:sports	在title字段中包含extreme並且在subject字段中不能包含sports
(agile OR extreme) AND methodology	在字段中包含methodology並且同時包括agile或者extreme
title:"junit in action"	在title字段中包含junit in action
title:"junit action"~5	包含5次junit和action
java*	包含以java開頭的，例如：javaspaces,javaserver
java~	包含和java相似的，如lava
lastmodified:[1/1/04 TO 12/31/04]	在lastmodified字段中值為2004-01-01到2004-12-31中間的

接下來測試一下QueryParser的各個表達式，程序結構如下：

public class TestQueryParser {

    public static void main(String[] args) throws Exception {

        String[] id = { "1", "2", "3" };
        String[] contents = { "java and lucene is good",
                "I had study java and jbpm",
                "I want to study java,hadoop and hbase" };

        Directory directory = new RAMDirectory();
        IndexWriter indexWriter = new IndexWriter(directory,
                new IndexWriterConfig(Version.LUCENE_36, new StandardAnalyzer(
                        Version.LUCENE_36)));
        for (int i = 0; i < id.length; i++) {
            Document document = new Document();
            document.add(new Field("id", id[i], Field.Store.YES,
                    Field.Index.ANALYZED));
            document.add(new Field("contents", contents[i], Field.Store.YES,
                    Field.Index.ANALYZED));
            indexWriter.addDocument(document);
        }
        indexWriter.close();

        System.out.println("String is :java");
        search(directory, "java");

        System.out.println("\nString is :lucene");
        search(directory, "lucene");

        System.out.println("\nString is :+java +jbpm");
        search(directory, "+java +jbpm");

        System.out.println("\nString is :+java -jbpm");
        search(directory, "+java -jbpm");

        System.out.println("\nString is :java jbpm");
        search(directory, "java jbpm");

        System.out.println("\nString is :java AND jbpm");
        search(directory, "java AND jbpm");

        System.out.println("\nString is :java or jbpm");
        search(directory, "java or jbpm");
    }

    public static void search(Directory directory, String str) throws Exception {
        IndexSearcher indexSearcher = new IndexSearcher(directory);
        Analyzer analyzer = new StandardAnalyzer(Version.LUCENE_34);
        QueryParser queryParser = new QueryParser(Version.LUCENE_34,
                "contents", analyzer);
        Query query = queryParser.parse(str);
        TopDocs topDocs = indexSearcher.search(query, 10);
        ScoreDoc[] scoreDoc = topDocs.scoreDocs;
        for (int i = 0; i < scoreDoc.length; i++) {
            Document doc = indexSearcher.doc(scoreDoc[i].doc);
            System.out.println(doc.get("id") + " " + doc.get("contents"));
        }
        indexSearcher.close();
    }
}

運行程序就會得到輸出結果。

搜索用到的各個類的相互關系

我想看圖應該會比較清晰，下面的圖比較清晰的組合了程序的結構：

　　　　　　圖：搜索用到的各個類的相互關系

搜索結果分頁

其實這個所謂的分頁跟數據庫的分頁功能差不多，只是一個是從數據庫中讀取數據，而一個是從索引文件中找到對應的數據。

在lucene搜索分頁過程中,可以有兩種方式：

• 一種是將搜索結果集直接放到session中,但是假如結果集非常大,同時又存在大並發訪問的時候,很可能造成服務器的內存不足,而使服務器宕機
• 還有一種是每次都重新進行搜索,這樣雖然避免了內存溢出的可能,但是,每次搜索都要進行一次IO操作,如果大並發訪問的時候,你要保證你的硬盤的轉速足夠的快,還要保證你的cpu有足夠高的頻率

而我們可以將這兩種方式結合下,每次查詢都多緩存一部分的結果集,翻頁的時候看看所查詢的內容是不是在已經存在在緩存當中,如果已經存在了就直接拿出來,如果不存在,就進行查詢后,從緩存中讀出來。比如:現在我們有一個搜索結果集 一個有100條數據,每頁顯示10條,就有10頁數據。按照第一種的思路就是,我直接把這100條數據緩存起來,每次翻頁時從緩存種讀取而第二種思路就是,我直接從搜索到的結果集種顯示前十條給第一頁顯示,第二頁的時候,我在查詢一次,給出10-20條數據給第二頁顯示,我每次翻頁都要重新查詢。

第三種思路就變成了

我第一頁僅需要10條數據,但是我一次讀出來50條數據,把這50條數據放入到緩存當中,當我需要10--20之 間的數據的時候,我的發現我的這些數據已經在我的緩存種存在了,我就直接存緩存中把數據讀出來,少了一次查詢,速度自然也提高了很多. 如果我訪問第六頁的數據,我就把我的緩存更新一次.這樣連續翻頁10次才進行兩次IO操作同時又保證了內存不容易被溢出.而具體緩存設置多少,要看你的服務器的能力和訪問的人數來決定。

下面是一個示例程序沒有做緩存，緩存的部分可以自己實現，也可以選擇ehcache等開源的實現。

程序結構如下：

public class TestPagation {

    public void paginationQuery(String keyWord, int pageSize, int currentPage)
            throws ParseException, CorruptIndexException, IOException {
        String[] fields = { "title", "content" };
        // 創建一個分詞器,和創建索引時用的分詞器要一致
        Analyzer analyzer = new StandardAnalyzer(Version.LUCENE_36);
        
        QueryParser queryParser = new MultiFieldQueryParser(Version.LUCENE_36,
                fields, analyzer);
        Query query = queryParser.parse(keyWord);
        
        // 打開索引目錄
        File indexDir = new File("./indexDir");
        Directory directory = FSDirectory.open(indexDir);

        IndexReader indexReader = IndexReader.open(directory);
        IndexSearcher indexSearcher = new IndexSearcher(indexReader);

        // TopDocs 搜索返回的結果
        TopDocs topDocs = indexSearcher.search(query, 100);// 只返回前100條記錄
        int totalCount = topDocs.totalHits; // 搜索結果總數量
        ScoreDoc[] scoreDocs = topDocs.scoreDocs; // 搜索返回的結果集合

        // 查詢起始記錄位置
        int begin = pageSize * (currentPage - 1);
        // 查詢終止記錄位置
        int end = Math.min(begin + pageSize, scoreDocs.length);

        // 進行分頁查詢
        for (int i = begin; i < end; i++) {
            int docID = scoreDocs[i].doc;
            Document doc = indexSearcher.doc(docID);
            int id = NumericUtils.prefixCodedToInt(doc.get("id"));
            String title = doc.get("title");
            System.out.println("id is : " + id);
            System.out.println("title is : " + title);
        }

    }
    
    public static void main(String[] args) throws CorruptIndexException, ParseException, IOException {
        TestPagation t = new TestPagation();
         //每頁顯示5條記錄，顯示第三頁的記錄
        t.paginationQuery("RUNNING",5,3);
    }

}

 

[源碼下載]

 

1. 一步一步學lucene——（第一步：概念篇）
2. 一步一步學lucene——（第二步：示例篇）
3. 一步一步學lucene——（第三步：索引篇）
4. 一步一步學lucene——（第四步：搜索篇）