精华内容
参与话题
问答
  • 全文检索

    万次阅读 2018-08-14 08:40:24
    本文我将为大家讲解全文检索技术——Lucene,现在这个技术用到的比较多,我觉得大家还是应该掌握一下,不说多精通,但是应该有所了解。在讲解之前,我们先来看一个案例,通过该案例引出全文检索技术——Lucene。 ...

    本文我将为大家讲解全文检索技术——Lucene,现在这个技术用到的比较多,我觉得大家还是应该掌握一下,不说多精通,但是应该有所了解。在讲解之前,我们先来看一个案例,通过该案例引出全文检索技术——Lucene。

    案例

    实现一个文件的搜索功能,通过关键字搜索文件,凡是文件名或文件内容包括关键字的文件都需要找出来。还可以根据中文词语进行查询,并且需要支持多个条件查询。本案例中的原始内容就是磁盘上的文件,如下图: 
    这里写图片描述

    需求分析

    数据库搜索

    数据库中的搜索很容易实现,通常都是使用sql语句进行查询,而且能很快的得到查询结果。为什么数据库搜索很容易呢?因为数据库中的数据存储是有规律的,有行有列而且数据格式、数据长度都是固定的。

    数据分类

    我们生活中的数据总体分为两种:结构化数据和非结构化数据。

    • 结构化数据:指具有固定格式或有限长度的数据,如数据库中的数据,元数据等。
    • 非结构化数据:指不定长或无固定格式的数据,如邮件,word文档等磁盘上的文件。

    非结构化数据查询方法

    1. 顺序扫描法(Serial Scanning) 
      所谓顺序扫描,比如要找内容包含某一个字符串的文件,就是一个文档一个文档的看,对于每一个文档,从头看到尾,如果此文档包含此字符串,则此文档为我们要找的文件,接着看下一个文件,直到扫描完所有的文件。如利用windows的搜索也可以搜索文件内容,只是相当的慢。
    2. 全文检索(Full-text Search) 
      将非结构化数据中的一部分信息提取出来,重新组织,使其变得有一定结构,然后对此有一定结构的数据进行搜索,从而达到搜索相对较快的目的。这部分从非结构化数据中提取出的然后重新组织的信息,我们称之索引。 
      例如:字典。字典的拼音表和部首检字表就相当于字典的索引,对每一个字的解释是非结构化的,如果字典没有音节表和部首检字表,在茫茫辞海中找一个字只能顺序扫描。然而字的某些信息可以提取出来进行结构化处理,比如读音,就比较结构化,分声母和韵母,分别只有几种可以一一列举,于是将读音拿出来按一定的顺序排列,每一项读音都指向此字的详细解释的页数。我们搜索时按结构化的拼音搜到读音,然后按其指向的页数,便可找到我们的非结构化数据——也即对字的解释。 
      这种先建立索引,再对索引进行搜索的过程就叫全文检索(Full-text Search)。 
      虽然创建索引的过程也是非常耗时的,但是索引一旦创建就可以多次使用,全文检索主要处理的是查询,所以耗时间创建索引是值得的。

    如何实现全文检索

    可以使用Lucene实现全文检索。Lucene是apache下的一个开放源代码的全文检索引擎工具包(提供了Jar包,实现全文检索的类库)。它提供了完整的查询引擎和索引引擎,部分文本分析引擎。Lucene的目的是为软件开发人员提供一个简单易用的工具包,以方便地在目标系统中实现全文检索的功能。 
    注意:Lucene只是一个引擎,只是一个工具包,如果使用Lucene开发全文检索功能,要记住Lucene是不能单独运行的

    全文检索技术的应用场景

    对于数据量大、数据结构不固定的数据可采用全文检索方式搜索。例如:

    • 使用全文检索技术可以实现搜索引擎(百度、google…),搜索引擎可以搜索互联网上所有的内容(网页、pdf电子书、视频、音乐)。 
      Lucene和搜索引擎的区别:搜索引擎是对外提供全文检索服务,是可以单独运行的。Lucene只是一个工具包不能单独运行,需要在project中加入lucene的jar包,最终project在JVM中运行。
    • 使用全文检索技术可以实现站内搜索,站内搜索只能搜索本网站的信息(网页、pdf电子书、视频、音乐、关系数据库中的信息等等),比如:电商网站搜索商品信息,论坛网站搜索网内帖子。

    Lucene实现全文检索的流程

    索引和搜索流程图

    索引和搜索流程图如下: 
    这里写图片描述
    1. 绿色表示索引过程,对要搜索的原始内容进行索引构建一个索引库,索引过程包括:确定原始内容即要搜索的内容→采集文档→创建文档→分析文档→索引文档。 
    2. 红色表示搜索过程,从索引库中搜索内容,搜索过程包括:用户通过搜索界面→创建查询→执行搜索,从索引库搜索→渲染搜索结果。

    从上面了解到的知识点也可看出,索引和搜索流程图也可表示为: 
    这里写图片描述 
    总结:全文检索过程分为索引、搜索两个过程:

    • 索引 
      1. 从关系数据库中、互联网上、文件系统采集源数据(要搜索的目标信息),源数据的来源是很广泛的。
      2. 将源数据采集到一个统一的地方,要创建索引,将索引创建到一个索引库(文件系统)中,从源数据库中提取关键信息,从关键信息中抽取一个一个,词和源数据是有关联的。也即创建索引时,词和源数据有关联,索引库中记录了这个关联,如果找到了词就说明找到了源数据(http的网页、pdf电子书等……)。
    • 搜索 
      1. 用户执行搜索(全文检索)编写查询关键字。
      2. 从索引库中搜索索引,根据查询关键字搜索索引库中的一个一个词
      3. 展示搜索的结果。

    创建索引

    对文档索引的过程,将用户要搜索的文档内容进行索引,索引存储在索引库(index)中。 
    这里我们要搜索的文档是磁盘上的文本文件,根据案例描述:凡是文件名或文件内容包括关键字的文件都要找出来,这里要对文件名和文件内容创建索引。

    获得原始文档

    原始文档是指要索引和搜索的内容。原始内容包括互联网上的网页、数据库中的数据、磁盘上的文件等。本案例中的原始内容就是磁盘上的文件,如下图: 
    这里写图片描述
    从互联网上、数据库、文件系统中等数据源处获取需要搜索的原始信息,这个过程就是信息采集,信息采集的目的是为了对原始内容进行索引。针对不同的源数据,使用不同的技术进行采集获得原始文档:

    1. 针对互联网上的数据,使用http协议抓取html网页到本地,生成一个html文件。
    2. 针对关系数据库中的数据,连接数据库读取表中的数据。
    3. 针对文件系统中的数据,通过流读取文件系统的文件。

    以上技术中使用第一种较多,因为目前全文检索主要搜索数据的来源是互联网,在Internet上采集信息的软件通常称为爬虫或蜘蛛,也称为网络机器人,爬虫访问互联网上的每一个网页,将获取到的网页内容存储起来,所以搜索引擎使用一种爬虫程序抓取网页( 通过http抓取html网页信息)。 
    Lucene不提供信息采集的类库,需要自己编写一个爬虫程序实现信息采集,也可以通过一些开源软件实现信息采集,以下是一些爬虫项目(了解):

    • Solr(http://lucene.apache.org/solr),solr是apache的一个子项目,支持从关系数据库、xml文档中提取原始数据。
    • Nutch(http://lucene.apache.org/nutch), Nutch是apache的一个子项目,包括大规模爬虫工具,能够抓取和分辨web网站数据。
    • jsoup(http://jsoup.org/ ),jsoup是一款Java的HTML解析器,可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的API,可通过DOM,CSS以及类似于jQuery的操作方法来取出和操作数据。
    • Heritrix(http://sourceforge.net/projects/archive-crawler/files/),Heritrix是一个由java开发的、开源的网络爬虫,用户可以使用它来从网上抓取想要的资源。其最出色之处在于它良好的可扩展性,方便用户实现自己的抓取逻辑。

    本案例我们要获取磁盘上文件的内容,可以通过文件流来读取文本文件的内容,对于pdf、doc、xls等文件可通过第三方提供的解析工具读取文件内容,比如Apache POI读取doc和xls的文件内容。

    创建文档对象

    获取原始内容的目的是为了索引,在索引前需要将原始内容创建成文档(Document),文档中包括一个一个的域(Field),域中存储内容。 
    这里我们可以将磁盘上的一个文件当成一个Document,Document中包括一些Field(file_name文件名称、file_path文件路径、file_size文件大小、file_content文件内容),如下图: 
    这里写图片描述 
    注意:每个Document可以有多个Field,不同的Document可以有不同的Field,同一个Document可以有相同的Field(域名和域值都相同)。每个文档都有一个唯一的编号,就是文档id

    分析文档

    将原始内容创建为包含域(Field)的文档(Document),需要再对域中的内容进行分析,分析的过程是经过对原始文档提取单词、将字母转为小写、去除标点符号、去除停用词(没有意义的单词)等过程生成最终的语汇单元,可以将语汇单元理解为一个一个的单词。 
    例如,原始文档内容如下:

    Lucene is a Java full-text search engine. Lucene is not a complete 
    application, but rather a code library and API that can easily be used 
    to add search capabilities to applications.

    上边的文档经过分析得出的语汇单元为:

    lucene、java、full、search、engine……

    每个单词叫做一个Term,不同的域中拆分出来的相同的单词是不同的Term(同一个域中拆分出来的相同的单词是同一个Term)。Term中包含两部分内容,一部分是文档的域名,另一部分是单词的内容。 
    例如:文件名中包含的apache和文件内容中包含的apache是不同的Term。

    创建索引

    对所有文档分析得出的语汇单元进行索引,索引的目的是为了搜索,最终要实现只搜索被索引的语汇单元从而找到Document(文档)。 
    这里写图片描述 
    注意:创建索引是对语汇单元索引,通过词语找文档,这种索引的结构叫倒排索引结构。传统方法是根据文件找到该文件的内容,在文件内容中匹配搜索关键字,这种方法是顺序扫描方法,数据量大、搜索慢。 
    倒排索引结构是根据内容(词语)找文档,如下图: 
    这里写图片描述 
    倒排索引结构也叫反向索引结构,包括索引和文档两部分,索引即词汇表,它的规模较小,而文档集合较大

    查询索引

    查询索引也是搜索的过程。搜索就是用户输入关键字,从索引(index)中进行搜索的过程。根据关键字搜索索引,根据索引找到对应的文档,从而找到要搜索的内容(这里指磁盘上的文件)。

    用户查询接口

    全文检索系统提供用户搜索的界面供用户提交搜索的关键字,搜索完成展示搜索结果。比如: 
    这里写图片描述
    Lucene不提供制作用户搜索界面的功能,需要根据自己的需求开发搜索界面。

    创建查询

    用户输入查询关键字执行搜索之前需要先构建一个查询对象,查询对象中可以指定查询要搜索的Field文档域、查询关键字等,查询对象会生成具体的查询语法。例如,语法 “fileName:lucene”表示要搜索Field域的内容为“lucene”的文档。

    执行查询

    搜索索引过程:根据查询语法在倒排索引词典表中分别找出对应搜索词的索引,从而找到索引所链接的文档链表。例如,搜索语法为“fileName:lucene”表示搜索出fileName域中包含Lucene的文档。搜索过程就是在索引上查找域为fileName,并且关键字为Lucene的Term,并根据Term找到文档id列表。 
    这里写图片描述

    这里写图片描述
    索引域:索引域是用于搜索的,搜索程序将从索引域中搜索一个一个词,根据词找到对应的文档。之所以根据词可以找到文档,是因为词是从Document中的Field内容抽取出来的。将Document中的Field的内容进行分词,将分好的词创建索引,索引=Field域名:词(表示从Document中的哪个Field抽取的词)。

    渲染结果

    以一个友好的界面将查询结果展示给用户,用户根据搜索结果找自己想要的信息,为了帮助用户很快找到自己的结果,提供了很多展示的效果,比如搜索结果中将关键字高亮显示,百度提供的快照等。 
    这里写图片描述

    展开全文
  • 全文检索

    2016-07-01 19:16:06
    全文检索(full-text search),是指从文本或数据库中,不限定资料字段,自由地萃取出讯息的技术。 而搜索引擎(search engine),是指执行全文检索任务的程序,一般称作搜索引擎(search engine),它将使用者随意输入的...
    全文检索(full-text search),是指从文本或数据库中,不限定资料字段,自由地萃取出讯息的技术。 而搜索引擎(search engine),是指执行全文检索任务的程序,一般称作搜索引擎(search engine),它将使用者随意输入的文字,试图从数据库中,找到符合的内容

    <li> 标签定义列表项目。
    <li> 标签可用在有序列表 (<ol>) 和无序列表 (<ul>) 中。

    CSS中,可以用伪类来改变背景图片,一般有几种状态:
    a:link 未访问时候的状态
    a:hover 鼠标放上去时候的状态
    a:visited 已访问的状态
    a:active 鼠标按下去时候的状态

    你只要根据这几点来写就可以,你要点击后改变背景,可以这样写:
    a:link{background:url(原来的图片) no-repeat;}a:visited{background:url(点击过的图片) no-repeat;}
    展开全文
  • 全文检索工具

    2013-01-07 16:16:39
    全文检索工具,支持中文,支持文本、PDF、word...需首先对要检索的目录建立索引,之后即可进行全文检索,可显示含检索词的全部文件,点击文件即可浏览,对检索词高亮显示,可在检索词间跳转,一款非常好用的检索工具。
  • 我因为做项目去年也开始学习全文检索的内容,并通过自己的实际开发,对全文检索的算法有了较深入的了解,这里一并写成PPT,作为附件放在程序开发包里供大家参考。我很讨厌写算法就复制粘贴代码的人,不同的语言环境...
  • 快速学习到最新版本的全文检索技术,从视频、文章、圈子、粉丝交流等快速促进学习 2.通过该技术,获得面试进阶指导 3.结交人脉(庞大的粉丝群) .. End 初期学员100人,价格不会太高...
  • 全文检索工具DocFetcher

    2013-01-07 15:40:10
    全文检索工具,支持文本、PDF、word、excel、ppt等多种格式进行全文检索。需Java环境支持,对要检索的目录先建立索引,索引建立后可进行全文检索,可列出含检索词的所有文件,点击文件即可显示,对检索词进行高亮...
  • 使用布尔值模式进行全文检索,最后查询无结果 ![图片说明](https://img-ask.csdn.net/upload/201707/08/1499496954_327723.png) SELECT u.id,u.user_no as userNo,u.uname,u.mobile,u.email,u.tname,u.regtime,u....
  • 全文检索:计算机索引程序扫描文章中的每一个词,对每一个词建立索引,指明该词在文章中出现的次数和位置,当用户查询时,检索程序根据实现建立的索引进行查找,并将查找的结果返回给用户的检索方式。 全文检索的...

          全文检索:计算机索引程序扫描文章中的每一个词,对每一个词建立索引,指明该词在文章中出现的次数和位置,当用户查询时,检索程序根据实现建立的索引进行查找,并将查找的结果返回给用户的检索方式。

          全文检索的方法包括按字检索和按词检索两种:

    1. 按字检索:对文章中的每一个字建立索引,由于字具有不同的含义,因此这种方式效果不佳。
    2. 按词索引:对文章中的词,即语义单位建立索引,检索时按词检索,并且可以处理同义项。此方式下需要分词,中文分词比较复杂。

           全文检索系统:按照全文检索理论建立起来的提供全文检索服务的系统。基本功能包括建立索引,提供查询。此外,现在的全文检索系统还需要具有方便的用户借口,面向WWW的开发接口,二次应用开发接口等。功能上全文检索系统核心具有建立索引,处理查询返回结果集,增加索引,优化索引结构等功能;结构上,全文检索系统具有索引引擎、查询引擎、文本分析引擎、对外借口等。

    展开全文
  • lucene 全文检索

    2012-02-22 11:06:16
    lucene 全文检索 ,内含对word,excel,ppt,pdf封装接口,全文检索demo
  • 全文检索参考

    2012-01-15 22:48:28
    全文检索文档全文检索文档全文检索文档全文检索文档全文检索文档
  • Lucene是apache软件基金会4 jakarta项目组的一个子项目,是一个开放源代码的全文检索引擎工具包,即它不是一个完整的全文检索引擎,而是一个全文检索引擎的架构,提供了完整的查询引擎和索引引擎,部分文本分析引擎...
  • 1、Lucene框架的熟练应用实现类似百度、京东商城等应用的全文检索效果; 1、Solr简介 2、Solr下载安装以及目录结构介绍 3、Solr应用部署至Tomcat服务器 4、Solr后台...
  • 纯Java全文检索

    2018-11-19 16:08:50
    本项目使用了 Lucene 的一些技术,利用 Lucene 建立索引并在该索引上进行搜索。希望本项目能够为学习 Lucene ,以及为做全文检索的读者、开发者提供帮助。

空空如也

1 2 3 4 5 ... 20
收藏数 15,938
精华内容 6,375
关键字:

全文检索