Lucence的结构 - neuron - 计世博客

Lucence的结构

 
 
本文主要讨论Lucene的系统结构，希望对其结构的初步分析，更深入的了解Lucene的运作机制，从而实现对Lucene的功能扩展。
 
 
1． Lucene的包结构
 
 
 

 
如上图所示，Lucene源码中共包括7个子包，每个包完成特定的功能：
 
 
Lucene包结构功能表
 
包名
功能
org.apache.lucene.analysis
语言分析器，主要用于的切词，支持中文主要是扩展此类
org.apache.lucene.document
索引存储时的文档结构管理，类似于关系型数据库的表结构
org.apache.lucene.index
索引管理，包括索引建立、删除等
org.apache.lucene.queryParser
查询分析器，实现查询关键词间的运算，如与、或、非等
org.apache.lucene.search
检索管理，根据查询条件，检索得到结果
org.apache.lucene.store
数据存储管理，主要包括一些底层的I/O操作
org.apache.lucene.util
一些公用类
 
 
2． Lucene的主要逻辑图
 
 
 
Lucene功能强大，但从根本上说，主要包括两块：一是文本内容经切词后索引入库；二是根据查询条件返回结果。
以下是上述两大功能的逻辑图：
 
 
STORAGE
（存储器）
ACCESS INDEX
（访问索引）
SERACHER
（查询器）
ANALYZER
（语言分析器）
QUERY PARSER
（查询分析器）
DOCUMENT
（文档结构）
SEARCHER
（查询）
INDEXER
（入库）
 
FS
 
BDD
 
RAM
Lucene功能逻辑图


 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
查询逻辑
 
 
 
按先后顺序，查询逻辑可分为如下几步：
 
 
1．  查询者输入查询条件
条件之间可以通过特定运算符进行运算，比如查询希望查询到与“中国”和“北京”相关的记录，但不希望结果中包括“海淀区中关村”，于是输入条件为“中国+北京-海淀区中关村”；
2．  查询条件被传达到查询分析器中，分析器将将对“中国+北京-海淀区中关村”进行分析，首先分析器解析字符串的连接符，即这里的加号和减号，然后对每个词进行切词，一般最小的词元是两个汉字，则中国和北京两个词不必再切分，但对海淀区中关村需要切分，假设根据切词算法，把该词切分为“海淀区”和“中关村”两部分，则最后得到的查询条件可以表示为：“中国” AND “北京” AND NOT（“海淀区” AND “中关村”）。
3．  查询器根据这个条件遍历索引树，得到查询结果，并返回结果集，返回的结果集类似于JDBC中的ResultSet。
4．  将返回的结果集显示在查询结果页面，当点击某一条内容时，可以链接到原始网页，也可以打开全文检索库中存储的网页内容。
 
 
这就是查询的逻辑过程，需要说明的是，Lucene默认只支持英文，为了便于说明问题，以上查询过程采用中文举例，事实上，当Lucene被扩充支持中文后就是这么一个查询过程。
 
 
入库逻辑
 
 
 
入库将把内容加载到全文检索库中，按顺序，入库逻辑包括如下过程：
 
 
1．  入库者定义到库中文档的结构，比如需要把网站内容加载到全文检索库，让用户通过“站内检索”搜索到相关的网页内容。入库文档结构与关系型数据库中的表结构类似，每个入库的文档由多个字段构成，假设这里需要入库的网站内容包括如下字段：文章标题、作者、发布时间、原文链接、正文内容（一般作为网页快照）。
2．  包含N个字段的文档（DOCUMENT）在真正入库前需要经过切词（或分词）索引，切词的规则由语言分析器（ANALYZER）完成。
3．  切分后的“单词”被注册到索引树上，供查询时用，另外也需要也其它不需要索引的内容入库，所有这些是文件操作均由STORAGE完成。
 
 
以上就是记录加载流程，索引树是一种比较复杂的数据存储结构，将在后续章节陆续介绍，这里就不赘述了，需要说明的一点是，Lucene的索引树结构非常优秀，是Lucene的一大特色。
 
 
接下来将对Lucene的各个子包的结构进行讨论。
 
3． 语言分析包org.apache.lucene.analysis
 
 
 

 
 
Analyzer是一个抽象类，司职对文本内容的切分词规则。
 
 
切分后返回一个TokenStream，TokenStream中有一个非常重要方法next()，即取到下一个词。简单点说，通过切词规则，把一篇文章从头到尾分成一个个的词，这就是org.apache.lucene.analysis的工作。
 
 
对英文而言，其分词规则很简单，因为每个单词间都有一个空格，按空格取单词即可，当然为了提高英文检索的准确度，也可以把一些短语作为一个整体，其间不切分，这就需要一个词库，对德文、俄文也是类似，稍有不同。
 
 
对中文而言，文字之间都是相连的，没有空格，但我们同样可以把字切分，即把每个汉字作为一个词切分，这就是所谓的“切字”，但切字方式方式的索引没有意义，准确率太低，要想提高准确度一般都是切词，这就需要一个词库，词库越大准确度将越高，但入库效率越低。
 
 
若要支持中文切词，则需要扩展Analyzer类，根据词库中的词把文章切分。
 
 
简单点说，org.apache.lucene.analysis就是完成将文章切分词的任务。
 
 
 
 
4． 文档结构包org.apache.lucene.document
 

 
 
document包相对而言比较简单，该包下面就3个类，Document相对于关系型数据库的记录对象，主要负责字段的管理，字段分两种，一是Field，即文本型字段，另一个是日期型字段DateField。这个包中关键需要理解的是Field中字段存储方式的不同，这在上一篇中已列表提到，下面我们可以参见一下其详细的类图：
 
 

 
 
5． 索引管理包org.apache.lucene.index
 

 
 

 
 
索引包是整个系统核心，全文检索的的根本就为每个切出来的词建索引，查询时就只需要遍历索引，而不需要去正文中遍历，从而极大的提高检索效率，索引建设的质量关键整个系统的质量。Lucene的索引树是非常优质高效的，具体的索引树细节，将在后续章节中重要探讨。
 
 
在这个包中，主要学习IndexWriter和IndexReader这个类。
 
 
通过上一篇的初步应用可知，全文检索库的初始化和记录加载均需要通过该类来完成。
 
 
初始化全文库的语句为：
IndexWriter indexWriter = new IndexWriter(“全文库的目录位置”,new StandardAnalyzer(),true);
 
 
 
记录加载的语句为：indexWriter.addDocument(doc);
 
 
 
IndexWriter主要用于写库，当需要读取库内容时，就需要用到IndexReader这个类了。
 
 
 
6． 查询分析包org.apache.lucene.queryParser和检索包org.apache.lucene.search


 

 
 
 
 
通过查询分析器（queryParser）解析后，将返回一个查询对象（query），根据查询对象就可进行检索了。上图描述了query对象的生成，下图描述了查询结果集（Hits）的生成。

 
 
7． 存储包org.apache.lucene.store
 
 
 

 
 
一些底层的文件I/O操作。
 
 
8． 工具包org.apache.lucene.util
 

 
 
该包中包括4个工具类。
 
 
9． 总结
 
 
 
通过对Lucene源码包的分析，我们可以初步认识到Lucene的核心类包主要有3个：
 
 
l         org.apache.lucene.analysis
 
l         org.apache.lucene.index
 
l         org.apache.lucene.search
 
 
其中org.apache.lucene.analysis 主要用于切分词，切分词的工作由Analyzer的扩展类来实现，Lucene自带了StandardAnalyzer类，我们可以参照该写出自己的切词分析器类，如中文分析器等。
 
 
 
org.apache.lucene.index主要提供库的读写接口，通过该包可以创建库、添加删除记录及读取记录等。
 
 
 
org.apache.lucene.search主要提供了检索接口，通过该包，我们可以输入条件，得到查询结果集，与org.apache.lucene.queryParser包配合还可以自定义的查询规则，像google一样支持查询条件间的与、或、非、属于等复合查询。
本文引用通告地址(TrackBack Ping URL)为:
http://blog.ccw.com.cn/trackback.jsp?postID=8091
neuron 发表于 2006-03-07 14:03 | 评论（0）| 点击(147) | TrackBack(49)
标题：
内容：
用户： 密码： 校验码: