阅读 1870

lucene系列(一)什么是Lucene

前言

上一个系列还没有完结,我又来开新坑啦~

接触搜索/推荐相关工作,也有两年了。工作里对lucene的接触不少,却也不精。最近工作里没有那么忙,因此想通过学习源码的方式,来对lucene进行一个系统的学习。

此外,听闻lucene源码堪称面对对象设计届的典范,也想从中吸收一些代码设计/开发方面的知识。最近老是感觉自己写的代码有问题,想尝试优化却感觉非常吃力,经常一顿操作下来提升的很有限。

lucene简介

以下内容来自维基百科:

Lucene是一套用于全文检索和搜索的开放源码程序库,由Apache软件基金会支持和提供。Lucene提供了一个简单却强大的应用程序接口,能够做全文索引和搜索。Lucene是现在最受欢迎的免费Java信息检索程序库。

全文检索(Full Text Retrieval)全文检索是指以全部文本信息作为检索对象的一种信息检索技术。最为常见的全文检索搜索引擎就是google和百度了,他们通过对互联网上的所有网页内容进行分析,索引,提供给我们秒级的搜索体验。其次,当前移动端各种APP,很多都内置了搜索功能,这些也是垂直领域的搜索实现。他们与google/百度的区别就是,只提供当前APP内信息的搜索,而不是互联网上的所有网页。

假设有10篇文章,每一篇都有标题和正文。当我们想找到正文中包含原子能的对应文章时,我们应该怎么做?

首先,最粗暴的办法,我们可以顺序读取每一篇文章,逐个字符进行判断,如果其中有连续的三个字符是 原子能,我们就记录下来这篇文章的标题,如此全部扫描一遍,我们就完成了一次搜索。

这个方法是相当简单粗暴,且有效的。在计算机性能十分强劲的情况下,对于1G的文件进行搜索,都可以使用这个方法(Linux下的grep命令,经常使用的话应该知道即使在GB级别的文件做些简单的搜索,通常性能也是能接受的)。

但是,数据量会远大于1G,搜索的要求也更加复杂,不是简单的字符串匹配,而是多种条件的组合。此时就需要全文搜索了。

像google这种搜索引擎,可以在0.5s的时间,搜索到与"全文搜索引擎"相关的1230w结果,这显然使用的不是顺序的逐个字符对比,而是类似于lucene的全文搜索了。 2020-12-23-22-01-48

lucene能做到在秒级对大量数据进行查询,依赖的就是被称之为索引的结构。对于索引的理解,有很多现成的例子,比如在很多书籍后,都会提供一个关键词到页码的映射,这就是一种索引,可以让我们不用通读整本书,就能找到自己关心的部分。

在《数学之美》这本书中,作者认为全文检索的本质就是布尔代数。随着对全文检索的逐渐深入了解,越来越觉得这句话的精准,在全文检索的索引/搜索阶段,根本原理就是最简单的布尔代数,剩下的只是工程实现的复杂度问题了。

lucene-beta

lucene 目前已经在开发9.0版本了,整个工程分为多个模块,十分复杂。

在学习lucene源码之前,我一直在想,应该以什么路线去学习lucene,总不能随机找一个类开始看吧,那样怕是会陷入细节的汪洋大海中。

最初的想法是,从构建索引开始,走构建索引->写入磁盘->搜索请求->query分析->相关性打分->返回结果这条路线,逐步学习。

后来突然产生了一个大胆的想法,我想尝试抽象全文检索的本质,写一个各方面都最简单的全文检索工具(最好只有一两个类的那么简单),之后就这个工具的各个方面如何进化成lucene的对应模块,各种缺陷lucene是如何改进的, 来进行lucene的学习。

这就是这节的标题lucene-beta的来源。

在我的预期中,这样做应该会有两个优点:

  1. 能够更加贴近本质,不至于在局部的细节中迷失。
  2. 从问题推向结论,更加符合情理。能够更加深刻的感受到如此这般的必要性。如无必要,那么单纯炫技又有什么意思呢?
public class LuceneBeta {
    private static final Logger logger = LoggerFactory.getLogger(LuceneBeta.class);

    public static void main(String[] args) {
        LuceneBeta beta = new LuceneBeta();
        String[] arr = new String[]{"原子能研究所", "原子弹威力很大"};
        Map<Character, int[]> index = beta.build(arr);
        int[] searchRet = beta.search('威', index);
        System.out.println(Arrays.toString(searchRet));
    }

    /**
     * 对传入的字符串数组进行字符级别的构建索引
     */
    public Map<Character, int[]> build(String[] arr) {
        Set<Character> all = new HashSet<>();
        for (String s : arr) {
            for (char c : s.toCharArray()) {
                all.add(c);
            }
        }
        Map<Character, int[]> index = new HashMap<>();

        for (Character c : all) {
            int[] perContains = new int[arr.length];
            for (int w = 0; w < arr.length; w++) {
                if (arr[w].contains(String.valueOf(c))) {
                    perContains[w] = 1;
                } else {
                    perContains[w] = 0;
                }
            }
            index.put(c, perContains);
        }

        logger.info("build {} strings. indexed: ", arr.length);
        for (Map.Entry<Character, int[]> e : index.entrySet()) {
            logger.info("{} ==> {}", e.getKey(), Arrays.toString(e.getValue()));
        }
        return index;
    }


    /**
     * 查询目标字符都在哪些字符串中出现过
     */
    public int[] search(char target, Map<Character, int[]> index) {
        if (!index.containsKey(target)) {
            return null;
        }
        int[] ints = index.get(target);
        int[] tmp = new int[index.size()];
        int j = 0;
        for (int i = 0; i < ints.length; i++) {
            if (ints[i] == 1) {
                tmp[j] = i;
                j++;
            }
        }
        int[] ret = new int[j];
        System.arraycopy(tmp, 0, ret, 0, j);
        return ret;
    }

}

复制代码

说要简单,那就要简单到底,全部代码70行。它实现了什么功能呢?

在给定的一系列字符串中,可以搜索某个字符出现的所有字符串编号

google可以根据你给的关键字找到对应的网页, 上面的代码可以根据你提供的关键字符,查找对应的字符串, 源码已经开发了,就等融资上市了,我就是下一个google...

虽然上面的代码极其简单,但是为了后续对应lucene的分析,我还是要认真的归纳其中的每一个步骤。

上面的程序中,分为两个部分,即两个方法build 和 search.

首先是build过程:

  1. 遍历输入的字符串,拿到所有出现的字符。
  2. 对于每一个字符,统计一个字符数组,其中每一位代表当前字符在该编号的字符串中是否出现。1代表出现,0代表未出现。 如"原"在输入的两个字符串中均有出现,那么它对应的统计数组就是[1,1].
  3. 将所有的字符及其统计数组,作为一份"索引"返回。

search过程

  1. 如果输入的字符不存在,直接返回空
  2. 取出对应该字符的统计数组,由二进制的表示办法,还原成原始的字符串编号。
  3. 返回所有出现该字符的字符串编号。

lucene源码架构介绍

lucene 作为一个成熟的开源软件,其包括了多个模块,其中最核心的是lucene.core包。其中又分为以下几个目录:

2020-12-24-16-21-40

其中:

  • org.apache.lucene.analysis 主要负责词法分析及语言处理.
  • org.apache.lucene.codecs 主要负责文本内容到倒排索引的编码和解码.
  • org.apache.lucene.document 提供了对用户内容的抽象Document,及Fields.
  • org.apache.lucene.index 主要负责对索引的读写。
  • org.apache.lucene.search 主要负责搜索过程。
  • org.apache.lucene.store 主要负责索引的持久化等内容。
  • org.apache.lucene.util 工具包。

结语

本文实现了极简版的lucene-beta, 当然不是为了真的替代lucene。只是对全文搜索做一个简单的抽象,用简单的功能映射lucene优秀的实现. 逐一的去学习。

最后一个小节简单的介绍了lucene.core包下的几个目录,后续的主要源码学习,将以lucene-beta中的问题为引导,分模块的逐步进行。

lucene 源码学习,正式开始啦~


完。


联系我

最后,欢迎关注我的个人公众号【 呼延十 】,会不定期更新很多后端工程师的学习笔记。 也欢迎直接公众号私信或者邮箱联系我,一定知无不言,言无不尽。



以上皆为个人所思所得,如有错误欢迎评论区指正。

欢迎转载,烦请署名并保留原文链接。

联系邮箱:huyanshi2580@gmail.com

更多学习笔记见个人博客或关注微信公众号 <呼延十 >------>呼延十

文章分类
后端
文章标签