「这是我参与11月更文挑战的第3天，活动详情查看：2021最后一次更文挑战」
什么是全文检索
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，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
结构化数据搜索
常见的结构化数据也就是数据库中的数据。
在数据库中搜索很容易实现，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？
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。
非结构化数据查询方法
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。
全文检索(Full-text Search)
全文检索是指计算机索引程序通过扫描文章中的每一个词，对每一个词建立一个索引，指明该词在文章中出现的次数和位置，当用户查询时，检索程序就根据事先建立的索引进行查找，并将查找的结果反馈给用户的检索方法。这个过程类似于通过字典的目录查字的过程。
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。提供了完整的查询引擎和索引引擎，部分文本分析引擎（英文与德文两种西方语言）。Lucene的目的是为软件开发人员提供一个简单易用的工具包，以方便的在目标系统中实现全文检索的功能。
Lucene适用场景：
- 在应用中为数据库中的数据提供全文检索实现。
- 开发独立的搜索引擎服务、系统
Lucene的特性：
1.稳定、索引性能高
- 每小时能够索引150GB以上的数据
- 对内存的要求小，只需要1MB的堆内存
- 增量索引和批量索引一样快
- 索引的大小约为索引文本大小的20%~30%
2.高效、准确、高性能的搜索算法
- 良好的搜索排序
- 强大的查询方式支持：短语查询、通配符查询、临近查询、范围查询等
- 支持字段搜索（如标题、作者、内容）
- 可根据任意字段排序
- 支持多个索引查询结果合并
- 支持更新操作和查询操作同时进行
- 支持高亮、join、分组结果功能
- 速度快
- 可扩展排序模块，内置包含向量空间模型、BM25模型可选
- 可配置存储引擎
3.跨平台
- 纯java编写
- 作为Apache开源许可下的开源项目，你可以在商业或开源项目中使用
- Lucene有多种语言实现版（如C，C++、Python等），不仅仅是JAVA
Lucene架构：
全文检索的应用场景
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，
- 单机软件的搜索：word、markdown
- 站内搜索：京东、淘宝、拉勾，索引源是数据库
- 搜索引擎：百度、Google，索引源是爬虫程序抓取的数据
Lucene 实现全文检索的流程说明
索引和搜索流程图
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
创建索引
核心概念：
Document
用户提供的源是一条条记录，它们可以是文本文件、字符串或者数据库表的一条记录等等。一条记录经过索引之后，就是以一个Document的形式存储在索引文件中的。用户进行搜索，也是以Document列表的形式返回。
Field
一个Document可以包含多个信息域，例如一篇文章可以包含“标题”、“正文”、“最后修改时间”等信息域，这些信息域就是通过Field在Document中存储的。
Field有两个属性可选：存储和索引。通过存储属性你可以控制是否对这个Field进行存储；通过索引属性你可以控制是否对该Field进行索引。
如果对标题和正文进行全文搜索，所以我们要把索引属性设置为真，同时我们希望能直接从搜索结果中提取文章标题，所以我们把标题域的存储属性设置为真，但是由于正文域太大了，我们为了缩小索引文件大小，将正文域的存储属性设置为假，当需要时再直接读取文件；我们只是希望能从搜索解果中提取最后修改时间，不需要对它进行搜索，所以我们把最后修改时间域的存储属性设置为真，索引属性设置为假。上面的三个域涵盖了两个属性的三种组合，还有一种全为假的没有用到，事实上Field不允许你那么设置，因为既不存储又不索引的域是没有意义的。
Term
Term是搜索的最小单位，它表示文档的一个词语，Term由两部分组成：它表示的词语和这个词语所出现的Field的名称。
我们以拉勾招聘网站的搜索为例，在网站上输入关键字搜索显示的内容不是直接从数据库中来的，而是从索引库中获取的，网站的索引数据需要提前创建的。以下是创建的过程：
第一步： 获得原始文档：就是从mysql数据库中通过sql语句查询需要创建索引的数据
第二步： 创建文档对象（Document），把查询的内容构建成lucene能识别的Document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，文档中包括一个一个的域（Field），这个域对应就是表中的列。
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。
第三步： 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。
分好的词会组成索引库中最小的单元：term，一个term由域名和词组成
第四步： 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）。
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。
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。
倒排索引
倒排索引记录每个词条出现在哪些文档，及在文档中的位置，可以根据词条快速定位到包含这个词条的文档及出现的位置。
文档：索引库中的每一条原始数据，例如一个商品信息、一个职位信息
词条：原始数据按照分词算法进行分词，得到的每一个词
创建倒排索引，分为以下几步：
1）创建文档列表：
lucene首先对原始文档数据进行编号（DocID），形成列表，就是一个文档列表
2）创建倒排索引列表
对文档中数据进行分词，得到词条（分词后的一个又一个词）。对词条进行编号，以词条创建索引。然后记录下包含该词条的所有文档编号（及其它信息）。
搜索的过程：
当用户输入任意的词条时，首先对用户输入的数据进行分词，得到用户要搜索的所有词条，然后拿着这些词条去倒排索引列表中进行匹配。找到这些词条就能找到包含这些词条的所有文档的编号。然后根据这些编号去文档列表中找到文档
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
第一步：创建用户接口：用户输入关键字的地方
第二步：创建查询 指定查询的域名和关键字
第三步：执行查询
第四步：渲染结果（结果内容显示到页面上关键字需要高亮）
Lucene实战案例
需求说明
生成职位信息索引库，从索引库检索数据
创建数据库es，将sql脚本导入数据库执行。
准备开发环境
第一步：创建一个maven工程，已经学过Spring Boot，我们就创建一个SpringBoot项目
第二步：导入依赖
<!--spring boot 父启动器依赖-->
<parent>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-parent</artifactId>
<version>2.1.6.RELEASE</version>
</parent>
<dependencies>
<!--web依赖-->
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-web</artifactId>
</dependency>
<!--测试依赖-->
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-test</artifactId>
<scope>test</scope>
</dependency>
<!--lombok工具-->
<dependency>
<groupId>org.projectlombok</groupId>
<artifactId>lombok</artifactId>
<version>1.18.4</version>
<scope>provided</scope>
</dependency>
<!--热部署-->
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-devtools</artifactId>
<optional>true</optional>
</dependency>
<!--mybatis-plus-->
<dependency>
<groupId>com.baomidou</groupId>
<artifactId>mybatis-plus-boot-starter</artifactId>
<version>3.3.2</version>
</dependency>
<!--pojo持久化使用-->
<dependency>
<groupId>javax.persistence</groupId>
<artifactId>javax.persistence-api</artifactId>
<version>2.2</version>
</dependency>
<!--mysql驱动-->
<dependency>
<groupId>mysql</groupId>
<artifactId>mysql-connector-java</artifactId>
<scope>runtime</scope>
</dependency>
<!--引入Lucene核心包及分词器包-->
<dependency>
<groupId>org.apache.lucene</groupId>
<artifactId>lucene-core</artifactId>
<version>4.10.3</version>
</dependency>
<dependency>
<groupId>org.apache.lucene</groupId>
<artifactId>lucene-analyzers-common</artifactId>
<version>4.10.3</version>
</dependency>
</dependencies>
<build>
<plugins>
<!--编译插件-->
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-compiler-plugin</artifactId>
<configuration>
<source>11</source>
<target>11</target>
<encoding>utf-8</encoding>
</configuration>
</plugin>
<!--打包插件-->
<plugin>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-maven-plugin</artifactId>
<executions>
<execution>
<goals>
<goal>repackage</goal>
</goals>
</execution>
</executions>
</plugin>
</plugins>
</build>
复制代码第三步：创建引导类
@SpringBootApplication
@MapperScan("com.ran.mapper")
public class FullTextSearchDempApplication {
public static void main(String[] args) {
SpringApplication.run(FullTextSearchDempApplication.class,args);
}
}
复制代码第四步：配置properties文件
server:
port: 9000
Spring:
application:
name: ran-lucene
datasource:
driver-class-name: com.mysql.jdbc.Driver
url: jdbc:mysql://localhost:3306/es?useUnicode=true&characterEncoding=utf8&serverTimezone=UTC
username: root
password: Ran@123456
#开启驼峰命名匹配映射
mybatis:
configuration:
map-underscore-to-camel-case: true
复制代码第五步：创建实体类、mapper、service
创建索引
@RunWith(SpringRunner.class)
@SpringBootTest
public class LuceneIndexTest {
@Autowired
private JobInfoService jobInfoService;
/**
* 创建索引
*/
@Test
public void create()throws Exception{
//1.指定索引文件的存储位置，索引具体的表现形式就是一组有规则的文件
Directory directory = FSDirectory.open(new File("/Users/RG/Documents/class/index"));
//2.配置版本及其分词器
Analyzer analyzer = new IKAnalyzer();
IndexWriterConfig config = new IndexWriterConfig(Version.LATEST,analyzer);
//3.创建IndexWriter对象，作用就是创建索引
IndexWriter indexWriter = new IndexWriter(directory,config);
//先删除已经存在的索引库
indexWriter.deleteAll();
//4.获得索引源/原始数据
List<JobInfo> jobInfoList = jobInfoService.selectAll();
//5. 遍历jobInfoList，每次遍历创建一个Document对象
for (JobInfo jobInfo: jobInfoList) {
//创建Document对象
Document document = new Document();
//创建Field对象，添加到document中
document.add(new LongField("id",jobInfo.getId(), Field.Store.YES));
//切分词、索引、存储
document.add(new TextField("companyName",jobInfo.getCompanyName(), Field.Store.YES));
document.add(new TextField("companyAddr",jobInfo.getCompanyAddr(), Field.Store.YES));
document.add(new TextField("companyInfo",jobInfo.getCompanyInfo(), Field.Store.YES));
document.add(new TextField("jobName",jobInfo.getJobName(), Field.Store.YES));
document.add(new TextField("jobAddr",jobInfo.getJobAddr(), Field.Store.YES));
document.add(new TextField("jobInfo",jobInfo.getJobInfo(), Field.Store.YES));
document.add(new IntField("salaryMin",jobInfo.getSalaryMin(), Field.Store.YES));
document.add(new IntField("salaryMax",jobInfo.getSalaryMax(), Field.Store.YES));
document.add(new StringField("url",jobInfo.getUrl(), Field.Store.YES));
//将文档追加到索引库中
indexWriter.addDocument(document);
}
//关闭资源
indexWriter.close();
System.out.println("create index success!");
}
}
复制代码查询索引
@Test
public void query()throws Exception{
//1.指定索引文件的存储位置，索引具体的表现形式就是一组有规则的文件
Directory directory = FSDirectory.open(new File("/Users/RG/Documents/class/index"));
//2.IndexReader对象
IndexReader indexReader = DirectoryReader.open(directory);
//3.创建查询对象，IndexSearcher
IndexSearcher indexSearcher = new IndexSearcher(indexReader);
//使用term,查询公司名称中包含"北京"的所有的文档对象
Query query = new TermQuery(new Term("companyName","北京"));
TopDocs topDocs = indexSearcher.search(query, 100);
//获得符合查询条件的文档数
int totalHits = topDocs.totalHits;
System.out.println("符合条件的文档数："+totalHits);
//获得命中的文档 ScoreDoc封装了文档id信息
ScoreDoc[] scoreDocs = topDocs.scoreDocs;
for(ScoreDoc scoreDoc : scoreDocs){
//文档id
int docId = scoreDoc.doc;
//通过文档id获得文档对象
Document doc = indexSearcher.doc(docId);
System.out.println("id:"+doc.get("id"));
System.out.println("companyName:"+doc.get("companyName"));
System.out.println("companyAddr:"+doc.get("companyAddr"));
System.out.println("companyInfo:"+doc.get("companyInfo"));
System.out.println("jobName:"+doc.get("jobName"));
System.out.println("jobInfo:"+doc.get("jobInfo"));
System.out.println("*******************************************");
}
//资源释放
indexReader.close();
}
复制代码中文分词器的使用
第一步：导依赖
<!--IK中文分词器-->
<dependency>
<groupId>com.janeluo</groupId>
<artifactId>ikanalyzer</artifactId>
<version>2012_u6</version>
</dependency>
复制代码第二步：可以添加配置文件
第三步 创建索引时使用IKanalyzer
