lucene的全文检索是什么

本篇内容介绍了“lucene的全文检索是什么”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！

定义：Lucene 是一个高效的，基于 Java 的全文检索库。所以在了解 Lucene 之前要费一番工夫了解一下全文检索。

那么什么叫做全文检索呢？这要从我们生活中的数据说起。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。

当然有的地方还会提到第三种，半结构化数据，如 XML，HTML 等，当根据需要可按结构化数据来处理，也可抽取出纯文本按非结构化数据来处理。非结构化数据又一种叫法叫全文数据。按照数据的分类，搜索也分为两种：

• 对结构化数据的搜索：如对数据库的搜索，用 SQL 语句。再如对元数据的搜索，如利用
  windows 搜索对文件名，类型，修改时间进行搜索等。
  

• 对非结构化数据的搜索：如利用 windows 的搜索也可以搜索文件内容，Linux 下的 grep
  命令，再如用 Google 和百度可以搜索大量内容数据。

是对非结构化数据也即对全文数据的搜索主要有两种方法：

• 一种是 (Serial Scanning) 顺序扫描法：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。如果你有一个 80G 硬盘，如果想在上面找到一个内容包含某字符串的文件，不花他几个小时，怕是做不到。Linux 下的 grep 命令也是这

• 一种方式。大家可能觉得这种方法比较原始，但对于小数据量的文件，这种方法还是最直接，最方便的。但是对于大量的文件，这种方法就很慢了。有人可能会说，对非结构化数据顺序扫描很慢，对结构化数据的搜索却相对较快（由于结构化数据有一定的结构可以采取一定的搜索算法加快速度），那么把我们的非结构化数据想办法弄得有一定结构不就行了吗？这种想法很天然，却构成了全文检索的基本思路，也即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，我们称之索引索引索引。这种说法比较抽象，举几个例子就很容易明白，比如字典，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)。下面这幅图来自《Lucene in action》，但却不仅仅描述了 Lucene 的检索过程，而是描述了全文检索的一般过程。

全文检索大体分两个过程，索引创建(Indexing)和搜索索引(Search)。
 索引创建：将现实世界中所有的结构化和非结构化数据提取信息，创建索引的过程。  
 搜索索引：就是得到用户的查询请求，搜索创建的索引，然后返回结果的过程。  
于是全文检索就存在三个重要问题：

• 1.  索引里面究竟存些什么？(Index) 

• 2.  如何创建索引？(Indexing) 

• 3.  如何对索引进行搜索？(Search) 

“lucene的全文检索是什么”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注亿速云网站，小编将为大家输出更多高质量的实用文章！