本文讲述了Java lucene 教程——什么是Lucene！具有很好的参考价值，希望对大家有所帮助。一起跟随六星小编过来看看吧，具体如下:

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。

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;

    }

}

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：

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。

更多相关技术内容咨询欢迎前往并持续关注六星社区了解详情。

想高效系统的学习Java编程语言，推荐大家关注一个微信公众号：Java圈子。每天分享行业资讯、技术干货供大家阅读，关注即可免费领取整套Java入门到进阶的学习资料以及教程，感兴趣的小伙伴赶紧行动起来吧。