Lucene 概述
# 10.Lucene 概述
接下来我们讲讲 Lucene 是如何实现查询的，为后续的入门案例做准备
# 索引和搜索流程
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
其实索引就是一堆文件。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
对文档索引的过程，将用户要搜索的文档内容进行索引，索引存储在索引库（index）中。
这里我们要搜索的文档是磁盘上的文本文件，根据案例描述：凡是文件名或文件内容包括关键字的文件都要找出来，这里要对文件名和文件内容创建索引。
# 获得原始文档
原始文档的概念：要基于哪些数据来进行搜索，那么这些数据就是原始文档。而搜索引擎的原始文档就是互联网上的 HTML 文件。京东的原始文档就是商品数据，微博的原始文档就是微博。
原始文档 是指要索引和搜索的内容。原始内容包括互联网上的网页、数据库中的数据、磁盘上的文件等。本案例中的原始内容就是磁盘上的文件，如下图：
从互联网上、数据库、文件系统中等获取需要搜索的原始信息，这个过程就是信息采集，信息采集的目的是为了对原始内容进行索引。
在 Internet 上采集信息的软件通常称为爬虫或蜘蛛，也称为网络机器人，爬虫访问互联网上的每一个网页，将获取到的网页内容存储起来。
本案例我们要获取磁盘上文件的内容，可以通过文件流来读取文本文件的内容，对于 pdf、doc、xls 等文件可通过第三方提供的解析工具读取文件内容，比如 Apache POI 读取 Word 和 Excel 的文件内容。
# 创建文档对象
对应每个原始文档创建一个 Document 对象：
- 例如对于搜索引擎，一个页面就是一个 Document
- 对于电商，一个商品页面就是一个 Document
每个 document 对象中包含多个域（field），域中保存就是原始文档数据，分为域的名称、域的值。例如 "FileSize":60KB。每个文档都有一个唯一的编号，就是文档 id
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（Document），文档中包括一个一个的域（Field），域中存储关于原始文档的属性。
这里我们可以将磁盘上的一个文件当成一个 document，Document 中包括一些 Field（file_name 文件名称、file_path 文件路径、file_size 文件大小、file_content 文件内容），如下图：
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。
# 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。
分词的过程概述：
- 根据空格进行宇符串拆分，得到一个单词列表
- 把单词统一转换成小写
- 去除标点符号
- 去除停用词（Lucene 专业术语），也就是无意义单词，例如 the，and，a
比如下边的文档经过分析如下：
Lucene is a Java full-text search engine. Lucene is not a complete application, but rather a code library and API that can easily be used to add search capabilities to applications.
分析后得到的语汇单元：Lucene、java、full、search、engine。。。。
每个关键词都封装成一个 Term 对象中，不同的域中拆分出来的相同的单词是不同的 Term。T erm 中包含两部分：一部分是文档的 Field 名，另一部分是单词的内容。
不同的域中拆分出来的相同关键词是不同的 Term。例如文件名和文件内容都包含关键词的情况。例如：文件名中包含 apache，和文件内容中包含的 apache，是不同的 Term。
# 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）。
索引库中的内容：如下图
分为 3 个部分：
- 索引（左侧的词汇表）
- document 对象（右侧的一个个 Document 对象）
- 关键词和文档的对应关系（中间的连线）
注意点 1：索引库是保存在磁盘上的，和数据库里的索引没太多关联
注意点 2：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。
传统方法是根据文件找到该文件的内容，在文件内容中匹配搜索关键字，这种方法是顺序扫描方法，数据量大、搜索慢。倒排索引结构 则是根据内容（词语）找文档，如下图：
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。
# 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，从而找到要搜索的内容（这里指磁盘上的文件）。
通过词语找文档，这种素引的结构叫倒排素引结构。也就是索引库的存储形式
查询索引的过程概述：
- 用户查询接口：用户输入查询条件的地方，例如百度的搜索框
- 把关键词封装成一个查询对象：要查询的域、要搜索的关键词
- 执行查询：根据要查询的关键词到对应的域上进行搜索。找到关键词，根据关键词找到对应的文档
- 渲染结果，例如查询出来的是 Document 的 ID，可以渲染为文档名，比如百度会高亮搜索结果中的关键词，分页处理等，最终展示。
# 用户查询接口
全文检索系统提供用户搜索的界面供用户提交搜索的关键字，搜索完成展示搜索结果。比如：
Lucene 不提供制作用户搜索界面的功能，需要根据自己的需求开发搜索界面。
# 创建查询
用户输入查询关键字执行搜索之前需要先构建一个查询对象，查询对象中可以指定查询要搜索的 Field 文档域、查询关键字等，查询对象会生成具体的查询语法，
例如：语法 "fileName:lucene" 表示要搜索 Field 域的内容为 "lucene" 的文档
# 执行查询
搜索索引过程：
根据查询语法在倒排索引词典表中分别找出对应搜索词的索引，从而找到索引所链接的文档链表。
比如搜索语法为 "fileName: lucene" 表示搜索出 fileName 域中包含 Lucene 的文档，搜索过程就是在索引上查找域为 fileName，并且关键字为 Lucene 的 term，并根据 term 找到文档 id 列表。
# 渲染结果
以一个友好的界面将查询结果展示给用户，用户根据搜索结果找自己想要的信息，为了帮助用户很快找到自己的结果，提供了很多展示的效果，比如搜索结果中将关键字高亮显示，百度提供的快照等。
