Lucene基礎學習筆記

在學校和老師一起做項目，在老師的推薦下深入學習了一些SqlServer的知識，看一些書下來哎也沒記住多少，不過帶來了新疑問。

不使用模糊查詢，我應該用什麼呢？如何能不影響資料庫性能，還能做模糊查詢呢？是以開始對Lucene有一些簡單的學習。

先舉一個未必恰當的例子：

假如有一天你犯罪了，警察如何找到你呢？肯定不應該是挨家挨戶的搜尋你吧。

警察可能先通過戶籍資訊和一些檔案，查詢到你的住址，學校，機關，去這些地方找。如果還找不到呢？ 

再找你常交往的朋友，得到一些你經常去的地方，再次索引到一些地點。

總之，雁過留痕，總能通過蛛絲馬迹的資訊，索引到你可能在的地方。這就是在浩瀚的資料搜尋中，索引，縮小範圍的重要性。

Lucene是一款全文搜尋引擎，它幫我們将非結構化的資料，以結構化的形式分析并存儲，以便于我們能類似于資料庫結構化的搜尋擷取到我們想要的資料。

既然要通過Lucene來搜尋，那就要将資料，以Lucene搜尋引擎認識的方式存儲。這個存儲的過程，稱之為索引（動詞），幫我們做這個動作的是索引引擎，幫我們查詢的是查詢引擎。另外文本分析引擎應該參與了查詢和索引的兩個動作。

Lucene以文檔的形式存儲，每一個文檔都有唯一辨別Id。一個文檔基本由多個域組成， 域由域名稱FieldName和域的值Value組成。

比如我們站内搜尋，搜尋目标是所有文章。可以将文章标題作為一個field，則其fieldName為“ArtName”字元串，其value值，為ArtName在資料庫中的值。

是以文章内容，文章作者，文章釋出時間，文章閱讀數，文章标簽等都可以放到同一個文檔中的不同域。

當我們索引上述提到的字段時，不僅在我們參數指定下，設定是否存儲，是否允許索引搜尋。Lucene中最重要的，是其分詞器将會提取詞語，建立詞語索引和文檔id的關聯。隻拿文章标題來說，其他的均可類比，比如四篇文章标題，

1.佳木斯大學簡介      文檔Id被索引為Id1

2.計算機科學與技術專業簡介       Id2

3.Java學習指南　　　　　　　　 Id3

4..Net學習指南　　　　　　　　  Id4

列舉幾個典型的分詞索引：

ArtName	學習	3，4
	指南
	學習指南
	簡介	1，2
	大學	1
ArtContent     （亂入一個内容Field）	Java	4

想象一下，如果我們不建立這樣的索引，搜尋帶Java的内容，那麼一定要去周遊每一片文章。以上的索引存儲過程，稱為反向索引，意味着，先分析所需存儲資料的内容，并按照結構來索引存儲。等到我們查詢的時候，就不用每一條資料去周遊了。

上面這種分詞，源于強大的分詞器，Lucene本身不提供中文分詞器，可以使用第三方開源的，社群中比較遊優秀的，應該就是IK了，其可拓展性也是比較強的，我們可以通過在配置檔案中配置新的詞彙，比如“逗比”這個詞，在分詞器開發的時候，沒有這個詞，在索引的時候，則會分開索引，我們也可以很容易在配置檔案中加以配置。

從中得到另一個概念：其中每一個詞語，我們應稱之為Term。重要的是 我們看到其中亂入的ArtContent，由于域的名稱和最後一條資料不同，雖然他們的詞語都是Java，但是這屬于兩條Term。

Term的作用是什麼呢？

可以幫助我們建構查詢，也就是建構一個Term，這個查詢可以指定Field的Name為ArtName，Field的Value為Java。 這也就是說查詢文章标題，域值為Java的資料。而不是指定文章内容域。

我們也可以構造搜尋Query對象，查詢Java學習指南，這樣的搜尋，我們需要規定，标題中一定要帶Java，标題中一定要有學習，一定要有指南。這樣我們搜尋到的是Java學習指南而不是.Net

學習指南。

本篇記錄下Luence的一些基礎概念和意義。明白了這些，我想，看文檔寫代碼應該不是困難所在。