Lucene是当下十分流行的开源全文检索工具，在很多网站和系统中都得到了广泛应用（开源中国就是使用Lucene）。本人学习Lucene时间不长，水平有限，目前也还在学习探索阶段。现在将学习ucene过程中的知识点做以总结和归纳，期待和大家共同交流。Lucene并不是现成的搜索引擎，只算的上是Java开发的全文索引工具包。与传统的数据库查询比，全文索引技术更具有优势。Lucene不仅可以对数据库记录进行索引，也可以对磁盘文件进行索引（txt，word，excel，pdf等）。Lucene学习资料汇总 。

Lucene学习总结系列打算从以下几个方面介绍。

1. Lucene概述

2. 入门实例

3. 索引创建、更新和删除

4. 分词

5. 搜索结果排序

6. 高亮关键字

第一部分：为什么使用Lucene

举个栗子，比如用户想查询博客系统中与“Lucene”相关的博客，在没有全文检索之前，我们可能只能依赖于数据库查询语句like来实现我们上述所说的功能，但这样做有几个明显的弊端：

1. 当数据量大的时候，查询的速度很慢，效率很低，每次查询都得执行全表扫描，相同的查询无法复用；

2. 查询的结果无法根据关键字相关性进行排序，设想一下如果查询结果数据量很大的情况下，让用户人工去筛选结果无疑是灾难性的；

3. 现实中的数据可能是html，word，excel等文件格式的，而这类非结构化数据的查询则是数据库查询无法完成的。而Lucene通过其强大的索引体系很好的解决了问题。

此外，Lucene还具有以下几个优点：

1. 索引文件格式独立于应用平台。Lucene自定义了一套以8字节为基础的索引文件格式，使得不同系统或者不同平台应用能够共享建立的索引文件；

2. 在倒序索引的基础上实现了分块索引。能够针对新的文件建立小块的索引，提升索引速度，然后通过与原有索引的合并达到优化的目的；

3. 优秀的面向对象设计，使得Lucene很容易学习和扩展，例如分词组件；

4. 免费开源，适合各种平台，有各种语言的实现版本。例如C语言版本的：CLucene等等。

第二部分：Lucene的工作原理

Lucene的工作原理就是全文检索的基本原理。全文检索的原理可以。下面这张图来自《Lucene in Action》是对Lucene工作原理的简明阐述。我把它划分为了左右两个部分以方便理解。

如上图所示，Lucene的工作原理可以简要的概括为两步：

第一步，切词入库，建立索引。Lucene对各类文档数据进行切词入库并建立索引，记录下各个词在各个文件中出现的次数和位置，生成独立的索引文件（索引库），这种索引称为倒序索引；

第二步，查询索引，返回结果。Lucene接收用户提交的查询，对查询进行分析然后去查询索引库，查询完成后返回结果给客户端。这两个过程中其实涉及了很多的细节，但为了方便理解我们先不涉及，后面会一一详细讲解。

第三部分：Lucene核心API

在使用Lucene前，我们先大致熟悉一下Lucene的几个核心类。

核心索引类：

• public class IndexWriter

  索引过程的中心组件，把它想象成一个可以对索引进行写操作的对象。

• public abstract class Directory

  Directory代表索引所在的位置，该抽象类有两个具体的子类实现。FSDirectory表示存储在文件系统的索引位置，RAMDirectory表示存储在内存中的索引的位置。

• public abstract class Analyzer

  分词组件。在建立索引前首先要对文档进行分词，Lucene默认有一些分词类的实现，自己实现的分词要继承该类。

• public final class Document

  Document类似于数据库中的一条记录，它由好几个字段Field组成。

• public final class Field

  Field用来描述文档的某个属性，例如文章的标题，内容等等。

核心搜索类：

• public class IndexSeacher

  用来在已经建好的索引上进行搜索操作

• public final class Term

  搜索的基本单元。Term对象有两个域组成。Term term = new Term("fieldName","queryWord");

• public abstract class Query

  抽象类，有很多具体实现类。该类主要作用把用户输入的查询语句转换为Lucene能够是别的query。

• public final class Hits（TopDocs）

  Hits是用来保存查询得到的结果的。最新版的Lucene中，TopDocs已代替了Hits。

第四部分：Lucene入门实例

第二节Lucene简介中有一张Lucene工作原理的图大家应该印象深刻。Lucene的实现原理其实就体现在这两个方面：

1. 切词入库，建立索引；

2. 查询索引，返回结果。

因此，使用Lucene去实现查询功能的过程也是按照上述过程进行的，这样理解了以后，写起来就很简单。

下面我们来看第一个简单的Lucene实现索引的例子（Lucene版本为4.10.1）。

public class LuceneDemo {	public static void main(String[] args){		    //RAMDirectory（内存路径）继承自Directory抽象类，另一个继承自该类的是FSDirectory(文件系统路径),Directory dir = FSDirectory.open(new File("此处写索引存储的位置，"));	    Directory dir = new RAMDirectory();	        	    //SimpleAnalyzer继承自抽象类Analyzer，是分词组件，不同语言有不同的分词组件包，也可以自己定义实现该抽象类	    Analyzer analyzer = new SimpleAnalyzer();				//定义IndexWriterConfig		IndexWriterConfig iwc = new IndexWriterConfig(Version.LATEST, analyzer);				//定义document对象		Document doc = new Document();				try {				    //第一步，切词入库，创建索引。定义IndexWriter对索引进行“写”操作		    IndexWriter iw = new IndexWriter(dir, iwc);		    		    //Field对象的构造方法有四个参数，前两个参数表示要建立索引的name和value，name指索引的名称，value指要建立索引的“文档对象”，例如博客的标题、正文		    //Field.Store有YES和NO两个值，表示是否存储该Field		    //Field.Index有5个不同的取值,ANALYZED，ANALYZED_NO_NORMS，NOT_ANALYZED，NOT_ANALYZED_NO_NORMS，NO,根据不同情况选择是否分词		    doc.add(new Field("title", "james bonde", Field.Store.YES, Field.Index.ANALYZED));		    doc.add(new Field("content","He want to go to school next year.",Field.Store.YES,Field.Index.ANALYZED));		    doc.add(new Field("doc","He will go to his mother's home.",Field.Store.YES,Field.Index.ANALYZED));		    iw.addDocument(doc);		    iw.close();		    		    //第二步，查询索引，返回结果		    IndexReader ir = DirectoryReader.open(dir);		    		    //定义IndexSearcher		    IndexSearcher is = new IndexSearcher(ir);		    		    //定义Term，new Term("doc", "home")，第一个值表示要搜索的域，第二个则表示搜索值		    Term term = new Term("doc", "home");		    		    //TermQuery继承自Query抽象类，是Lucene最基本的查询		    Query query = new TermQuery(term);		    		    //执行查询，返回TopDocs对象结果集		    TopDocs td = is.search(query, 10);		    		    for(int i=0;i

Lucene官方关于Field的几个属性值的用法：

第五部分：索引的创建、修改和删除

首先，我们来看一个例子：开源中国社区每天都有人发布新的博客，同时也有很多人在进行修改和删除博客的操作。如果我们只更新博客数据而不更新对应的索引数据，这会带来那些问题呢？

1. 新增的博客信息不能够及时被用户搜索到；

2. 修改的博客信息查询时依然显示之前的内容；

3. 删除的博客信息查询时存在但实际已被删除。

因此，为了提高系统搜索的准确性和实时性，我们在进行数据更新的同时，也会更新与之对应的索引数据，这样业务数据就可以保持与索引数据的一致，上面的几个问题也就随之解决了。

首先，我们来看新增索引的操作，这个比较简单，之前的例子里面已经有讲到：

//当新增博客时，索引也增量更新public void addLuceneIndex(Blog blog){    try {        IndexWriter writer = new IndexWriter(directory, config);        Document doc = new Document();              //文章id，需要存储，查询结果的链接需要，但不需要检索        doc.add(new Field("id",blog.getString("id"),Field.Store.YES,Field.Index.NO));              //文章标题，需要存储也需要切词索引        doc.add(new Field("title",blog.getString("title"),Field.Store.YES,Field.Index.ANALYZED));              //文章内容一般会比较长，所以不需要存储，但需要切词索引        doc.add(new Field("content",blog.getString("content"),Field.Store.NO,Field.Index.ANALYZED));              //文章作者，需要存储，整体索引但不切词        doc.add(new Field("author",blog.getString("author"),Field.Store.YES,Field.Index.NOT_ANALYZED));        writer.addDocument(doc);        writer.forceMerge(1);        writer.commit();  } catch (IOException e) {      // TODO Auto-generated catch block      e.printStackTrace();  }}

当博客被修改时，对应索引也执行更新操作，实际后台代码执行的是先删除再新增操作。

//索引更新操作public void updateLuceneIndex(Blog blog){    try {        IndexWriter writer = new IndexWriter(directory, config);        Document doc = new Document();        writer.updateDocument(new Term("id", blog.getString("id")), doc);        writer.forceMerge(1);        writer.commit();    } catch (IOException e) {        // TODO Auto-generated catch block        e.printStackTrace();    }}

当文章删除时，对应索引也执行删除操作

//索引删除操作public void delLuceneIndex(Blog blog){    try {        indexWriter.deleteDocuments(new Term("id", blog.getString("id")));  // Document删除    } catch (IOException e) {        e.printStackTrace();    }}

最后说明一下，索引文件的增、删、改在实际应用过程中也是有很多策略的。比如对于搜索实时性要求比较高的系统，可以采取实时更新的策略，在更新记录时同时更新索引；如果系统对搜索的实时性要求不高，且服务器资源有限，可以设置一个定时任务，把白天更新的记录都标记出来，在凌晨服务器空闲的时候批量更新。总之，可以根据自己的需要去灵活的应用。

第六部分：分词（切词）

分词也叫作切词，是指把文档的内容按照一定的规则切分成一个个独立的词语，通俗的说就是把句子切分成词语。分词是影响Lucene查询效率和查询准确率的关键因素。所有的分词器都继承自Lucene的Analyzer，今天介绍最流行和通用的中文分词器IKAnalyzer的使用。

Lucene默认实现的有英文分词。英文分词相对简单，主要是对每个单词的单复数，时态等做转换即可。而中文分词相对更复杂一些。因为中文的词库本身就非常庞杂，同一个句子可能有好几种分词法，不同的分词法可能就会导致不同的查询结果。IKAnalyzer为我们解决以上问题提供了很好的方案，它允许我们可以个性化定义扩展词库，而且分词效率极高。

下面我们来看下IKAnalyzer的配置文件IKAnalyzer.cfg.xml，把它放置到源文件根目录下面，系统会自动加载进来。

      
    
       	
     
      IKAnalyzer扩展配置
     		
     	
     
      		/com/jfinal/lucene/ext.dic; 		/com/jfinal/lucene/ft_main2012.dic; 		/com/jfinal/lucene/ft_quantifier.dic; 			
      	
      
       		/com/jfinal/lucene/stop.dic		
      
     
    

ext.dic用来定义自己的扩展词库。比如特定的地名，人名，就相当于告诉分词器如果遇到这些词汇就把它们做单独分词；

stop.dic用来定义自己的扩展停止词字典，停止词就是指那些最普通的，没有特定含义的词。比如英语里面的a ，the，汉语里面的了，又等等。

把IKAnalyzer的jar包拷贝到lib下，使用时新建对象即可。

Analyzer analyzer = new IKAnalyzer()