摘要：大数据时代下信息爆炸式增长，全文检索技术是提高信息检索效率的有效方法。Lucene是一个采用Java编写的全文搜索引擎框架，它运用了面向对象的设计思想，提供了丰富的API。对Lucene的系统结构、索引流程、索引机制进行了详细分析，对应用Lucene引擎搭建全文搜索系统的关键问题进行了研究。
关键词：全文检索；Lucene；倒排索引；分词
DOIDOI：10.11907/rjdk.151168
中图分类号：TP319
文献标识码：A 文章编号
作者简介作者简介：张吴波（1977-），男，湖南邵阳人，湖北汽车工业学院电气与信息工程学院讲师，研究方向为软件开发。
0 引言
大数据时代，可利用的数据和信息量呈爆炸式增长，人们在获取更多信息的同时，也不可避免地增加了筛选信息的难度[1]。面对海量数据，如何使用户更好、更准确地抓取所需信息，已成为信息化技术中一个非常重要的课题。全文检索技术是为用户提供快速、准确获取有效信息的重要方法。
1 全文检索技术
全文检索是以各种计算机数据，诸如文字、声音、图像等为处理对象，提供按照数据资料的内容，而不是外在特征来实现的信息检索手段[2]。相对于一般的DBMS，可以将Word文档、邮件、网页等非结构化、半结构化数据作为检索对象。
全文检索最初是以字符串匹配程序实现的，即在待查找的文件中，打开每个文件后，对文件内容从头到尾检索，如果其中包含需要查询的字符串，则将它作为结果文件。这种顺序检索效率较低，因此，全文检索都是通过“索引”技术实现的。其过程是由计算机索引程序扫描文件中的每一个词，然后对每个词建立一个索引，并指明该词在文章中出现的次数和位置。当用户查询时，由检索程序对已建立的索引进行查找，得到所需要的文件[3]。
2 全文搜索引擎Lucene
Lucene是一个非常优秀、成熟、开源、免费、采用Java语言编写的全文检索引擎工具。它提供了丰富的API，可以与存储在索引中的信息方便地交互，并能方便地嵌入到各种应用系统中，实现针对应用的全文索引/检索功能。
Lucene运用了大量的面向对象设计思想。首先定义了一个与平台无关的索引文件格式，其次通过抽象系统的核心组成部分设计为抽象类，具体的平台实现部分设计为抽象类的实现，此外与具体平台相关的部分比如文件存储也封装为类，经过层层的面向对象式处理，最终达成一个低耦合、高效率、容易二次开发的检索引擎系统[4]。
目前，Lucene得到了广泛应用，许多Java项目都使用了Lucene作为其后台的全文搜索引擎，比较著名的有：Jive（Web论坛系统）、Eyebrows（邮件列表HTML归档/浏览/查询系统）、Cocoon（基于XML的Web发布框架）等。
3 Lucene系统模型
3.1 Lucene系统结构
Lucene搜索引擎由基础结构封装、索引核心、对外接口、查询分析器4大部分组成，如图1所示。
索引核心是Lucene的重点，主要包括索引管理和数据存储管理。其中org.apache.lucene.index包实现对索引的建立、删除等操作[5]，通过为每个分出的词建立索引，查询时只需遍历索引，从而极大地提高检索效率；org.apache.lucene.store包实现对索引文件的存储管理。基础结构封装是Lucene的基础，包括文档管理和公用类。其中org.apache.lucene.document实现对文档信息和域信息的管理；org.apache.lucene.util作为公共类，实现一些优化的数据结构和算法。对外接口包括检索和语言分析器，org.apache.lucene.analysis是语言分析器，主要用于切分词，把输入的文本分成一个个可供索引模块处理的“词语”。org.apache.lucene.search是检索管理器，提供用户检索接口，可以实现根据用户输入的查询条件进行查询。org.apache.lucene.QueryParser是查询分析器，其作用是解析用户输入的查询语句，对查询语句进行分析，然后返回一个查询对象（query），它还可以自定义查询规则，以实现像Google一样能支持查询条件的与、或、非等复合查询方式。
3.2 Lucene检索流程
基于Lucene的全文搜索，包含索引管理和搜索索引两个基本过程，其数据处理流程如图2所示。
3.2.1 索引管理
在创建索引时，先将被索引（待搜索的数据）的内容，作为文档（Document）信息，传给IndexWriter对象，在IndexWriter对象中，指定语言分析器Analyzer。语言分析器自动对文档进行分词处理，将文档分成一个个单独的单词，其中还要进行去除标点符号和停用词（像英语中的a、the、or等使用频率很多的冠词、介词、副词或连词）等处理，形成“词元（Token）”。词元传递给语言处理器进行相关处理，形成“词（Term）”，对于英语形式的词元进行语言处理时，一般做以下工作：将词元变为小写、将词元缩减为词根形式（例如“cars”转换成“car”）、将词元转变为词根形式（例如“drove”转换“drive”）等。最后索引组件依据语言处理产生的词形成词典，采用倒排索引法，形成一定数据结构的索引文件。
3.2.2 搜索索引
Lucene是针对索引进行查询的。先将用户输入的查询信息传递给QueryParser对象，该对象采用建立索引时类似的分词方法和语言处理方法，得到需要查询的单词和查询关键词；再根据查询语句的语法规则，进行语法分析，创建一棵语法树，形成Query对象；最后由IndexSearcher对象打开、读取索引目录中的索引文件，在反向索引表中，分别找出需要查询的单词文档链表，并根据语法树对文档链表进行交、差、并等操作，得到结果文档。 3.3 Lucene索引机制
索引是Lucene进行全文搜索的基础，关系到检索的效率。在Lucene中，分析器只能对文本数据进行解析，并产生索引，对于其它类型的数据，需要将其转换成文本数据后，提交给分析器进行处理。Lucene在管理索引时，是通过索引文件管理的，在索引文件中既保存正向信息，也保存反向信息。
3.3.1 正向信息
在Lucene中，索引结构是一种层次结构。索引（index）由段（segment）组成，段由记录（document）组成，记录由域（field）组成，域由词（term）组成。每个层次都保存了本层次的信息以及下一层次的元信息，也即属性信息[6]，其结构如图3所示。
3.3.2 反向信息
反向信息是索引文件的核心，记录的是倒排索引表。倒排索引源于实际应用中根据属性的值来查找记录的方式。索引表中的每一项都包括一个属性值和该属性值记录的地址。在Lucene中，索引表中的项是文档单词，其属性是包含单词的文档号、在文档中的出现频次及位置，如图4所示。反向信息主要包括倒排索引表中的词典（Term Dictionary）和倒排表（Posting List）。
4 Lucene应用
Lucen提供了全文检索框架，具备完整的查询引擎和索引引擎，为数据访问和管理提供了简单的函数调用接口。在应用Lucene搭建全文检索系统时，由于应用领域不同，需要进行二次开发，以扩展系统功能。
4.1 构建数据采集器
能被Lucene索引的数据是文本数据。实际应用中，待检索数据有许多种格式和来源，例如：PDF文件、Word文件、XML文件，以及互联网的网页文件。在具体实施时，需要按照应用需求，对这些不同格式的文件分别进行处理，从中提取出纯文本格式信息，并建立对应的Lucene文档，再提交给索引管理器进行索引。
在处理PDF文件、Word文件等二进制文件时，可以借助第三方的接口和应用程序，对文件进行数据提取。例如在处理PDF文件时，可以使用PDFBox接口进行文件分析并提取数据；在处理Word文件时，可以使用JACOB、POI等从中提取数据等；在处理互联网上的网页时，可以通过网络爬虫等方式对网页数据抓取，并使用网页分析技术，先去掉其中的HTML标记，再提取网页内容。
4.2 扩展分词器
Lucene在org.apache.lucene.analysis中定义了接口，提供了可供应用系统使用的语言处理能力。Lucene默认已经实现了英文等语言的简单词法分析逻辑（按照空格分词，并去除常用的语法词，如英语中的is、am、are等）。但是，在具体应用时，由于每个语种的习惯和处理词的方法差异较大，例如在汉语中词语的分割与英语就有很大的不同。因此，使用Lucene提供的ChineseAnalyzer和CJKAnalyzer对中文分词效果并不明显，不能满足系统对中文的分词要求，此时可以采用analysis接口实现的方式，自定义分词算法，以实现对中文的个性化分词。
5 结语
Lucene本质上是一个信息检索的类库（Library），它具有高效、简洁、易用的特点，在信息检索中有着非常广泛的应用。Lucene采用了倒排索引技术，实现了高效的索引管理和检索。Lucene只以文本格式的数据作为索引对象，在实际应用中，可以开发针对各种不同类型数据的采集器，以扩展系统数据处理的广度；可以在Lucene提供的分词器基础上，针对语言系统特点，开发新的分词器，以扩展系统数据处理的深度。
参考文献：
[4]周平.Lucene全文检索引擎技术及应用[J].重庆工学院学报：自然科学版，2007，21（4）：8688.
[5]何伟.基于Lucene的全文搜索引擎的设计与实现[J].情报杂志，2006（9）：8890.
[6]黄少林.基于Lucene的索引系统设计与实现[J].现代情报，2009，29（7）：169171.