|
Lucene研究之二——系统结构分析初步 作者：陈光（holen@263.net） 时间：2004-08-26 本文主要讨论Lucene的系统结构，希望对其结构的初步分析，更深入的了解Lucene的运作机制，从而实现对Lucene的功能扩展。 1． Lucene的包结构 如上图所示，Lucene源码中共包括7个子包，每个包完成特定的功能：
2． Lucene的主要逻辑图 Lucene功能强大，但从根本上说，主要包括两块：一是文本内容经切词后索引入库；二是根据查询条件返回结果。 以下是上述两大功能的逻辑图： STORAGE （存储器） ACCESS INDEX （访问索引） SERACHER （查询器） ANALYZER （语言分析器） QUERY PARSER （查询分析器） DOCUMENT （文档结构） SEARCHER （查询） INDEXER （入库） FS BDD RAM Lucene功能逻辑图 查询逻辑 按先后顺序，查询逻辑可分为如下几步： 1． 查询者输入查询条件 2． 查询条件被传达到查询分析器中，分析器将将对“中国+北京-海淀区中关村”进行分析，首先分析器解析字符串的连接符，即这里的加号和减号，然后对每个词进行切词，一般最小的词元是两个汉字，则中国和北京两个词不必再切分，但对海淀区中关村需要切分，假设根据切词算法，把该词切分为“海淀区”和“中关村”两部分，则最后得到的查询条件可以表示为：“中国” AND “北京” AND NOT（“海淀区” AND “中关村”）。 3． 查询器根据这个条件遍历索引树，得到查询结果，并返回结果集，返回的结果集类似于JDBC中的ResultSet。 4． 将返回的结果集显示在查询结果页面，当点击某一条内容时，可以链接到原始网页，也可以打开全文检索库中存储的网页内容。 这就是查询的逻辑过程，需要说明的是，Lucene默认只支持英文，为了便于说明问题，以上查询过程采用中文举例，事实上，当Lucene被扩充支持中文后就是这么一个查询过程。 入库逻辑 入库将把内容加载到全文检索库中，按顺序，入库逻辑包括如下过程： 1． 入库者定义到库中文档的结构，比如需要把网站内容加载到全文检索库，让用户通过“站内检索”搜索到相关的网页内容。入库文档结构与关系型数据库中的表结构类似，每个入库的文档由多个字段构成，假设这里需要入库的网站内容包括如下字段：文章标题、作者、发布时间、原文链接、正文内容（一般作为网页快照）。 2． 包含N个字段的文档（DOCUMENT）在真正入库前需要经过切词（或分词）索引，切词的规则由语言分析器（ANALYZER）完成。 3． 切分后的“单词”被注册到索引树上，供查询时用，另外也需要也其它不需要索引的内容入库，所有这些是文件操作均由STORAGE完成。 以上就是记录加载流程，索引树是一种比较复杂的数据存储结构，将在后续章节陆续介绍，这里就不赘述了，需要说明的一点是，Lucene的索引树结构非常优秀，是Lucene的一大特色。 接下来将对Lucene的各个子包的结构进行讨论。 3． 语言分析包org.apache.lucene.analysis Analyzer是一个抽象类，司职对文本内容的切分词规则。 切分后返回一个TokenStream，TokenStream中有一个非常重要方法next()，即取到下一个词。简单点说，通过切词规则，把一篇文章从头到尾分成一个个的词，这就是org.apache.lucene.analysis的工作。 |
||||||||||||||||||||||||||||||
|
|
