摘 要： 介紹了將開源的全文檢索工具包Lucene嵌入到自己的搜索引" title="索引">索引" title="索引">索引擎中來滿足開發(fā)主題搜索引擎的需求,。并基于Lucene中文分詞的不足設(shè)計(jì)了一個(gè)比較完善的中文分詞器，然后將其引入具體應(yīng)用中,，并且與傳統(tǒng)搜索引擎在性能上進(jìn)行了比較,。
　　關(guān)鍵詞： Lucene,；全文檢索技術(shù)；主題搜索引擎,；索引,；中文分詞

 　　國際互聯(lián)網(wǎng)的迅速發(fā)展使得以Internet為載體的中文電子信息愈來愈多，傳統(tǒng)搜索引擎采集索引查詢內(nèi)容不斷擴(kuò)大,，這不但使搜索引擎面臨巨大的困難,，而且越來越不能滿足主題用戶的需求。例如,，為了獲取數(shù)條相關(guān)信息,，用戶不得不在大量的失效信息、甚至垃圾信息中費(fèi)力尋找,。目前人們對搜索引擎的首要關(guān)注點(diǎn)已經(jīng)從如何找到更多的信息轉(zhuǎn)向如何快速找到準(zhǔn)確,、有用的信息。因此,，人們希望在企業(yè)應(yīng)用中或者個(gè)人產(chǎn)品中加入自己的搜索功能,。這樣不僅可以對企業(yè)發(fā)布的信息建立索引，也可以對企業(yè)計(jì)算機(jī)內(nèi)長期積累的電子文檔資料建立索引,，實(shí)現(xiàn)方便快速查找,。
　　在Lucene　API的基礎(chǔ)上開發(fā)面向主題的搜索引擎[1]是一種有效、低成本的選擇,，因?yàn)長ucene全文數(shù)據(jù)庫采用倒排文件索引技術(shù)[2],，所以查詢速度優(yōu)于關(guān)系型數(shù)據(jù)庫，而且可以免費(fèi)下載,?；贚ucene的優(yōu)勢已有很多企業(yè)將其應(yīng)用到自己的搜索引擎中,，如Eclipse開發(fā)環(huán)境的內(nèi)部搜索引擎就是用Lucene構(gòu)建的,。但由于Lucene自帶的中文分詞只能將中文切成單字不能實(shí)現(xiàn)詞語的切分，因此,，符合需求的中文分詞器有待人們?nèi)ラ_發(fā),，并將其加入中文分詞模塊來實(shí)現(xiàn)更高效的檢索。
1 全文檢索引擎Lucene
1.1 Lucene簡介
    Lucene是apache軟件基金會jakarta項(xiàng)目組的一個(gè)子項(xiàng)目[3],，是一個(gè)開放源代碼的全文檢索引擎工具包,，它不是一個(gè)完整的全文檢索引擎，而是一個(gè)全文檢索引擎的架構(gòu),，提供了完整的查詢引擎和索引引擎,，它為數(shù)據(jù)訪問和管理提供了簡單的函數(shù)調(diào)用接口，可以方便地嵌入到各種應(yīng)用中,，實(shí)現(xiàn)針對應(yīng)用的全文索引/檢索功能,。
　　Lucene的API接口設(shè)計(jì)得可以通用,，輸入輸出結(jié)構(gòu)都很像數(shù)據(jù)庫的表?圯記錄?圯字段，所以很多傳統(tǒng)的應(yīng)用文件,、數(shù)據(jù)庫等都可以方便地映射到Lucene的存儲結(jié)構(gòu)/接口中,。總體上看,，可以先把Lucene當(dāng)成一個(gè)支持全文索引的數(shù)據(jù)庫系統(tǒng),。
1.2 Lucene系統(tǒng)結(jié)構(gòu)
    Lucene系統(tǒng)結(jié)構(gòu)[2]如圖1所示。從圖1中可以看到,，Lucene的系統(tǒng)由基礎(chǔ)結(jié)構(gòu)封裝,、索引核心、對外接口三大部分組成,。其中,，直接操作索引文件的索引核心又是系統(tǒng)的重點(diǎn)。Lucene將所有源碼分為7個(gè)模塊(在Java語言中以包來表示),，各個(gè)模塊所表示的系統(tǒng)部分見圖1,。需要說明的是：org.apache.lucene.queryPaser是org.apache.lucene.search的語法解析器，不被系統(tǒng)之外實(shí)際調(diào)用,，因此沒有當(dāng)作對外接口看待,。從面向?qū)ο蟮挠^點(diǎn)來考慮，Lucene應(yīng)用了最基本的一條程序設(shè)計(jì)準(zhǔn)則：引入額外的抽象層以降低耦合性,。首先,，引入對索引文件的操作org.apache.lucene.store的封裝，然后將索引部分的實(shí)現(xiàn)建立在org.apache.lucene.index之上,，完成對索引核心的抽象,。在索引核心的基礎(chǔ)上開始設(shè)計(jì)對外的接口org.apache.lucene.search及org.apache.lucene.analysis。

1.3 Lucene程序運(yùn)行機(jī)制
　　Lucene系統(tǒng)功能強(qiáng)大,，實(shí)現(xiàn)復(fù)雜,，但從根本上主要包括2個(gè)主要功能：(1)建立索引庫[4]，也就是將待索引的純文本內(nèi)容經(jīng)切分詞后索引入庫,；(2)檢索索引庫,，即根據(jù)查詢條件從索引庫中找出符合條件的文檔。
　　在研究建立索引庫時(shí)首先要知道如圖2所示的Lucene索引機(jī)制的架構(gòu),。
    從圖2可以看出,，Lucene索引過程分為3個(gè)主要操作階段：將數(shù)據(jù)轉(zhuǎn)換成文本；分析文本,；將分析過的文本保存到索引庫中,。首先，Lucene使用各種解析器對各種不同類型的文檔進(jìn)行解析，如對于HTML文檔,，HTML解析器會做一些預(yù)處理的工作,，過濾文檔中的HTML標(biāo)簽等，然后輸出文本內(nèi)容,，接著Lucene的分詞器從文本內(nèi)容中提取出索引項(xiàng)以及相關(guān)信息,。

　　檢索索引庫的運(yùn)行邏輯如下：
　　(1)輸入查詢條件，如用戶希望查詢到含有詞“編程”和“入門”但不含詞“Java”的記錄,，則輸入條件為“編程+入門-Java”,；查詢條件輸入搜索器(lucene.search)，搜索器里有1個(gè)查詢解析器(lucene.queryParser),，搜索器調(diào)用這個(gè)查詢解析器來解析查詢條件,。
    (2)查詢條件“編程+入門-Java”被傳送到查詢解析器中，解析器將對“編程+入門-Java”進(jìn)行分析,，首先分析器解析字符串的連接符,，即加號和減號，然后調(diào)用語言解析器(lucene.analysis)對每個(gè)詞進(jìn)行切詞,，一般英文將按空格來切詞,，最后得到的查詢條件表示為：“編程”AND“入門”AND NOT“Java”。
    (3)查詢器根據(jù)查詢條件檢索事先已建立好的索引庫,，得到查詢結(jié)果,，并返回結(jié)果集lucene.search.Hits，Hits類似于JDBC中的ResultSet,。
2 中文分詞
    因?yàn)長ucene提供的兩個(gè)中文分析器(ChineseAnalyzer和CJKAnalyzer)只能將中文切成單漢字,，這對于絕大多數(shù)中文用戶來說很不方便，因此有必要開發(fā)適合自己的中文分析器,。本系統(tǒng)基于字符串匹配的分詞技術(shù)實(shí)現(xiàn)了一個(gè)中文分詞器,。它是按照一定的策略將待分析的漢字串與1個(gè)“充分大的”詞庫中的詞條進(jìn)行匹配。若在詞庫中找到某個(gè)字符串則匹配成功(識別出1個(gè)詞),。按照掃描方向的不同,，串匹配分詞方法[5]可以分為正向匹配和逆向匹配；按照不同長度優(yōu)先匹配的情況,，可以分為最大(最長)匹配和最小(最短)匹配,。本研究使用的方式是采用基于字典的雙向匹配算法,，即需要進(jìn)行正向和逆向2次匹配,。傳統(tǒng)的方法都是先進(jìn)行1次正向匹配，然后再進(jìn)行逆向匹配,，每次只有1個(gè)方向在進(jìn)行匹配,，而另1個(gè)方向的匹配過程需要第1個(gè)結(jié)束后才開始。本文的設(shè)計(jì)方法是把多線程技術(shù)引入到中文分詞程序當(dāng)中[6]。因此可以在正向匹配時(shí),，同時(shí)并發(fā)地執(zhí)行逆向匹配,，提高了運(yùn)行速度和執(zhí)行效率。以下為正向匹配和逆向匹配都將調(diào)用的核心程序：
    載入處理完的文本,，以字符數(shù)組的形式存儲起來,。建立2個(gè)方法：(1)查找在文本中出現(xiàn)的詞，并且返回詞的長度,；(2)用來統(tǒng)計(jì)詞出現(xiàn)的次數(shù)和控制程序進(jìn)度,。
    方法1：public int zhaoCi(char[] ch，int juli,，TreeMap[] tmp),。
    ch數(shù)組表示的是文本內(nèi)容，juli是詞的長度,， TreeMap數(shù)組存儲不同長度的詞,。
    方法2：public synchronized void ciPinTongJi(HashMaphm，char[]ch,，int size,，TreeMap[] tmp)。
    方法2是并發(fā)執(zhí)行的,，正反匹配都需要這個(gè)方法,。HashMap存儲字典中詞的第1個(gè)字，ch數(shù)組表示的是文本內(nèi)容,，size是文件的長度,，TreeMap是數(shù)組存儲不同長度的詞，按照2個(gè)字,、3個(gè)字,、多個(gè)字的存儲順序存儲； 而且方法2是對外的接口,，方法2調(diào)用方法1,，并利用方法1返回的結(jié)果得到分詞的結(jié)果和詞頻結(jié)果。當(dāng)從文本讀入1個(gè)字時(shí),，使用contain( )來判斷HashMap中是否存在這個(gè)字的映射,，如果存在就取得長度等于字典中最長詞的一段內(nèi)容，在TreeMap數(shù)組中進(jìn)行查找,，如果在TreeMap中找到對應(yīng)的映射則對應(yīng)的鍵值加1,，輸出時(shí)在詞后面加上分割符號‘\’，然后繼續(xù)重復(fù)前面的步驟,，直到文件結(jié)束,，退出；如果TreeMap中不存在，那么i+1,，讀取下一個(gè)字,，重復(fù)前面的步驟，直到文件的結(jié)尾,，退出,，程序結(jié)束。
　　正向匹配程序流程圖如圖3所示,。    

3 全文檢索引擎Lucene的應(yīng)用
　　Lucene本身只是一個(gè)組件,，若想讓Lucene真正起作用，還得在Lucene基礎(chǔ)上進(jìn)行必要的2次開發(fā)[7],。下面的方案是對Lucene的應(yīng)用研究,，在本系統(tǒng)實(shí)現(xiàn)過程中要解決的關(guān)鍵問題有：數(shù)據(jù)加工及文本數(shù)據(jù)庫的實(shí)現(xiàn)；全文數(shù)據(jù)索引,；全文數(shù)據(jù)檢索和結(jié)果處理,。
3.1 運(yùn)行環(huán)境
　　操作系統(tǒng)：Windows NT/2000/xp；開發(fā)語言：Java,、JSP,；開發(fā)環(huán)境：MyEclipse6.5；API插件：Lucene2.3.2(Jakarta Lucene是一套免費(fèi)的開放源代碼,，由 Apache Jakarta開發(fā)),；Web服務(wù)器：Apache的Tomcat6.0。
　　Lucene在Java環(huán)境下運(yùn)行,，因此首先要安裝jdk并設(shè)置環(huán)境變量JAVA_HOME,，還要安裝tomcat6.0。到Lucene的官方網(wǎng)站http：//jakarta.apache.org/Lucene/下載1份拷貝(筆者下載的是最新版2.3.2),，下載后將得到一個(gè)名為lucene-2.3.2.zip和apache-ant-1.7.0-bin.zip的壓縮文件,，將其解壓即可。
3.2 系統(tǒng)結(jié)構(gòu)
　　該應(yīng)用分為3部分：(1)數(shù)據(jù)庫發(fā)布平臺,，包括服務(wù)器,、Java環(huán)境、Lucene API,、中文分詞模塊,；(2)HTML文件倒排檔生成系統(tǒng)；(3)服務(wù)器端執(zhí)行的JSP程序和用戶界面,。系統(tǒng)結(jié)構(gòu)如圖4所示,。

3.3 Lucene的擴(kuò)展
　　對于Lucene組件包，為了能夠支持中文,，要進(jìn)行修改,。首先將改寫后支持中文的分析包IKAnalyzer.jar加入到發(fā)布包Analysis包中,。解開Lucene.zip,，在解開的目錄src\demo\org\apache\Lucene\demo下打開IndexHTML. java,。在第1處“import org. apache. lucene. analysis. standard. StandardAnalyzer；”下面加1行“import org.apache. lucene. analysis. IKAnalyzer,；”,，把第2處“writer=new IndexWriter (index， new StandardAnalyzer (),，create),；”注釋掉，換成“writer=new IndexWriter(index,，new ChineseAnalyzer(),， create)；”解開Luceneweb. War,，釋放出configuration. jsp和result. jsp以及web. xml,。編輯configuration. Jsp，找到indexLocation變量,，賦值成“/index”(或者用戶自己建立的索引的目錄名稱),；編輯result. Jsp，找到“Analyzer analyzer=new StopAnalyzer(),；”刪除或者注釋掉,，改成“Analyzer analyzer=new org. apache. lucene. analysis. IKAnalyzer()；”,。這樣就擴(kuò)展了Lucene的中文分詞的功能,。
　　Lucene并沒有規(guī)定數(shù)據(jù)源的格式，而只提供了1個(gè)通用的結(jié)構(gòu)(Document對象)來接收索引的輸入,，因此輸入的數(shù)據(jù)源可以是：數(shù)據(jù)庫,、WORD文檔、PDF文檔,、HTML文檔……,，只要能夠設(shè)計(jì)相應(yīng)的解析轉(zhuǎn)換器將數(shù)據(jù)源構(gòu)造成Docuement對象即可進(jìn)行索引。本設(shè)計(jì)實(shí)現(xiàn)了doc,、ppt,、xls、pdf,、txt,、xml解析轉(zhuǎn)換器將其文本信息提取出來。
3.4　搜索性能的比較
　　經(jīng)過多次測試取平均值,，本設(shè)計(jì)在搜索主題信息的平均速度上比Google要快,，雖然數(shù)量上不如Google檢索的多,，但在信息符合度上明顯比其強(qiáng)。這樣就已經(jīng)符合主題用戶,，不一定要多只要精而且節(jié)省時(shí)間的需求,，這對于當(dāng)今效率優(yōu)先的市場來說是非常有競爭力的。應(yīng)用Lucene的搜索引擎的檢索速度與計(jì)算機(jī)的配置有關(guān),，配置較好的計(jì)算機(jī)的搜索時(shí)間相對要少,。以檢索關(guān)鍵字編程為例，Lucene與Google性能比較結(jié)果如表1所示,。

    全文檢索引擎Lucene所構(gòu)建的搜索引擎的搜索個(gè)數(shù)是由磁盤存儲的信息量的多少決定的,，搜索時(shí)間除了第1次檢索有點(diǎn)慢，以后的時(shí)間耗費(fèi)明顯少于通用搜索引擎,。雖然通用搜索引擎提供的信息量大,，但是并不是所有的信息都符合用戶的需求，用戶要在大量的信息中篩選有用的信息要花費(fèi)大量的時(shí)間,，可見主題搜索引擎的優(yōu)勢,，本設(shè)計(jì)基本符合預(yù)期的結(jié)果。
    本文提出了一種解決中文全文檢索的方法,，嵌入到Lucene中可以應(yīng)用到搜索引擎,、中小企業(yè)網(wǎng)站站內(nèi)檢索、個(gè)人用戶桌面搜索引擎建立,、特定文檔檢索數(shù)據(jù)庫建立等,，從而實(shí)現(xiàn)對目標(biāo)文檔方便地檢索管理，提高檢索效率,。并且通過對全文檢索引擎Lucene的研究以及在Lucene API上的擴(kuò)展,，可以開發(fā)出多種應(yīng)用程序，如：網(wǎng)站內(nèi)容搜索系統(tǒng),、可檢索的郵件系統(tǒng),、海量文獻(xiàn)數(shù)據(jù)搜索系統(tǒng)。為了開發(fā)出性能指標(biāo)更高的搜索引擎可以根據(jù)現(xiàn)有的排序算法或自定義排序算法自行開發(fā)結(jié)果排序模塊加入到Lucene中來進(jìn)行測試比較,，這些都有待于繼續(xù)研究,。
參考文獻(xiàn)
[1] 聶頌.具有自動分類功能的主題搜索引擎的研究[D].天津：天津大學(xué)，2004：7－9.
[2] 車東.在應(yīng)用中加入全文檢索功能——基于Java的全文索引引擎Lucene簡介[EB/OL].http：//www.chedong.com/tech/lucene.html.2005-07.
[3] Lucene[EB/OL].2002.http：//lucene.apache.org/java/docs/index.html.2002.
[4] 曹元大,，賀海軍.全文檢索字索引技術(shù)的研究與實(shí)現(xiàn)[J].計(jì)算機(jī)工程,，2002.28(6)：286－288.
[5] 黃昌寧.中文信息處理中的分詞問題[J].語言文字應(yīng)用，1997(1)：72－78.
[6] 李志蜀,，李果.中文搜索引擎的原理剖析及開發(fā)實(shí)現(xiàn)技術(shù)[J].計(jì)算機(jī)應(yīng)用研究,，2001(11):98-101.
[7] 肖創(chuàng)柏.基于全文檢索技術(shù)的商業(yè)信函處理系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)應(yīng)用研究，2004(1)：150－152.