1. 基于Java的全文索引引擎Lucene簡(jiǎn)介：關(guān)于作者和Lucene的歷史
2. 全文檢索的實(shí)現(xiàn)：Luene全文索引和數(shù)據(jù)庫索引的比較
3. 中文切分詞機(jī)制簡(jiǎn)介：基于詞庫和自動(dòng)切分詞算法的比較
4. 具體的安裝和使用簡(jiǎn)介：系統(tǒng)結(jié)構(gòu)介紹和演示
5. Hacking Lucene：簡(jiǎn)化的查詢分析器，刪除的實(shí)現(xiàn)，定制的排序，應(yīng)用接口的擴(kuò)展
6. 從Lucene我們還可以學(xué)到什么

基于Java的全文索引/檢索引擎——Lucene

Lucene不是一個(gè)完整的全文索引應(yīng)用，而是是一個(gè)用Java寫的全文索引引擎工具包，它可以方便的嵌入到各種應(yīng)用中實(shí)現(xiàn)針對(duì)應(yīng)用的全文索引/檢索功能。

Lucene的作者：Lucene的貢獻(xiàn)者Doug Cutting是一位資深全文索引/檢索專家，曾經(jīng)是V-Twin搜索引擎(Apple的Copland操作系統(tǒng)的成就之一)的主要開發(fā)者，后在Excite擔(dān)任高級(jí)系統(tǒng)架構(gòu)設(shè)計(jì)師，目前從事于一些INTERNET底層架構(gòu)的研究。他貢獻(xiàn)出的Lucene的目標(biāo)是為各種中小型應(yīng)用程序加入全文檢索功能。

Lucene的發(fā)展歷程：早先發(fā)布在作者自己的www.lucene.com，后來發(fā)布在SourceForge，2001年年底成為APACHE基金會(huì)jakarta的一個(gè)子項(xiàng)目：http://jakarta.apache.org/lucene/

已經(jīng)有很多Java項(xiàng)目都使用了Lucene作為其后臺(tái)的全文索引引擎，比較著名的有：

• Jive：WEB論壇系統(tǒng)；
• Eyebrows：郵件列表HTML歸檔/瀏覽/查詢系統(tǒng)，本文的主要參考文檔“TheLucene search engine: Powerful, flexible, and free”作者就是EyeBrows系統(tǒng)的主要開發(fā)者之一，而EyeBrows已經(jīng)成為目前APACHE項(xiàng)目的主要郵件列表歸檔系統(tǒng)。
• Cocoon:基于XML的web發(fā)布框架，全文檢索部分使用了Lucene

·         Eclipse:基于Java的開放開發(fā)平臺(tái)，幫助部分的全文索引使用了Lucene

對(duì)于中文用戶來說，最關(guān)心的問題是其是否支持中文的全文檢索。但通過后面對(duì)于Lucene的結(jié)構(gòu)的介紹，你會(huì)了解到由于Lucene良好架構(gòu)設(shè)計(jì)，對(duì)中文的支持只需對(duì)其語言詞法分析接口進(jìn)行擴(kuò)展就能實(shí)現(xiàn)對(duì)中文檢索的支持。

全文檢索的實(shí)現(xiàn)機(jī)制

Lucene的API接口設(shè)計(jì)的比較通用，輸入輸出結(jié)構(gòu)都很像數(shù)據(jù)庫的表==>記錄==>字段，所以很多傳統(tǒng)的應(yīng)用的文件、數(shù)據(jù)庫等都可以比較方便的映射到Lucene的存儲(chǔ)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)。

比較一下Lucene和數(shù)據(jù)庫：

索引數(shù)據(jù)源：doc(field1,field2...) doc(field1,field2...)

                              " indexer /

                             _____________

                            | Lucene Index|

                            --------------

                             / searcher "

             結(jié)果輸出：Hits(doc(field1,field2) doc(field1...))

 索引數(shù)據(jù)源：record(field1,field2...) record(field1..)

                          " SQL: insert/

                           _____________

                          | DB Index   |

                           -------------

                          / SQL: select "

            結(jié)果輸出：results(record(field1,field2..) record(field1...))

全文檢索 ≠ like "%keyword%"

通常比較厚的書籍后面常常附關(guān)鍵詞索引表（比如：北京：12, 34頁，上海：3,77頁……），它能夠幫助讀者比較快地找到相關(guān)內(nèi)容的頁碼。而數(shù)據(jù)庫索引能夠大大提高查詢的速度原理也是一樣，想像一下通過書后面的索引查找的速度要比一頁一頁地翻內(nèi)容高多少倍……而索引之所以效率高，另外一個(gè)原因是它是排好序的。對(duì)于檢索系統(tǒng)來說核心是一個(gè)排序問題。

由于數(shù)據(jù)庫索引不是為全文索引設(shè)計(jì)的，因此，使用like "%keyword%"時(shí)，數(shù)據(jù)庫索引是不起作用的，在使用like查詢時(shí)，搜索過程又變成類似于一頁頁翻書的遍歷過程了，所以對(duì)于含有模糊查詢的數(shù)據(jù)庫服務(wù)來說，LIKE對(duì)性能的危害是極大的。如果是需要對(duì)多個(gè)關(guān)鍵詞進(jìn)行模糊匹配：like"%keyword1%" and like "%keyword2%" ...其效率也就可想而知了。

所以建立一個(gè)高效檢索系統(tǒng)的關(guān)鍵是建立一個(gè)類似于科技索引一樣的反向索引機(jī)制，將數(shù)據(jù)源（比如多篇文章）排序順序存儲(chǔ)的同時(shí)，有另外一個(gè)排好序的關(guān)鍵詞列表，用于存儲(chǔ)關(guān)鍵詞==>文章映射關(guān)系，利用這樣的映射關(guān)系索引：[關(guān)鍵詞==>出現(xiàn)關(guān)鍵詞的文章編號(hào)，出現(xiàn)次數(shù)（甚至包括位置：起始偏移量，結(jié)束偏移量），出現(xiàn)頻率]，檢索過程就是把模糊查詢變成多個(gè)可以利用索引的精確查詢的邏輯組合的過程。從而大大提高了多關(guān)鍵詞查詢的效率，所以，全文檢索問題歸結(jié)到最后是一個(gè)排序問題[l1] 。

由此可以看出模糊查詢相對(duì)數(shù)據(jù)庫的精確查詢是一個(gè)非常不確定的問題，這也是大部分?jǐn)?shù)據(jù)庫對(duì)全文檢索支持有限的原因。Lucene最核心的特征是通過特殊的索引結(jié)構(gòu)實(shí)現(xiàn)了傳統(tǒng)數(shù)據(jù)庫不擅長(zhǎng)的全文索引機(jī)制，并提供了擴(kuò)展接口，以方便針對(duì)不同應(yīng)用的定制。

可以通過一下表格對(duì)比一下數(shù)據(jù)庫的模糊查詢：

全文檢索和數(shù)據(jù)庫應(yīng)用最大的不同在于：讓最相關(guān)的頭100條結(jié)果滿足98%以上用戶的需求

Lucene的創(chuàng)新之處：

大部分的搜索（數(shù)據(jù)庫）引擎都是用B樹結(jié)構(gòu)來維護(hù)索引，索引的更新會(huì)導(dǎo)致大量的IO操作，Lucene在實(shí)現(xiàn)中，對(duì)此稍微有所改進(jìn)：不是維護(hù)一個(gè)索引文件，而是在擴(kuò)展索引的時(shí)候不斷創(chuàng)建新的索引文件，然后定期的把這些新的小索引文件合并到原先的大索引中（針對(duì)不同的更新策略，批次的大小可以調(diào)整），這樣在不影響檢索的效率的前提下，提高了索引的效率。

Lucene和其他一些全文檢索系統(tǒng)/應(yīng)用的比較：

關(guān)于亞洲語言的的切分詞問題(Word Segment)

對(duì)于中文來說，全文索引首先還要解決一個(gè)語言分析的問題，對(duì)于英文來說，語句中單詞之間是天然通過空格分開的，但亞洲語言的中日韓文語句中的字是一個(gè)字挨一個(gè)，所有，首先要把語句中按“詞”進(jìn)行索引的話，這個(gè)詞如何切分出來就是一個(gè)很大的問題。

首先，肯定不能用單個(gè)字符作(si-gram)為索引單元，否則查“上海”時(shí)，不能讓含有“海上”也匹配。

但一句話：“北京天安門”，計(jì)算機(jī)如何按照中文的語言習(xí)慣進(jìn)行切分呢？
“北京天安門” 還是“北京天安門”？讓計(jì)算機(jī)能夠按照語言習(xí)慣進(jìn)行切分，往往需要機(jī)器有一個(gè)比較豐富的詞庫才能夠比較準(zhǔn)確的識(shí)別出語句中的單詞。

另外一個(gè)解決的辦法是采用自動(dòng)切分算法：將單詞按照2元語法(bigram)方式切分出來，比如：
"北京天安門" ==> "北京京天天安安門"。[l2] 

這樣，在查詢的時(shí)候，無論是查詢"北京" 還是查詢"天安門"，將查詢?cè)~組按同樣的規(guī)則進(jìn)行切分："北京"，"天安安門"，多個(gè)關(guān)鍵詞之間按與"and"的關(guān)系組合，同樣能夠正確地映射到相應(yīng)的索引中。這種方式對(duì)于其他亞洲語言：韓文，日文都是通用的。

基于自動(dòng)切分的最大優(yōu)點(diǎn)是沒有詞表維護(hù)成本，實(shí)現(xiàn)簡(jiǎn)單，缺點(diǎn)是索引效率低，但對(duì)于中小型應(yīng)用來說，基于2元語法的切分還是夠用的。基于2元切分后的索引一般大小和源文件差不多，而對(duì)于英文，索引文件一般只有原文件的30%-40%不同，

目前比較大的搜索引擎的語言分析算法一般是基于以上2個(gè)機(jī)制的結(jié)合。關(guān)于中文的語言分析算法，大家可以在Google查關(guān)鍵詞"wordsegment search"能找到更多相關(guān)的資料。

安裝和使用

下載：http://jakarta.apache.org/lucene/

注意：Lucene中的一些比較復(fù)雜的詞法分析是用JavaCC生成的（JavaCC：JavaCompilerCompiler，純Java的詞法分析生成器），所以如果從源代碼編譯或需要修改其中的QueryParser、定制自己的詞法分析器，還需要從https://javacc.dev.java.net/下載javacc。

lucene的組成結(jié)構(gòu)：對(duì)于外部應(yīng)用來說索引模塊(index)和檢索模塊(search)是主要的外部應(yīng)用入口

簡(jiǎn)單的例子演示一下Lucene的使用方法：

索引過程：從命令行讀取文件名（多個(gè)），將文件分路徑(path字段)和內(nèi)容(body字段)2個(gè)字段進(jìn)行存儲(chǔ)，并對(duì)內(nèi)容進(jìn)行全文索引：索引的單位是Document對(duì)象，每個(gè)Document對(duì)象包含多個(gè)字段Field對(duì)象，針對(duì)不同的字段屬性和數(shù)據(jù)輸出的需求，對(duì)字段還可以選擇不同的索引/存儲(chǔ)字段規(guī)則，列表如下：

public class IndexFiles { 

 //使用方法：: IndexFiles [索引輸出目錄] [索引的文件列表] ... 

 public static void main(String[] args) throws Exception {

    String indexPath = args[0];

    IndexWriter writer;

    //用指定的語言分析器構(gòu)造一個(gè)新的寫索引器（第3個(gè)參數(shù)表示是否為追加索引）

    writer = new IndexWriter(indexPath, new SimpleAnalyzer(), false);



    for (int i=1; i<args.length; i++) {

      System.out.println("Indexing file " + args[i]);

      InputStream is = new FileInputStream(args[i]);



      //構(gòu)造包含2個(gè)字段Field的Document對(duì)象

      //一個(gè)是路徑path字段，不索引，只存儲(chǔ)

      //一個(gè)是內(nèi)容body字段，進(jìn)行全文索引，并存儲(chǔ)

      Document doc = new Document();

      doc.add(Field.UnIndexed("path", args[i]));

      doc.add(Field.Text("body", (Reader) new InputStreamReader(is)));

      //將文檔寫入索引

      writer.addDocument(doc);

      is.close();

    };

    //關(guān)閉寫索引器

    writer.close();

 }

}

　

索引過程中可以看到：

• 語言分析器提供了抽象的接口，因此語言分析(Analyser)是可以定制的，雖然lucene缺省提供了2個(gè)比較通用的分析器SimpleAnalyser和StandardAnalyser，這2個(gè)分析器缺省都不支持中文，所以要加入對(duì)中文語言的切分規(guī)則，需要修改這2個(gè)分析器。
• Lucene并沒有規(guī)定數(shù)據(jù)源的格式，而只提供了一個(gè)通用的結(jié)構(gòu)（Document對(duì)象）來接受索引的輸入，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)造成成Docuement對(duì)象即可進(jìn)行索引。
• 對(duì)于大批量的數(shù)據(jù)索引，還可以通過調(diào)整IndexerWrite的文件合并頻率屬性（mergeFactor）來提高批量索引的效率。

檢索過程和結(jié)果顯示：

搜索結(jié)果返回的是Hits對(duì)象，可以通過它再訪問Document==>Field中的內(nèi)容。

假設(shè)根據(jù)body字段進(jìn)行全文檢索，可以將查詢結(jié)果的path字段和相應(yīng)查詢的匹配度(score)打印出來，

public class Search { 

 public static void main(String[] args) throws Exception {

    String indexPath = args[0], queryString = args[1];

    //指向索引目錄的搜索器

    Searcher searcher = new IndexSearcher(indexPath);

    //查詢解析器：使用和索引同樣的語言分析器

    Query query = QueryParser.parse(queryString, "body", 

                              new SimpleAnalyzer());

    //搜索結(jié)果使用Hits存儲(chǔ)

    Hits hits = searcher.search(query);

    //通過hits可以訪問到相應(yīng)字段的數(shù)據(jù)和查詢的匹配度

    for (int i=0; i<hits.length(); i++) {

      System.out.println(hits.doc(i).get("path") + "; Score: " + 

                         hits.score(i));

    };

 }

}

在整個(gè)檢索過程中，語言分析器，查詢分析器，甚至搜索器（Searcher）都是提供了抽象的接口，可以根據(jù)需要進(jìn)行定制。

Hacking Lucene

簡(jiǎn)化的查詢分析器

個(gè)人感覺lucene成為JAKARTA項(xiàng)目后，畫在了太多的時(shí)間用于調(diào)試日趨復(fù)雜QueryParser，而其中大部分是大多數(shù)用戶并不很熟悉的，目前LUCENE支持的語法：

Query ::= ( Clause )*
Clause ::= ["+", "-"] [<TERM> ":"] ( <TERM> | "(" Query ")")

中間的邏輯包括：and or + - &&||等符號(hào)，而且還有"短語查詢"和針對(duì)西文的前綴/模糊查詢等，個(gè)人感覺對(duì)于一般應(yīng)用來說，這些功能有一些華而不實(shí)，其實(shí)能夠?qū)崿F(xiàn)目前類似于Google的查詢語句分析功能其實(shí)對(duì)于大多數(shù)用戶來說已經(jīng)夠了。所以，Lucene早期版本的QueryParser仍是比較好的選擇。

添加修改刪除指定記錄（Document）

Lucene提供了索引的擴(kuò)展機(jī)制，因此索引的動(dòng)態(tài)擴(kuò)展應(yīng)該是沒有問題的，而指定記錄的修改也似乎只能通過記錄的刪除，然后重新加入實(shí)現(xiàn)。如何刪除指定的記錄呢？刪除的方法也很簡(jiǎn)單，只是需要在索引時(shí)根據(jù)數(shù)據(jù)源中的記錄ID專門另建索引，然后利用IndexReader.delete(Termterm)方法通過這個(gè)記錄ID刪除相應(yīng)的Document。

根據(jù)某個(gè)字段值的排序功能

lucene缺省是按照自己的相關(guān)度算法（score）進(jìn)行結(jié)果排序的，但能夠根據(jù)其他字段進(jìn)行結(jié)果排序是一個(gè)在LUCENE的開發(fā)郵件列表中經(jīng)常提到的問題，很多原先基于數(shù)據(jù)庫應(yīng)用都需要除了基于匹配度（score）以外的排序功能。而從全文檢索的原理我們可以了解到，任何不基于索引的搜索過程效率都會(huì)導(dǎo)致效率非常的低，如果基于其他字段的排序需要在搜索過程中訪問存儲(chǔ)字段，速度回大大降低，因此非常是不可取的。

但這里也有一個(gè)折中的解決方法：在搜索過程中能夠影響排序結(jié)果的只有索引中已經(jīng)存儲(chǔ)的docID和score這2個(gè)參數(shù)，所以，基于score以外的排序，其實(shí)可以通過將數(shù)據(jù)源預(yù)先排好序，然后根據(jù)docID進(jìn)行排序來實(shí)現(xiàn)。這樣就避免了在LUCENE搜索結(jié)果外對(duì)結(jié)果再次進(jìn)行排序和在搜索過程中訪問不在索引中的某個(gè)字段值。

這里需要修改的是IndexSearcher中的HitCollector過程：

...

　scorer.score(new HitCollector() {

        private float minScore = 0.0f;

        public final void collect(int doc, float score) {

         if (score > 0.0f &&                  // ignore zeroed buckets

              (bits==null || bits.get(doc))) {         // skip docs not in bits

            totalHits[0]++;

            if (score >= minScore) {

              /* 原先：Lucene將docID和相應(yīng)的匹配度score例入結(jié)果命中列表中：

               * hq.put(new ScoreDoc(doc, score));     // update hit queue

               * 如果用doc 或 1/doc 代替 score，就實(shí)現(xiàn)了根據(jù)docID順排或逆排

               * 假設(shè)數(shù)據(jù)源索引時(shí)已經(jīng)按照某個(gè)字段排好了序，而結(jié)果根據(jù)docID排序也就實(shí)現(xiàn)了

               * 針對(duì)某個(gè)字段的排序，甚至可以實(shí)現(xiàn)更復(fù)雜的score和docID的擬合。

               */

              hq.put(new ScoreDoc(doc, (float) 1/doc )); 

              if (hq.size() > nDocs) {         // if hit queue overfull

               hq.pop();                       // remove lowest in hit queue

               minScore = ((ScoreDoc)hq.top()).score; // reset minScore

              }

            }

         }

        }

      }, reader.maxDoc());

更通用的輸入輸出接口

雖然lucene沒有定義一個(gè)確定的輸入文檔格式，但越來越多的人想到使用一個(gè)標(biāo)準(zhǔn)的中間格式作為Lucene的數(shù)據(jù)導(dǎo)入接口，然后其他數(shù)據(jù)，比如PDF只需要通過解析器轉(zhuǎn)換成標(biāo)準(zhǔn)的中間格式就可以進(jìn)行數(shù)據(jù)索引了。這個(gè)中間格式主要以XML為主，類似實(shí)現(xiàn)已經(jīng)不下4，5個(gè)：

數(shù)據(jù)源: WORD       PDF     HTML    DB       other

         "          |       |      |         /

                       XML中間格式

                            |

                     Lucene INDEX

目前還沒有針對(duì)MSWord文檔的解析器，因?yàn)?/span>Word文檔和基于ASCII的RTF文檔不同，需要使用COM對(duì)象機(jī)制解析。這個(gè)是我在Google上查的相關(guān)資料：http://www.intrinsyc.com/products/enterprise_applications.asp
另外一個(gè)辦法就是把Word文檔轉(zhuǎn)換成text：http://www.winfield.demon.nl/index.html

索引過程優(yōu)化

索引一般分2種情況，一種是小批量的索引擴(kuò)展，一種是大批量的索引重建。在索引過程中，并不是每次新的DOC加入進(jìn)去索引都重新進(jìn)行一次索引文件的寫入操作（文件I/O是一件非常消耗資源的事情）。

Lucene先在內(nèi)存中進(jìn)行索引操作，并根據(jù)一定的批量進(jìn)行文件的寫入。這個(gè)批次的間隔越大，文件的寫入次數(shù)越少，但占用內(nèi)存會(huì)很多。反之占用內(nèi)存少，但文件IO操作頻繁，索引速度會(huì)很慢。在IndexWriter中有一個(gè)MERGE_FACTOR參數(shù)可以幫助你在構(gòu)造索引器后根據(jù)應(yīng)用環(huán)境的情況充分利用內(nèi)存減少文件的操作。根據(jù)我的使用經(jīng)驗(yàn)：缺省Indexer是每20條記錄索引后寫入一次，每將MERGE_FACTOR增加50倍，索引速度可以提高1倍左右。

搜索過程優(yōu)化

lucene支持內(nèi)存索引：這樣的搜索比基于文件的I/O有數(shù)量級(jí)的速度提升。
http://www.onjava.com/lpt/a/3273
而盡可能減少IndexSearcher的創(chuàng)建和對(duì)搜索結(jié)果的前臺(tái)的緩存也是必要的。

Lucene面向全文檢索的優(yōu)化在于首次索引檢索后，并不把所有的記錄（Document）具體內(nèi)容讀取出來，而起只將所有結(jié)果中匹配度最高的頭100條結(jié)果（TopDocs）的ID放到結(jié)果集緩存中并返回，這里可以比較一下數(shù)據(jù)庫檢索：如果是一個(gè)10,000條的數(shù)據(jù)庫檢索結(jié)果集，數(shù)據(jù)庫是一定要把所有記錄內(nèi)容都取得以后再開始返回給應(yīng)用結(jié)果集的。所以即使檢索匹配總數(shù)很多，Lucene的結(jié)果集占用的內(nèi)存空間也不會(huì)很多。對(duì)于一般的模糊檢索應(yīng)用是用不到這么多的結(jié)果的，頭100條已經(jīng)可以滿足90%以上的檢索需求。

如果首批緩存結(jié)果數(shù)用完后還要讀取更后面的結(jié)果時(shí)Searcher會(huì)再次檢索并生成一個(gè)上次的搜索緩存數(shù)大1倍的緩存，并再重新向后抓取。所以如果構(gòu)造一個(gè)Searcher去查1－120條結(jié)果，Searcher其實(shí)是進(jìn)行了2次搜索過程：頭100條取完后，緩存結(jié)果用完，Searcher重新檢索再構(gòu)造一個(gè)200條的結(jié)果緩存，依此類推，400條緩存，800條緩存。由于每次Searcher對(duì)象消失后，這些緩存也訪問那不到了，你有可能想將結(jié)果記錄緩存下來，緩存數(shù)盡量保證在100以下以充分利用首次的結(jié)果緩存，不讓Lucene浪費(fèi)多次檢索，而且可以分級(jí)進(jìn)行結(jié)果緩存。

Lucene的另外一個(gè)特點(diǎn)是在收集結(jié)果的過程中將匹配度低的結(jié)果自動(dòng)過濾掉了。這也是和數(shù)據(jù)庫應(yīng)用需要將搜索的結(jié)果全部返回不同之處。

我的一些嘗試：

• 支持中文的Tokenizer：這里有2個(gè)版本，一個(gè)是通過JavaCC生成的，對(duì)CJK部分按一個(gè)字符一個(gè)TOKEN索引，另外一個(gè)是從SimpleTokenizer改寫的，對(duì)英文支持?jǐn)?shù)字和字母TOKEN，對(duì)中文按迭代索引。
• 基于XML數(shù)據(jù)源的索引器：XMLIndexer，因此所有數(shù)據(jù)源只要能夠按照DTD轉(zhuǎn)換成指定的XML，就可以用XMLIndxer進(jìn)行索引了。
• 根據(jù)某個(gè)字段排序：按記錄索引順序排序結(jié)果的搜索器：IndexOrderSearcher，因此如果需要讓搜索結(jié)果根據(jù)某個(gè)字段排序，可以讓數(shù)據(jù)源先按某個(gè)字段排好序（比如：PriceField），這樣索引后，然后在利用這個(gè)按記錄的ID順序檢索的搜索器，結(jié)果就是相當(dāng)于是那個(gè)字段排序的結(jié)果了。

從Lucene學(xué)到更多

Luene的確是一個(gè)面對(duì)對(duì)象設(shè)計(jì)的典范

• 所有的問題都通過一個(gè)額外抽象層來方便以后的擴(kuò)展和重用：你可以通過重新實(shí)現(xiàn)來達(dá)到自己的目的，而對(duì)其他模塊而不需要；
• 簡(jiǎn)單的應(yīng)用入口Searcher, Indexer，并調(diào)用底層一系列組件協(xié)同的完成搜索任務(wù)；
• 所有的對(duì)象的任務(wù)都非常專一：比如搜索過程：QueryParser分析將查詢語句轉(zhuǎn)換成一系列的精確查詢的組合(Query),通過底層的索引讀取結(jié)構(gòu)IndexReader進(jìn)行索引的讀取，并用相應(yīng)的打分器給搜索結(jié)果進(jìn)行打分/排序等。所有的功能模塊原子化程度非常高，因此可以通過重新實(shí)現(xiàn)而不需要修改其他模塊。 
• 除了靈活的應(yīng)用接口設(shè)計(jì)，Lucene還提供了一些適合大多數(shù)應(yīng)用的語言分析器實(shí)現(xiàn)（SimpleAnalyser,StandardAnalyser），這也是新用戶能夠很快上手的重要原因之一。

這些優(yōu)點(diǎn)都是非常值得在以后的開發(fā)中學(xué)習(xí)借鑒的。作為一個(gè)通用工具包，Lunece的確給予了需要將全文檢索功能嵌入到應(yīng)用中的開發(fā)者很多的便利。

此外，通過對(duì)Lucene的學(xué)習(xí)和使用，我也更深刻地理解了為什么很多數(shù)據(jù)庫優(yōu)化設(shè)計(jì)中要求，比如：

• 盡可能對(duì)字段進(jìn)行索引來提高查詢速度，但過多的索引會(huì)對(duì)數(shù)據(jù)庫表的更新操作變慢，而對(duì)結(jié)果過多的排序條件，實(shí)際上往往也是性能的殺手之一。
• 很多商業(yè)數(shù)據(jù)庫對(duì)大批量的數(shù)據(jù)插入操作會(huì)提供一些優(yōu)化參數(shù)，這個(gè)作用和索引器的merge_factor的作用是類似的，
• 20%/80%原則：查的結(jié)果多并不等于質(zhì)量好，尤其對(duì)于返回結(jié)果集很大，如何優(yōu)化這頭幾十條結(jié)果的質(zhì)量往往才是最重要的。
• 盡可能讓應(yīng)用從數(shù)據(jù)庫中獲得比較小的結(jié)果集，因?yàn)榧词箤?duì)于大型數(shù)據(jù)庫，對(duì)結(jié)果集的隨機(jī)訪問也是一個(gè)非常消耗資源的操作。

參考資料：

Apache: Lucene Project
http://jakarta.apache.org/lucene/
Lucene開發(fā)/用戶郵件列表歸檔
Lucene-dev@jakarta.apache.org
Lucene-user@jakarta.apache.org

The Lucene search engine: Powerful, flexible, and free
http://www.javaworld.com/javaworld/jw-09-2000/jw-0915-Lucene_p.html

Lucene Tutorial
http://www.darksleep.com/puff/lucene/lucene.html

Notes on distributed searching with Lucene
http://home.clara.net/markharwood/lucene/

中文語言的切分詞
http://www.google.com/search?sourceid=navclient&hl=zh-CN&q=chinese+word+segment

搜索引擎工具介紹
http://searchtools.com/

Lucene作者Cutting的幾篇論文和專利
http://lucene.sourceforge.net/publications.html 

Lucene的.NET實(shí)現(xiàn)：dotLucene
http://sourceforge.net/projects/dotlucene/

Lucene作者Cutting的另外一個(gè)項(xiàng)目：基于Java的搜索引擎Nutch
http://www.nutch.org/   http://sourceforge.net/projects/nutch/

關(guān)于基于詞表和N-Gram的切分詞比較
http://china.nikkeibp.co.jp/cgi-bin/china/news/int/int200302100112.html

2005-01-08 Cutting在Pisa大學(xué)做的關(guān)于Lucene的講座：非常詳細(xì)的Lucene架構(gòu)解說

特別感謝：
前網(wǎng)易CTO許良杰(Jack Xu)給我的指導(dǎo)：是您將我?guī)肓怂阉饕孢@個(gè)行業(yè)。