搜索引擎是本上世紀(jì)90年代興起的信息檢索技術(shù),經(jīng)過十多年的發(fā)展,它已經(jīng)滲透到了人們生活的各個領(lǐng)域。然而,傳統(tǒng)的搜索引擎,也即通用搜索引擎,考慮了所有人的需求,即不管用戶是希望找計算機論文方面的信息還是要找籃球運動的信息都一致對待,這樣的搜索引擎需要耗費巨大的資源而速度較慢。并且,由于通用搜索引擎所面向的領(lǐng)域太廣泛,某些利于用戶提高檢索精度和查全率的技術(shù),比如自動分類,在其中的應(yīng)用效果不理想。
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,因為Lucene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4jakarta項目組的一個子項目,是一個開放源代碼的全文檢索引擎工具包,即它不是一個完整的全文檢索引擎,而是一個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,部分文本分析引擎(英文與德文兩種西方語言)。Lucene的目的是為軟件開發(fā)人員提供一個簡單易用的工具包,以方便的在目標(biāo)系統(tǒng)中實現(xiàn)全文檢索的功能,或者是以此為基礎(chǔ)建立起完整的全文檢索引擎。
Lucene是一個高性能、可伸縮的信息搜索(IR)庫。它使你可以為你的應(yīng)用程序添加索引和搜索能力。Lucene是用java實現(xiàn)的成熟的、免費的開源項目,是著名的ApacheJakarta大家庭的一員,并且基于在Apache軟件許可[ASF,License].同樣,Lucene是當(dāng)前與近幾年內(nèi)非常流行的免費的Java信息搜索(IR)庫。
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。Lucene將所有源碼分為7個模塊(在Java語言中以包來表示),各個模塊所表示的系統(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^點來考慮,Lucene應(yīng)用了最基本的一條程序設(shè)計準(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)計對外的接口org.apache.lucene.search及org.apache.lucene.analysis.
Lucene秉承了開放源代碼一貫的架構(gòu)優(yōu)良的優(yōu)勢,設(shè)計了一個合理而極具擴充能力的面向?qū)ο蠹軜?gòu),程序員可以在Lucene的基礎(chǔ)上擴充各種功能,比如擴充中文處理能力,從文本擴充到HTML、PDF等等文本格式的處理,編寫這些擴展的功能不僅僅不復(fù)雜,而且由于Lucene恰當(dāng)合理的對系統(tǒng)設(shè)備做了程序上的抽象,擴展的功能也能輕易的達(dá)到跨平臺的能力。
1.3 Lucene程序運行機制
Lucene系統(tǒng)功能強大,實現(xiàn)復(fù)雜,但從根本上主要包括2個主要功能:(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首先要知道如圖2所示的Lucene索引機制的架構(gòu)。
從圖2可以看出,Lucene索引過程分為3個主要操作階段: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)容中提取出索引項以及相關(guān)信息。
檢索索引庫的運行邏輯如下:
(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個查詢解析器(lucene.queryParser),搜索器調(diào)用這個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
因為Lucene提供的兩個中文分析器(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)實現(xiàn)了一個中文分詞器。它是按照一定的策略將待分析的漢字串與1個"充分大的"詞庫中的詞條進(jìn)行匹配。若在詞庫中找到某個字符串則匹配成功(識別出1個詞)。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個方向在進(jìn)行匹配,而另1個方向的匹配過程需要第1個結(jié)束后才開始。本文的設(shè)計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,同時并發(fā)地執(zhí)行逆向匹配,提高了運行速度和執(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)。[!--empirenews.page--]
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方法。HashMap存儲字典中詞的第1個字,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個字、3個字、多個字的存儲順序存儲; 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個字時,使用contain( )來判斷HashMap中是否存在這個字的映射,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srcdemoorgapacheLucenedemo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)計實現(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。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算機的配置有關(guān),配置較好的計算機的搜索時間相對要少。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數(shù)是由磁盤存儲的信息量的多少決定的,搜索時間除了第1次檢索有點慢,以后的時間耗費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大量的時間,可見主題搜索引擎的優(yōu)勢,本設(shè)計基本符合預(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。