Lucene基础
简介
Lucene是一个开放源代码的全文检索引擎工具包，但它不是一个完整的全文检索引擎，而是一个全文检索引擎的架构，提供了完整的查询引擎和索引引擎。
全文检索
数据总体分为两种：结构化数据和非结构化数据。
（1）结构化数据：指具有固定格式或有限长度的数据，如数据库，元数据等。
（2）非结构化数据：指不定长或无固定格式的数据，如邮件，word文档等磁盘上的文件
非结构化数据查询方法
（1）顺序扫描法(Serial Scanning)： 所谓顺序扫描完所有的文件，速度慢。
（2）全文检索(Full-text Search)：将非结构化数据中的一部分信息提取出来，重新组织，使其变得有一定结构，然后对此有一定结构的数据进行搜索，从而达到搜索相对较快的目的。这部分从非结构化数据中提取出的然后重新组织的信息，我们称之索引。
这种先建立索引，再对索引进行搜索的过程就叫全文检索(Full-text Search)。
lucene全文检索流程
索引和搜索流程图
创建索引
将用户要搜索的文档内容进行索引，索引存储在索引库（index）中。
原始文档
原始文档是指要索引和搜索的内容。原始内容包括互联网上的网页、数据库中的数据、磁盘上的文件等。
从互联网上、数据库、文件系统中等获取需要搜索的原始信息，这个过程就是信息采集，信息采集的目的是为了对原始内容进行索引。在Internet上采集信息的软件通常称为爬虫，，爬虫访问互联网上的每一个网页，将获取到的网页内容存储起来。
获取磁盘上文件的内容，可以通过文件流来读取文本文件的内容，对于pdf、doc、xls等文件可通过第三方提供的解析工具读取文件内容，比如Apache POI读取doc和xls的文件内容。
文档对象
在索引前需要将原始内容创建成文档（Document），文档中包括一个一个的域（Field），域中存储内容。
将磁盘上的一个文件当成一个document，Document中包括一些Field，每个Field由name和对应value组成，那么如file_name文件名称、file_path文件路径、file_size文件大小、file_content文件内容等，value则存储了其实际对应的值。
（1）每个Document可以有多个Field
（2）不同的Document可以有不同的Field
（3）同一个Document可以有相同的Field（域名和域值都相同）
（4）每个文档都有一个唯一的编号，就是文档id。
分析文档
将原始内容创建为包含域（Field）的文档（document），需要再对域中的内容进行分析，分析的过程是经过对原始文档提取单词、将字母转为小写、去除标点符号、去除停用词等过程生成最终的语汇单元，可以将语汇单元理解为一个一个的单词，term。语汇单元
创建索引
对所有文档分析得出的语汇单元进行索引，索引的目的是为了搜索，最终要实现只搜索被索引的语汇单元从而找到Document（文档）。
1）创建索引是对语汇单元索引，通过词语找文档，这种索引的结构叫倒排索引结构。
2）传统方法是根据文件找到该文件的内容，在文件内容中匹配搜索关键字，这种方法是顺序扫描方法，数据量大、搜索慢。
3）倒排索引结构是根据内容（词语）找文档，如下图：
倒排索引
倒排索引结构也叫反向索引结构，包括索引和文档两部分，索引即词汇表，它的规模较小，而文档集合较大。
查询语法
1、基础的查询语法，关键词查询：
域名+“：”+搜索的关键字
例如：content:java
2、范围查询
域名+“:”+[最小值 TO 最大值]
例如：size:[1 TO 1000]
范围查询在lucene中支持数值类型，不支持字符串类型。在solr中支持字符串类型。
3、组合条件查询
1）+条件1 +条件2：两个条件之间是并且的关系and
例如：+filename:apache +content:apache
2）+条件1 条件2：必须满足第一个条件，应该满足第二个条件
例如：+filename:apache content:apache
3）条件1 条件2：两个条件满足其一即可。
例如：filename:apache content:apache
4）-条件1 条件2：必须不满足条件1，要满足条件2
例如：-filename:apache content:apache
4、布尔查询
Occur.MUST：必须满足此条件，相当于and
Occur.SHOULD：应该满足，但是不满足也可以，相当于or
Occur.MUST_NOT：必须不满足。相当于not
