Java工程師怎么掌握全文搜索引擎

這篇文章主要介紹“Java工程師怎么掌握全文搜索引擎”，在日常操作中，相信很多人在Java工程師怎么掌握全文搜索引擎問題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答”Java工程師怎么掌握全文搜索引擎”的疑惑有所幫助！接下來，請跟著小編一起來學習吧！

什么是全文搜索

首先搞清楚第一個問題：什么是全文搜索引擎？

百度百科中的定義：

全文搜索引擎是目前廣泛應用的主流搜索引擎。它的工作原理是計算機索引程序通過掃描文章中的每一個詞，對每一個詞建立一個索引，指明該詞在文章中出現的次數和位置

當用戶查詢時，檢索程序就根據事先建立的索引進行查找，并將查找的結果反饋給用戶的檢索方式。這個過程類似于通過字典中的檢索字表查字的過程。

從定義中我們已經可以大致了解全文檢索的思路了，為了更詳細的說明，我們先從生活中的數據說起。

我們生活中的數據總體分為兩種：結構化數據 和 非結構化數據。

• 結構化數據： 具有固定格式或有限長度的數據，如數據庫，元數據等

• 非結構化數據： 非結構化數據又可稱為全文數據，指不定長或無固定格式的數據，如郵件，word文檔等

當然有的地方還會有第三種：半結構化數據，如XML，HTML等，當根據需要可按結構化數據來處理，也可抽取出純文本按非結構化數據來處理。

根據兩種數據分類，搜索也相應的分為兩種：

• 結構化數據搜索

• 非結構化數據搜索

對于結構化數據，我們一般都是可以通過關系型數據庫(mysql，oracle等)的 table 的方式存儲和搜索，也可以建立索引。對于非結構化數據，也即對全文數據的搜索主要有兩種方法：順序掃描法，全文檢索

順序掃描：通過文字名稱也可了解到它的大概搜索方式，即按照順序掃描的方式查詢特定的關鍵字。

例如給你一張報紙，讓你找到該報紙中“RNG”的文字在哪些地方出現過。你肯定需要從頭到尾把報紙閱讀掃描一遍然后標記出關鍵字在哪些版塊出現過以及它的出現位置。

這種方式無疑是最耗時的最低效的，如果報紙排版字體小，而且版塊較多甚至有多份報紙，等你掃描完你的眼睛也差不多了。

全文搜索：對非結構化數據順序掃描很慢，我們是否可以進行優化？把我們的非結構化數據想辦法弄得有一定結構不就行了嗎？

我們將非結構化數據中的一部分信息提取出來，重新組織，使其變得有一定結構，然后對此有一定結構的數據進行搜索，從而達到搜索相對較快的目的。

這種方式就構成了全文檢索的基本思路。這部分從非結構化數據中提取出的然后重新組織的信息，我們稱之索引。

還以讀報紙為例，我們想關注最近英雄聯盟 S8 全球總決賽的新聞，假如都是 RNG 的粉絲，如何快速找到 RNG 新聞的報紙和版塊呢？

全文搜索的方式：將所有報紙中所有版塊中關鍵字進行提取，如"EDG"，"RNG"，"FW"，"戰隊"，"英雄聯盟"等。然后對這些關鍵字建立索引，通過索引我們就可以對應到該關鍵詞出現的報紙和版塊。

為什么要用全文搜索引擎

那第二個問題來了，為什么要用搜索引擎？

我們的所有數據在數據庫里面都有，而且 Oracle、SQL Server 等數據庫里也能提供查詢檢索或者聚類分析功能，直接通過數據庫查詢不就可以了嗎？

確實，我們大部分的查詢功能都可以通過數據庫查詢獲得，如果查詢效率低下，還可以通過建數據庫索引，優化SQL等方式進行提升效率，甚至通過引入緩存來加快數據的返回速度。如果數據量更大，就可以分庫分表來分擔查詢壓力。

那為什么還要全文搜索引擎呢？我們主要從以下幾個原因分析：

• 數據類型

• 全文索引搜索支持非結構化數據的搜索，可以更好地快速搜索大量存在的任何單詞或單詞組的非結構化文本。

• 例如 Google，百度類的網站搜索，它們都是根據網頁中的關鍵字生成索引，我們在搜索的時候輸入關鍵字，它們會將該關鍵字即索引匹配到的所有網頁返回

• 還有常見的項目中應用日志的搜索等等。對于這些非結構化的數據文本，關系型數據庫搜索不是能很好的支持。

• 索引的維護

• 一般傳統數據庫，全文檢索都實現的很雞肋，因為一般也沒人用數據庫存文本字段。

• 進行全文檢索需要掃描整個表，如果數據量大的話即使對SQL的語法優化，也收效甚微。建立了索引，但是維護起來也很麻煩，對于 insert 和 update 操作都會重新構建索引。

第三個問題：什么時候使用全文搜索引擎？

1. 搜索的數據對象是大量的非結構化的文本數據。

2. 文件記錄量達到數十萬或數百萬個甚至更多。

3. 支持大量基于交互式文本的查詢。

4. 需求非常靈活的全文搜索查詢。

5. 對高度相關的搜索結果的有特殊需求，但是沒有可用的關系數據庫可以滿足。

6. 對不同記錄類型、非文本數據操作或安全事務處理的需求相對較少的情況。

Lucene or Solr or ElasticSearch ？

現在主流的搜索引擎大概就是：Lucene，Solr，ElasticSearch。

它們的索引建立都是根據倒排索引的方式生成索引，何謂倒排索引？

還是先看看維基百科的解釋：

維基百科

倒排索引（英語：Inverted index），也常被稱為反向索引、置入檔案或反向檔案，是一種索引方法，被用來存儲在全文搜索下某個單詞在一個文檔或者一組文檔中的存儲位置的映射。它是文檔檢索系統中最常用的數據結構。

接下來我們就來看看，這 3 種主流的使用倒排索引的全文搜索引擎。

Lucene

Lucene是一個Java全文搜索引擎，完全用Java編寫。Lucene不是一個完整的應用程序，而是一個代碼庫和API，可以很容易地用于向應用程序添加搜索功能。

Lucene通過簡單的API提供強大的功能：

可擴展的高性能索引

• 在現代硬件上超過150GB /小時

• 小RAM要求 - 只有1MB堆

• 增量索引與批量索引一樣快

• 索引大小約為索引文本大小的20-30％

強大，準確，高效的搜索算法

• 排名搜索 - 首先返回最佳結果

• 許多強大的查詢類型：短語查詢，通配符查詢，鄰近查詢，范圍查詢等

• 現場搜索（例如標題，作者，內容）

• 按任何字段排序

• 使用合并結果進行多索引搜索

• 允許同時更新和搜索

• 靈活的分面，突出顯示，連接和結果分組

• 快速，內存效率和錯誤容忍的建議

• 可插拔排名模型，包括矢量空間模型和Okapi BM25

• 可配置存儲引擎（編解碼器）

跨平臺解決方案

• 作為Apache許可下的開源軟件提供 ，允許您在商業和開源程序中使用Lucene

• 100％-pure Java

• 可用的其他編程語言中的實現是索引兼容的

但是Lucene只是一個框架，要充分利用它的功能，需要使用JAVA，并且在程序中集成Lucene。需要很多的學習了解，才能明白它是如何運行的，熟練運用Lucene確實非常復雜。

Solr

Apache Solr是一個基于名為Lucene的Java庫構建的開源搜索平臺。它以用戶友好的方式提供Apache Lucene的搜索功能。

它提供分布式索引，復制，負載平衡查詢以及自動故障轉移和恢復。如果它被正確部署然后管理得好，它就能夠成為一個高度可靠，可擴展且容錯的搜索引擎。

很多互聯網巨頭，如Netflix，eBay，Instagram和亞馬遜（CloudSearch）都使用Solr，因為它能夠索引和搜索多個站點。

主要功能列表包括：

• 全文搜索

• 分頁搜索

• 實時索引

• 動態群集

• 數據庫集成

• NoSQL功能和豐富的文檔處理（例如Word和PDF文件）

ElasticSearch

Elasticsearch是一個開源的基于Apache Lucene庫構建的 RESTful 搜索引擎，在Solr之后幾年推出的。

它提供了一個分布式，多租戶能力的全文搜索引擎，具有HTTP Web界面（REST）和無架構JSON文檔。

Elasticsearch的官方客戶端庫提供Java，Groovy，PHP，Ruby，Perl，Python，.NET和Javascript。

分布式搜索引擎包括可以劃分為分片的索引，并且每個分片可以具有多個副本。每個Elasticsearch節點都可以有一個或多個分片，其引擎也可以充當協調器，將操作委派給正確的分片。

Elasticsearch可通過近實時搜索進行擴展。其主要功能之一是多租戶。主要功能列表包括：

• 分布式搜索

• 多租戶

• 分析搜索

• 分組和聚合

Elasticsearch vs. Solr，如何選擇？

由于Lucene的復雜性，一般很少會考慮它作為搜索的第一選擇，排除一些公司需要自研搜索框架，底層需要依賴Lucene。所以這里我們重點分析 Elasticsearch 和 Solr。

Elasticsearch vs. Solr。哪一個更好？他們有什么不同？你應該使用哪一個？

歷史比較

Apache Solr是一個成熟的項目，擁有龐大而活躍的開發和用戶社區，以及Apache品牌。Solr于2006年首次發布到開源，長期以來一直占據著搜索引擎領域，并且是任何需要搜索功能的人的首選引擎。

它的成熟轉化為豐富的功能，而不僅僅是簡單的文本索引和搜索； 如分面，分組，強大的過濾，可插入的文檔處理，可插入的搜索鏈組件，語言檢測等。

Solr 在搜索領域占據了多年的主導地位。然后，在2010年左右，Elasticsearch成為市場上的另一種選擇。那時候，它遠沒有Solr那么穩定，沒有Solr的功能深度，沒有思想分享，品牌等等。

Elasticsearch雖然很年輕，但它也自己的一些優勢，Elasticsearch 建立在更現代的原則上，針對更現代的用例，并且是為了更容易處理大型索引和高查詢率而構建的。

此外，由于它太年輕，沒有社區可以合作，它可以自由地向前推進，而不需要與其他人（用戶或開發人員）達成任何共識或合作，向后兼容，或任何其他更成熟的軟件通常必須處理。

因此，它在Solr之前就公開了一些非常受歡迎的功能(例如，接近實時搜索，英文：Near Real-Time Search)。

從技術上講，NRT搜索的能力確實來自Lucene，它是 Solr 和 Elasticsearch 使用的基礎搜索庫。

具有諷刺意味的是，因為 Elasticsearch 首先公開了NRT搜索，所以人們將NRT搜索與Elasticsearch 聯系在一起，盡管 Solr 和 Lucene 都是同一個 Apache 項目的一部分，因此，人們會首先期望 Solr 具有如此高要求的功能。

特征差異比較

這兩個搜索引擎都是流行的，先進的的開源搜索引擎。它們都是圍繞核心底層搜索庫 - Lucene構建的

但它們又是不同的。像所有東西一樣，每個都有其優點和缺點，根據您的需求和期望，每個都可能更好或更差。

所以，話不多說，先來看下它們的差異清單：

綜合比較

另外，我們在從以下幾個方面來分析下：

• 近幾年的流行趨勢

• 我們查看一下這兩種產品的Google搜索趨勢。谷歌趨勢表明，與 Solr 相比，Elasticsearch具有很大的吸引力，但這并不意味著Apache Solr已經死亡

• 雖然有些人可能不這么認為，但Solr仍然是最受歡迎的搜索引擎之一，擁有強大的社區和開源支持。看下圖兩者的對比：

• 安裝和配置

• 與Solr相比，Elasticsearch易于安裝且非常輕巧。此外，您可以在幾分鐘內安裝并運行Elasticsearch。

• 但是，如果Elasticsearch管理不當，這種易于部署和使用可能會成為一個問題。基于JSON的配置很簡單，但如果要為文件中的每個配置指定注釋，那么它不適合您。

• 總的來說，如果您的應用使用的是JSON，那么Elasticsearch是一個更好的選擇。否則，請使用Solr，因為它的schema.xml和solrconfig.xml都有很好的文檔記錄。

• 社區

• Solr擁有更大的開發者和貢獻者社區，ES的社區規模較小，但活躍度高，用戶也在不斷增長。

• Solr是真正的開源社區代碼，任何人都可以為Solr做出貢獻，并且根據優點選出新的Solr開發人員（也稱為提交者）。

• Elasticsearch在技術上是開源的，但在精神上卻不那么重要。任何人都可以看到來源，任何人都可以更改它并提供貢獻，但只有Elasticsearch的員工才能真正對Elasticsearch進行更改。

• Solr貢獻者和提交者來自許多不同的組織，而Elasticsearch提交者來自單個公司。

• 成熟度

• Solr更成熟，但ES增長迅速，我認為它穩定。

• 文檔

• Solr在這里得分很高。它是一個非常有據可查的產品，具有清晰的示例和API用例場景。

• Elasticsearch的文檔組織良好，但它缺乏好的示例和清晰的配置說明。

到此，關于“Java工程師怎么掌握全文搜索引擎”的學習就結束了，希望能夠解決大家的疑惑。理論與實踐的搭配能更好的幫助大家學習，快去試試吧！若想繼續學習更多相關知識，請繼續關注億速云網站，小編會繼續努力為大家帶來更多實用的文章！