教你什么是搜索引擎。

在了解Lucene之前，我们先看下什么是搜索引擎？

在实际的项目中，我们可能会写了类似这样的SQL。

按标题模糊查询，查询标题与xxxxx有关的新闻:

select  * from t_news where title like ‘%xxxxx%’;

按关键字查询 ，如查询与xxxx有关的新闻:

select  *  from t_news 
where title  like '%苍老师%' or content like '%苍老师'’;

当数据量变大时，这四个查询都变慢了,我们可能会建立索引，但是有的like语句会使索引失效。

可能有的需求对搜索的结果进项相关度排名的显示，对应的sql是否可以满足需求吗？

例如：

要查询 中国、冠状病毒、复工有关的新闻：

含有三个关键字（相关度最高）的新闻排前面

含两个关键字（相关度次之），排次之

含一个关键字 的，排次次之。

这时利用数据库sql实现还是比较困难的。

数据库适合结构化数据的精确查询，而不适合半结构化、非结构化数据的模糊查询及灵活搜索（特别是数据量大时），无法提供想要的实时性。

这个问题，一个解决思路是：

我们查询时，输入的是冠状病毒，想要得到标题或内容中包含“冠状病毒”的新闻列表。

如果标题、内容列上都有一个这样的索引，里面能快速找到与冠状病毒关键字对应的文章id，再根据文章id就可以快速找到文章了。

倒排索引

上面建立索引就是倒排索引，或者又叫做反向索引。

例如：

标题列索引：

内容类索引：

这么多的词，那么需要建立多少个词呢？

反向索引的记录数会不会很大？

通过上面的看，词的总数也不多，那怎么分词，也就是怎么把一句话分成很多常用的词呢？

这时就需要用到了分词器。

分词器

分词器，可以将一段语句分出若干个词。

英文：this is my car 分词后：this，is，my，car

中文：今日头条厉害。今日头条，厉害

常用的中文分词器：

word分词器，Stanford分词器，Ansj分词器，smartcn分词器，FudanNLP分词器，

IKAnalyzer分词等。

有了分词器，还可以获取词在文章的位置，出现的次数。此时可以这样的索引：

词：中国，

内容包含该词的文章id：

{{1,2,{21,32}},{5,3,{18,29,45}}}

1：文章id

2：出现的次数

{21,22}：出现的位置

建立好了这样的反向索引，那怎么索引呢？

步骤1： 对搜索输入的内容进行分词

步骤2： 在反向索引中找出包含中国、复工的文章列表

步骤3： 合并两个列表，排序输出

{1,12,8,5}

输出结果，那怎么排序输入结果呢？把最关注的放到最前面。怎么建立一个相关性评估模型？

这时可以按照词的出现的次数建立模型，当然还有其他的模型来面对更复杂的场景。

统计出现次数，根据次数从高到低排：

中国

排序后：

{{1,5},{5,3},{12,1},{8,1}}

文章id为1，总共出现了5词，文章id为5的出现了3词。。。

其他的复杂的相关性计算模型有：

• tf-idf 词频-逆文档率模型
• 向量空间模型
• 贝叶斯概率模型，如： BM25

搜索引擎中会提供一种、或多种实现供选择使用，也会提供扩展。

电商网站中的搜索相关性计算会考虑更多，更复杂。

这里引入什么是搜索引擎？

搜索引擎

一套可对大量结构化、半结构化数据、非结构化文本类数据进行实时搜索的专门软件。

最早应用于信息检索领域，经谷歌、百度等公司推出网页搜索而为大众广知。后又被各大电商网站采用来做网站的商品搜索。现广泛应用于各行业、互联网应用。

搜索引擎专门解决大量结构化、半结构化数据、非结构化文本类数据的实时检索问题。这种实时搜索数据库做不了。

使用场景：

1. 信息检索（如电子图书馆、电子档案馆）
2. 网页搜索
3. 内容提供网站的内容搜索（如 新闻、论坛、博客网站）
4. 电子商务网站的商品搜索
5. 如果你负责的系统数据量大，通过数据库检索慢，可以考虑用搜索引擎来专门负责检索。

核心部件：

1. 数据源
2. 分词器
3. 反向索引（倒排索引）
4. 相关性计算模型

工作原理：

1. 从数据源加载数据，分词、建立反向索引
2. 搜索时，对搜索输入进行分词，查找反向索引
3. 计算相关性，排序，输出

开源搜索引擎组件、系统：

Lucene:Apache顶级开源项目，Lucene-core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框架，提供了完整的查询引擎和索引引擎，部分文本分词引擎（英文与德文两种西方语言）。Lucene的目的是为软件开发人员提供一个简单易用的工具包，以方便的在目标系统中实现全文检索的功能，或者是以此为基础建立起完整的全文检索引擎。

Nutch：Apache顶级开源项目，包含网络爬虫和搜索引擎(基于lucene)的系统（同百度、google）。Hadoop因它而生。

Solr:Lucene下的子项目，基于Lucene构建的独立的企业级开源搜索平台，一个服务。它提供了基于xml/JSON/http的api供外界访问，还有web管理界面。

Elasticsearch：基于Lucene的企业级分布式搜索平台，它对外提供restful-web接口，让程序员可以轻松、方便使用搜索平台，而不需要了解Lucene。