一文让你轻松了解全文检索-创新互联
全文检索技术被广泛的应用于搜索引擎，查询检索等领域。我们在网络上的大部分搜索服务都用到了全文检索技术。
对于数据量大、数据结构不固定的数据可采用全文检索方式搜索，比如百度、Google等搜索引擎、论坛站内搜索、电商网站站内搜索等。
什么是全文检索呢？先看一下百度百科的专业定义。
为了能更好的理解，我们先看一个简单的例子。
案例
实现一个文件的搜索功能，通过关键字搜索文件，凡是文件名或文件内容包括关键字的文件都需要找出来。还可以根据中文词语进行查询，并且需要支持多个条件查询。
本案例中的原始内容就是磁盘上的一些示例文件，如下图：
如果用数据库实现的话，数据库中的搜索很容易实现，通常都是使用sql语句进行查询，而且能很快的得到查询结果。
为什么数据库搜索很容易？
因为数据库中的数据存储是有规律的，有行有列而且数据格式、数据长度都是固定的。
但是，我们生活中的数据总体是分为两种的：结构化数据和非结构化数据。
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。
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
结构化数据的查询我们可以通过sql搞定，那么非结构化的呢？
非结构化数据的查询方法
非结构化数据查询有两种办法：
（1）顺序扫描法(Serial Scanning)
所谓顺序扫描，比如要找内容包含某一个字符串的文件，就是一个文档一个文档的看，对于每一个文档，从头看到尾，如果此文档包含此字符串，则此文档为我们要找的文件，接着看下一个文件，直到扫描完所有的文件。如利用windows的搜索也可以搜索文件内容，只是相当的慢。
（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。
例如：字典。字典的拼音表和部首检字表就相当于字典的索引，对每一个字的解释是非结构化的，如果字典没有音节表和部首检字表，在茫茫辞海中找一个字只能顺序扫描。然而字的某些信息可以提取出来进行结构化处理，比如读音，就比较结构化，分声母和韵母，分别只有几种可以一一列举，于是将读音拿出来按一定的顺序排列，每一项读音都指向此字的详细解释的页数。我们搜索时按结构化的拼音搜到读音，然后按其指向的页数，便可找到我们的非结构化数据——也即对字的解释。
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)。
虽然创建索引的过程也是非常耗时的，但是索引一旦创建就可以多次使用，全文检索主要处理的是查询，所以耗时间创建索引是值得的。
那么如何实现全文检索呢？
Lucene
提到全文检索，不得不提到的一个技术就是Lucene，Lucene是apache下的一个开放源代码的全文检索引擎工具包。提供了完整的查询引擎和索引引擎，部分文本分析引擎。我们所熟知的全文检索引擎Solr和ES都是基于Lucene的。
- 绿色表示索引过程，对要搜索的原始内容进行索引构建一个索引库，索引过程包括：
确定原始内容即要搜索的内容->采集文档->创建文档->分析文档->索引文档
- 红色表示搜索过程，从索引库中搜索内容，搜索过程包括：
用户通过搜索界面->创建查询->执行搜索，从索引库搜索->渲染搜索结果
创建索引
也就是对文档索引的过程，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。
比如刚才的这些文档：
我们要分析其中所有的单词，将单词、文档名建立映射关系。
（对于单词的切分包括了对原始文档提取单词、去除停用词等过程，这个过程被称为分词）
我们分析其中的一篇文档Lucene.txt：
原文档内容：
Lucene is a Java full-text search engine. Lucene is not a complete
application, but rather a code library and API that can easily be used
to add search capabilities to applications.
我们可以分析后得到语汇单元：
lucene、java、full、search、engine。。。。
另一个文档flink.txt加入几个单词：
java flink kakfa
我们也可以得到语汇单元：
java flink kakfa
这样我们就建立了映射关系，lucene、java、full、search在Lucene.txt中，而flink不在Lucene.txt中，但是在flink.txt中。java即在Lucene.txt中，也在flink.txt中。
那当我们查找lucene这个词，就在Lucene.txt中，但是查找java时可以获悉其在这两个文件中。
创建索引是对语汇单元索引，通过词语找文档，这种索引的结构就叫做叫倒排索引结构。
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。
倒排索引结构是根据内容（词语）找文档，如下图：
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。
有倒排索引，对应肯定，有正向索引。正向索引其实就是顺序扫描所有文件，这样本身效率是极低的。
查询索引
查询索引也是搜索的过程。搜索就是用户输入关键字，从索引（index）中进行搜索的过程。根据关键字搜索索引，根据索引找到对应的文档，从而找到要搜索的内容（这里指磁盘上的文件）。
我们这里就是通过查询索引表，找到文档所在的位置，就完成了查询，但其他的场景可以灵活的把查询出来的结果展示出去，比如我们的百度搜索时，为我们展示的是相关网页。
开发一个自己的全文检索
手动去开发建立索引和查询索引的功能需要大量的工作，好在lucene已经帮我们完成了大量的工作，只需要调用java api就可以完成相关工作。
但是Lucene的API过于底层，并不简单易用，而且缺乏企业级的管理工具对其进行监控管理，于是企业级的全文检索引擎就应运而生了，目前最流行的两个就是：Solr和ES。他们都是建立在Lucene之上的。
Solr
Solr是Apache Lucene项目的开源企业搜索平台。Solr是高度可扩展的，并提供了分布式搜索和索引复制。
Solr由Java开发，运行在Servlet容器中，是一个独立的全文搜索服务器。并具有强大的API和外部配置功能，使得无需编码，便可对其调整以适应多种类型应用。
2010年Apache Lucene与Apache Solr项目合并，所以Lucene/Solr成为了Apache一个项目。
由此可见，Solr的优势就是：
有一个成熟的开发者社区;本省比较稳定;支持多种格式的索引。
但是由于底层机制的限制，Solr的缺点也很明显：
建立索引时，搜索效率下降；实时索引搜索效率不高。
ES
ES也就是Elasticsearch，是一个实时的分布式搜索和分析引擎，它可以用于全文搜索，结构化搜索以及分析。
由于Lucene过于复杂，不方便使用。Elasticsearch使用Lucene作为内部引擎，但是Elasticsearch做搜索引擎时，只需要使用同一的API就可以，而不需要了解复杂的Lucene原理。
而且Elasticsearch不仅仅可以做全文搜索功能，在企业中可以作为：
- 分布式实时文件存储；
- 实时分析的分布式搜索引擎；
Elasticsearch的Restful API友好而且简单，特别容易上手。
目前包括维基百科、Stackoverflow、Github等都是用Elasticsearch作为其搜索引擎。
ES简单体验
这里我们简单使用一个ES完成一个全文检索功能。
1、下载
首先在官网下载 ，官网地址：https://www.elastic.co/products/elasticsearch
下载地址如下：https://www.elastic.co/cn/downloads/elasticsearch
选择自己系统的我们这选择WIndows版本。
同时我们可以下载kibana，kibana是配合ES的一个可视化工具。
2、安装部署
解压 放在d盘
随后我们在命令行启动：
C:\Users\JN>d:
D:>cd
D:\elasticsearch-6.4.0>cd bin
D:\elasticsearch-6.4.0\bin>elasticsearch.batkibana也是
C:\Users\JN>d:
D:>cd kibana-6.4.0-windows-x86_64
D:\kibana-6.4.0-windows-x86_64>cd bin
D:\kibana-6.4.0-windows-x86_64\bin>kibana.bat部署成功：可以通过localhost:9200访问es
localhost:5601访问kibana
3、简单使用
我们简单体验一下ES，打开kibana的DevTools工具。
分别插入两条数据，并进行搜索。
使用编程语言调用ES也与这个类似，简单易用。
创新互联www.cdcxhl.cn，专业提供香港、美国云服务器，动态BGP最优骨干路由自动选择，持续稳定高效的网络助力业务部署。公司持有工信部办法的idc、isp许可证， 机房独有T级流量清洗系统配攻击溯源，准确进行流量调度，确保服务器高可用性。佳节活动现已开启，新人活动云服务器买多久送多久。
文章名称：一文让你轻松了解全文检索-创新互联
本文链接：http://ybzwz.com/article/jijjd.html
