什么是全文检索

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。

1、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

​

2、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*、*、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： 

下载地址如下：

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.bat

kibana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。

参考文档：

lucene in action

elasticsearch权威指南

更多es,flink,kafka等实时流式计算的博文，欢迎关注实时流式计算：