全文检索技术

全文检索技术

1、搜索框架对比

一、什么是全文搜索引擎？

全文搜索引擎是目前普遍应用的主流搜索引擎。它的工做原理是计算机索引程序经过扫描文章中的每个词，对每个词创建一个索引，指明该词在文章中出现的次数和位置，当用户查询时，检索程序就根据事先创建的索引进行查找，并将查找的结果反馈给用户的检索方式。这个过程相似于经过字典中的检索字表查字的过程。

从定义中咱们已经能够大体了解全文检索的思路了，为了更详细的说明，咱们先从生活中的数听说起。

咱们生活中的数据整体分为两种：结构化数据 和 非结构化数据。

• 结构化数据： 指具备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： 非结构化数据又可称为全文数据，指不定长或无固定格式的数据，如邮件，word文档等。

• 半结构化数据，如XML，HTML等，当根据须要可按结构化数据来处理，也可抽取出纯文本按非结构化数据来处理。

根据两种数据分类，搜索也相应的分为两种：结构化数据搜索和非结构化数据搜索。

对于结构化数据，咱们通常都是能够经过关系型数据库(mysql，oracle等)的 table 的方式存储和搜索，也能够创建索引。 对于非结构化数据，也即对全文数据的搜索主要有两种方法：顺序扫描法，全文检索。

顺序扫描：经过文字名称也可了解到它的大概搜索方式，即按照顺序扫描的方式查询特定的关键字。 例如给你一张报纸，让你找到该报纸中“RNG”的文字在哪些地方出现过。你确定须要从头至尾把报纸阅读扫描一遍而后标记出关键字在哪些版块出现过以及它的出现位置。

这种方式无疑是最耗时的最低效的，若是报纸排版字体小，并且版块较多甚至有多份报纸，等你扫描完你的眼睛也差很少了。

全文搜索：对非结构化数据顺序扫描很慢，咱们是否能够进行优化？把咱们的非结构化数据想办法弄得有必定结构不就好了吗？将非结构化数据中的一部分信息提取出来，从新组织，使其变得有必定结构，而后对此有必定结构的数据进行搜索，从而达到搜索相对较快的目的。这种方式就构成了全文检索的基本思路。这部分从非结构化数据中提取出的而后从新组织的信息，咱们称之索引。

还以读报纸为例，咱们想关注最近英雄联盟S8全球总决赛的新闻，假如都是 RNG 的粉丝，如何快速找到 RNG 新闻的报纸和版块呢？全文搜索的方式就是，将全部报纸中全部版块中关键字进行提取，如"EDG"，"RNG"，"FW"，"战队"，"英雄联盟"等。而后对这些关键字创建索引，经过索引咱们就能够对应到该关键词出现的报纸和版块。注意区别目录搜索引擎。

二、为何要用全文搜索搜索引擎

为何要用搜索引擎？咱们的全部数据在数据库里面都有，并且 Oracle、SQL Server 等数据库里也能提供查询检索或者聚类分析功能，直接经过数据库查询不就能够了吗？确实，咱们大部分的查询功能均可以经过数据库查询得到，若是查询效率低下，还能够经过建数据库索引，优化SQL等方式进行提高效率，甚至经过引入缓存来加快数据的返回速度。若是数据量更大，就能够分库分表来分担查询压力。

那为何还要全文搜索引擎呢？咱们主要从如下几个缘由分析：

• 数据类型 全文索引搜索支持非结构化数据的搜索，能够更好地快速搜索大量存在的任何单词或单词组的非结构化文本。 例如 Google，百度类的网站搜索，它们都是根据网页中的关键字生成索引，咱们在搜索的时候输入关键字，它们会将该关键字即索引匹配到的全部网页返回；还有常见的项目中应用日志的搜索等等。对于这些非结构化的数据文本，关系型数据库搜索不是能很好的支持。

• 索引的维护 通常传统数据库，全文检索都实现的很鸡肋，由于通常也没人用数据库存文本字段。进行全文检索须要扫描整个表，若是数据量大的话即便对SQL的语法优化，也收效甚微。创建了索引，可是维护起来也很麻烦，对于 insert 和 update 操做都会从新构建索引。

何时使用全文搜索引擎：

1. 搜索的数据对象是大量的非结构化的文本数据。

2. 文件记录量达到数十万或数百万个甚至更多。

3. 支持大量基于交互式文本的查询。

4. 需求很是灵活的全文搜索查询。

5. 对高度相关的搜索结果的有特殊需求，可是没有可用的关系数据库能够知足。

6. 对不一样记录类型、非文本数据操做或安全事务处理的需求相对较少的状况。

三、Lucene，Solr，ElasticSearch对比

3.一、Lucene

Lucene是一个Java全文搜索引擎，彻底用Java编写。Lucene不是一个完整的应用程序，而是一个代码库和API，能够很容易地用于向应用程序添加搜索功能。

Lucene经过简单的API提供强大的功能：

可扩展的高性能索引

• 在现代硬件上超过150GB /小时

• 小RAM要求 - 只有1MB堆

• 增量索引与批量索引同样快

• 索引大小约为索引文本大小的20-30％

强大，准确，高效的搜索算法

• 排名搜索 - 首先返回最佳结果

• 许多强大的查询类型：短语查询，通配符查询，邻近查询，范围查询等

• 现场搜索（例如标题，做者，内容）

• 按任何字段排序

• 使用合并结果进行多索引搜索

• 容许同时更新和搜索

• 灵活的分面，突出显示，链接和结果分组

• 快速，内存效率和错误容忍的建议

• 可插拔排名模型，包括矢量空间模型和Okapi BM25

• 可配置存储引擎（编解码器）

跨平台解决方案

• 做为Apache许可下的开源软件提供 ，容许您在商业和开源程序中使用Lucene

• 100％-pure Java

• 可用的其余编程语言中的实现是索引兼容的

Apache软件基金会 在Apache软件基金会提供的开源软件项目的Apache社区的支持。

可是Lucene只是一个框架，要充分利用它的功能，须要使用JAVA，而且在程序中集成Lucene。须要不少的学习了解，才能明白它是如何运行的，熟练运用Lucene确实很是复杂。

3.二、Solr

Apache Solr是一个基于名为Lucene的Java库构建的开源搜索平台。它以用户友好的方式提供Apache Lucene的搜索功能。做为一个行业参与者近十年，它是一个成熟的产品，拥有强大而普遍的用户社区。它提供分布式索引，复制，负载平衡查询以及自动故障转移和恢复。若是它被正确部署而后管理得好，它就可以成为一个高度可靠，可扩展且容错的搜索引擎。不少互联网巨头，如Netflix，eBay，Instagram和亚马逊（CloudSearch）都使用Solr，由于它可以索引和搜索多个站点。

主要功能列表包括：

• 全文搜索

• 突出

• 分面搜索

• 实时索引

• 动态群集

• 数据库集成

• NoSQL功能和丰富的文档处理（例如Word和PDF文件）

3.三、Elasticsearch

Elasticsearch是一个开源（Apache 2许可证），是一个基于Apache Lucene库构建的RESTful搜索引擎。

Elasticsearch是在Solr以后几年推出的。它提供了一个分布式，多租户能力的全文搜索引擎，具备HTTP Web界面（REST）和无架构JSON文档。Elasticsearch的官方客户端库提供Java，Groovy，PHP，Ruby，Perl，Python，.NET和Javascript。

分布式搜索引擎包括能够划分为分片的索引，而且每一个分片能够具备多个副本。每一个Elasticsearch节点均可以有一个或多个分片，其引擎也能够充当协调器，将操做委派给正确的分片。

Elasticsearch可经过近实时搜索进行扩展。其主要功能之一是多租户。

主要功能列表包括：

• 分布式搜索

• 多租户

• 分析搜索

• 分组和聚合

3.四、Elasticsearch vs. Solr的选择

因为Lucene的复杂性，通常不多会考虑它做为搜索的第一选择，排除一些公司须要自研搜索框架，底层须要依赖Lucene。因此这里咱们重点分析 Elasticsearch 和 Solr。

Elasticsearch vs. Solr。哪个更好？他们有什么不一样？你应该使用哪个？

Apache Solr是一个成熟的项目，拥有庞大而活跃的开发和用户社区，以及Apache品牌。Solr于2006年首次发布到开源，长期以来一直占据着搜索引擎领域，而且是任何须要搜索功能的人的首选引擎。它的成熟转化为丰富的功能，而不只仅是简单的文本索引和搜索； 如分面，分组，强大的过滤，可插入的文档处理，可插入的搜索链组件，语言检测等。

Solr 在搜索领域占据了多年的主导地位。而后，在2010年左右，Elasticsearch成为市场上的另外一种选择。那时候，它远没有Solr那么稳定，没有Solr的功能深度，没有思想分享，品牌等等。

Elasticsearch虽然很年轻，但它也本身的一些优点，Elasticsearch 创建在更现代的原则上，针对更现代的用例，而且是为了更容易处理大型索引和高查询率而构建的。此外，因为它太年轻，没有社区能够合做，它能够自由地向前推动，而不须要与其余人（用户或开发人员）达成任何共识或合做，向后兼容，或任何其余更成熟的软件一般必须处理。

所以，它在Solr以前就公开了一些很是受欢迎的功能(例如，接近实时搜索，英文：Near Real-Time Search)。从技术上讲，NRT搜索的能力确实来自Lucene，它是 Solr 和 Elasticsearch 使用的基础搜索库。具备讽刺意味的是，由于 Elasticsearch 首先公开了NRT搜索，因此人们将NRT搜索与Elasticsearch 联系在一块儿，尽管 Solr 和 Lucene 都是同一个 Apache 项目的一部分，所以，人们会首先指望 Solr 具备如此高要求的功能。

特征	Solr/SolrCloud	Elasticsearch
社区和开发者	Apache 软件基金和社区支持	单一商业实体及其员工
节点发现	Apache Zookeeper，在大量项目中成熟且通过实战测试	Zen内置于Elasticsearch自己，须要专用的主节点才能进行分裂脑保护
碎片放置	本质上是静态，须要手动工做来迁移分片，从Solr 7开始 - Autoscaling API容许一些动态操做	动态，能够根据群集状态按需移动分片
高速缓存	全局，每一个段更改无效	每段，更适合动态更改数据
分析引擎性能	很是适合精确计算的静态数据	结果的准确性取决于数据放置
全文搜索功能	基于Lucene的语言分析，多建议，拼写检查，丰富的高亮显示支持	基于Lucene的语言分析，单一建议API实现，高亮显示从新计算
DevOps支持	还没有彻底，但即将到来	很是好的API
非平面数据处理	嵌套文档和父-子支持	嵌套和对象类型的天然支持容许几乎无限的嵌套和父-子支持
查询DSL	JSON（有限），XML（有限）或URL参数	JSON
索引/收集领导控制	领导者安置控制和领导者从新平衡甚至能够节点上的负载	不可能
机器学习	内置 - 在流聚合之上，专一于逻辑回归和学习排名贡献模块	商业功能，专一于异常和异常值以及时间序列数据

结论：

基础项目的实际状况，solr 和 Elasticsearch都能知足功能性需求，但从整个框架对DEVOPs追求和将来可扩展性来计，Elasticsearch更符合框架和业务需求。

2、Elasticsearch集成

3、Elasticsearch开发

4、参考学习资料

一、Elasticsearch中文指南

https://es.xiaoleilu.com/index.html

二、Elasticsearch学习demo

https://gitee.com/quanke/elasticsearch-java-study/tree/master/src/test/java/name/quanke/es/study

三、solr集成spring boot demo

https://gitee.com/11230595/springboot-solr

四、Elasticsearch集成 spring boot demo

https://gitee.com/11230595/springboot-elasticsearch

五、框架对比博客

http://www.javashuo.com/article/p-orqizqfw-gm.html