搜索引擎（Solr-模式详解）

Schema介绍

Schema 是什么？

问题1：在lucene中咱们要对文档字段进行索引存储，须要如何作？

问题2：如今咱们使用Solr搜索服务平台了，不须要编码了，还须要定义如何索引存储字段吗？

须要一种机制来定义、存储这些字段的索引信息，让solr运行时知道各个内核/集合的字段定义信息，这就是schema。

Schema：模式，是集合/内核中字段的定义，让solr知道集合/内核包含哪些字段、字段的数据类型、字段该索引存储。

Schema 的定义方式

Solr中提供了两种方式来配置schema，二者只能选其一

1.默认方式，经过Schema API 来实时配置，模式信息存储在 内核目录的conf/managed-schema文件中。
2.传统的手工编辑conf/schema.xml的方式，编辑完后需重载集合/内核才会生效。

Schema两种配置方式切换

schema.xml 到 managed schema

只需将 solrconfig.xml中的<schemaFactory class =“ClassicIndexSchemaFactory”/>  去掉，或改成ManagedIndexSchemaFactory Solr重启时，它发现存储schema.xml 但不存储在 managed-schema，它会备份schema.xml，而后改写schema.xml 为 managed-schema。此后就能够经过Schema API 管理schema了。

managed schema 到 schema.xml

将managed-schema 重命名为 schema.xml
将solrconfig.xml 中schemaFactory  的ManagedIndexSchemaFactory去掉（若是存在）
增长<schemaFactory class =“ClassicIndexSchemaFactory”/> 

Schemaless mode

Solr还支持无模式方式，solr会猜想该如何索引字段，不可用在生成环境下。

查看 managed-schema文件，了解它的构成

<?xml version="1.0" encoding="UTF-8" ?>
<schema version="1.6">
	<field .../>  
	<dynamicField .../>
	<uniqueKey>id</uniqueKey>
	<copyField .../>
	<fieldType ...>
		<analyzer type="index">
			<tokenizer .../>
			<filter ... />
		</analyzer>
		<analyzer type="query">
			<tokenizer.../>
			<filter ... />
		</analyzer>
	</fieldType>
</schema>

字段定义详解

字段定义示例

<field name="name" type="text_general" indexed="true" stored="true"/> 
<field name="includes" type="text_general" indexed="true" stored="true" termVectors="true" termPositions="true" termOffsets="true" />

好熟悉的感受！
问1：lucene中字段包含哪几个属性？
疑惑：这里的type和lucene中字段的type是一回事吗？

字段属性说明

name：字段名，必需。字段名能够由字母、数字、下划线构成，不能以数字开头。如下划线开头和结尾的名字为保留字段名，如 _version_

type：字段的fieldType名，必需。为 FieldType定义的name 属性值。

default：默认值，若是提交的文档中没有该字段的值，则自动会为文档添加这个默认值。非必需。

字段中用于覆盖fieldType的可选属性说明

FieldType字段类型

定义在索引时该如何分词、索引、存储字段，在查询时该如何对查询串分词

<fieldType name="managed_en" class="solr.TextField" positionIncrementGap="100">
  <analyzer type="index">
	<tokenizer class="solr.StandardTokenizerFactory"/>
	<filter class="solr.ManagedStopFilterFactory" managed="english" />
	<filter class="solr.ManagedSynonymGraphFilterFactory" managed="english" />
	<filter class="solr.FlattenGraphFilterFactory"/>
  </analyzer>
  <analyzer type="query">
	<tokenizer class="solr.StandardTokenizerFactory"/>
	<filter class="solr.ManagedStopFilterFactory" managed="english" />
	<filter class="solr.ManagedSynonymGraphFilterFactory" managed="english" />
  </analyzer>
</fieldType>

FieldType 的属性

Solr中提供的 FieldType 类，在 org.apache.solr.schema 包下

http://lucene.apache.org/solr/guide/7_3/field-types-included-with-solr.html

FieldType 的 Analyzer

对于 solr.TextField or solr.SortableTextField 字段类型，须要为其定义分析器。

<fieldType name="nametext" class="solr.TextField">
  <analyzer class="org.apache.lucene.analysis.core.WhitespaceAnalyzer"/>
</fieldType>

能够直接经过class属性指定分析器类，必须继承

org.apache.lucene.analysis.Analyzer 。

也可灵活地组合分词器、过滤器：

<fieldType name="nametext" class="solr.TextField">
  <analyzer>
    <tokenizer class="solr.StandardTokenizerFactory"/>
    <filter class="solr.StandardFilterFactory"/>
    <filter class="solr.LowerCaseFilterFactory"/>
    <filter class="solr.StopFilterFactory"/>
  </analyzer>
</fieldType>

org.apache.solr.analysis 包下的类能够简写为 solr.xxx

若是该类型字段索引、查询时须要使用不一样的分析器，则需区分配置analyzer

<fieldType name="nametext" class="solr.TextField">
  <analyzer type="index">
    <tokenizer class="solr.StandardTokenizerFactory"/>
    <filter class="solr.LowerCaseFilterFactory"/>
    <filter class="solr.KeepWordFilterFactory" words="keepwords.txt"/>
    <filter class="solr.SynonymFilterFactory" synonyms="syns.txt"/>
  </analyzer>
  <analyzer type="query">
    <tokenizer class="solr.StandardTokenizerFactory"/>
    <filter class="solr.LowerCaseFilterFactory"/>
  </analyzer>
</fieldType>

Solr中提供的tokenizer: http://lucene.apache.org/solr/guide/7_3/tokenizers.html

Solr中提供的 fiter： http://lucene.apache.org/solr/guide/7_3/filter-descriptions.html

经常使用的Filter

Stop Filter   停用词过滤器

<analyzer>
  <tokenizer class="solr.StandardTokenizerFactory"/>
  <filter class="solr.StopFilterFactory" words="stopwords.txt"/>
</analyzer>

words属性指定停用词文件的绝对路径或相对 conf/目录的相对路径

停用词定义语法：一行一个

Synonym Graph Filter   同义词过滤器

<analyzer type="index">
  <tokenizer class="solr.StandardTokenizerFactory"/>
  <filter class="solr.SynonymGraphFilterFactory" synonyms="mysynonyms.txt"/>
  <filter class="solr.FlattenGraphFilterFactory"/> <!-- required on index analyzers after graph filters -->
</analyzer>
<analyzer type="query">
  <tokenizer class="solr.StandardTokenizerFactory"/>
  <filter class="solr.SynonymGraphFilterFactory" synonyms="mysynonyms.txt"/>
</analyzer>

同义词定义语法

couch,sofa,divan
teh => the
huge,ginormous,humungous => large
small => tiny,teeny,weeny

一类一行， =>表示标准化为后面的

Filter 练习1

一、往停用词文件中添加
    hello
    like
二、往同义词文件中添加

couch,sofa,divan
teh => the
huge,ginormous,humungous => large
small => tiny,teeny,weeny

三、用下面的短语在web管理控制台进行测试
      停用词测试：      Hello world, do you like apple
      同义词测试： teh small couch

集成IKAnalyzer 中文分词器

一、在原来学习lucene集成IKAnalyzer的基础上，为IkAnalyzer实现一个TokenizerFactory（继承它），接收useSmart参数。

二、将这三个类打成jar，如  IKAnalyzer-lucene7.3.jar

三、将这个jar和 IKAnalyzer的jar 拷贝到web应用的lib目录下

四、将三个配置文件拷贝到应用的classes目录下

五、在schema中定义一个FieldType，使用IKAnalyzer适配类

<fieldType name=“zh_CN _text" class="solr.TextField">
    <analyzer>
        <tokenizer class="com.dongnao.lucene.demo.analizer.ik.IKTokenizer4Lucene7Factory" useSmart="true" /> 
    </analyzer>
</fieldType>

FieldType 练习2

一、定义一个FieldType，索引的分词器用IKAnalyzer，查询的分词器用IKAnaylzer + 同义词Filter。
二、配置同义词：

相同,类似,相近
电脑,笔记本电脑=>计算机

三、测试分词：
      他的电脑和她的笔记本电脑很类似

CopyField    复制字段

复制字段容许将一个或多个字段的值填充到一个字段中。它的用途有两种：
一、将多个字段内容填充到一个字段，来进行搜索
二、对同一个字段内容进行不一样的分词过滤，建立一个新的可搜索字段
定义方式：
一、先定义一个普通字段

<field name="cc_all" type="zh_CN_text" indexed="true" stored="false" multiValued="false" />

二、定义复制字段

<copyField source="cat" dest="cc_all"/>
<copyField source="name" dest="cc_all"/>