摘 要： 基于Lucene開源框架設(shè)計(jì)實(shí)現(xiàn)了MYSearch索引擎">全文搜索引擎。給出了MYSearch實(shí)現(xiàn)的基本原理和設(shè)計(jì)流程，以及實(shí)驗(yàn)結(jié)果，并針對Lucene在中文分詞方面的不足展開了討論，給出了改進(jìn)方法。
關(guān)鍵詞： 全文搜索引擎；Lucence；分詞；索引
隨著互聯(lián)網(wǎng)的飛速發(fā)展，網(wǎng)絡(luò)資源量也在迅速增加。最大的搜索引擎Google從2002年的10億網(wǎng)頁增加到現(xiàn)在近40億網(wǎng)頁；最近雅虎搜索引擎號稱收錄了45億個(gè)網(wǎng)頁;國內(nèi)的中文搜索引擎百度的中文頁面從兩年前的7 000萬頁增加到了現(xiàn)在的2億多。據(jù)估計(jì)，當(dāng)前整個(gè)互聯(lián)網(wǎng)的網(wǎng)頁數(shù)達(dá)到100多億，而且還在快速增長。用戶要在如此浩瀚的信息海洋里尋找信息，猶如“大海撈針”，往往無功而返[1]。如何從資源的海洋里找到自己需要的內(nèi)容就成了關(guān)鍵問題，搜索引擎的出現(xiàn)和研究，使網(wǎng)絡(luò)上的資源變得有序，使用戶能更加方便快捷地找到所需資源。目前被大家廣泛使用的搜索引擎如Google、百度等，其實(shí)現(xiàn)技術(shù)非常復(fù)雜，后臺數(shù)據(jù)庫也非常龐大，更新速度也很快。然而，若想搭建一個(gè)全文搜索引擎也并不是遙不可及的事情。本文主要針對Lucene介紹全文搜索引擎實(shí)現(xiàn)的各項(xiàng)技術(shù)，并給出改進(jìn)方法。
1 Lucene基本技術(shù)原理
目前網(wǎng)絡(luò)上有許多全文搜索引擎的開源代碼，若想構(gòu)建自己的全文搜索引擎，可以在這些開源代碼的基礎(chǔ)上進(jìn)行。其中，Lucene是比較突出的一款。Lucene不是一個(gè)完整的全文索引應(yīng)用，而是一個(gè)用Java寫的全文索引引擎工具包，因此它并不像“百度”或者“Google”那樣，可以直接作為查詢工具使用，而只是為全文搜索引擎的構(gòu)建提供了基本的工具和設(shè)計(jì)方法。Lucene提供了一系列API，能夠?qū)ξ臋n進(jìn)行預(yù)處理、過濾、分析、索引和檢索排序。本文就是在Lucene基礎(chǔ)上構(gòu)建了一個(gè)全文搜索引擎MYSearch。
2 MYSearch工作流程
2.1 搜索引擎的基本構(gòu)成
搜索引擎系統(tǒng)一般由蜘蛛（也叫網(wǎng)頁爬行器）、切詞器、索引器、查詢器幾部分組成。蜘蛛負(fù)責(zé)網(wǎng)頁信息的抓取工作；一般情況下切詞器和索引器一起使用，它們負(fù)責(zé)將抓取的網(wǎng)頁內(nèi)容進(jìn)行切詞處理并自動進(jìn)行標(biāo)引，建立索引數(shù)據(jù)庫；查詢器根據(jù)用戶查詢條件檢索索引數(shù)據(jù)庫并對檢索結(jié)果進(jìn)行排序和集合運(yùn)算，再提取網(wǎng)頁簡單摘要信息反饋給查詢用戶。
2.2 MYSearch工作流程
MYSearch首先使用網(wǎng)絡(luò)蜘蛛抓取網(wǎng)絡(luò)上的可用網(wǎng)頁鏈接，然后把抓取到的網(wǎng)頁資源下載到本地計(jì)算機(jī)，對下載到本地計(jì)算機(jī)的網(wǎng)頁進(jìn)行初步的處理，去掉對搜索沒有意義的信息和詞匯。然后使用Lucene提供的索引功能，對處理后的信息資源建立索引，并且保存到索引數(shù)據(jù)庫中。之后，根據(jù)用戶提供的搜索信息，在索引中進(jìn)行查詢，并將搜索結(jié)果顯示到用戶搜索的界面上。其流程框圖如圖1所示。
3 MYSearch實(shí)現(xiàn)
3.1 系統(tǒng)功能模塊的劃分
MYSearch全文搜索系統(tǒng)主要分為網(wǎng)絡(luò)蜘蛛抓取、資源初步處理、建立索引、搜索以及顯示等功能模塊。
(1)網(wǎng)絡(luò)蜘蛛抓取功能模塊：首先根據(jù)事先設(shè)定好的網(wǎng)絡(luò)入口地址和設(shè)置的搜索條件，讀取網(wǎng)頁的內(nèi)容，分析網(wǎng)頁中其他的鏈接地址，然后垂直鏈接到下一個(gè)網(wǎng)頁，這樣一直循環(huán)，直到網(wǎng)站的所有網(wǎng)頁都抓取完成或者滿足了搜索的條件為止。
(2)資源初步處理功能模塊：將搜索來的網(wǎng)頁中的信息進(jìn)行相關(guān)處理，去掉沒有用的格式內(nèi)容和其他對搜索結(jié)果沒有實(shí)際意義的信息。
(3)建立索引功能模塊：將處理后的網(wǎng)頁資源寫入數(shù)據(jù)庫，并使用倒排索引算法實(shí)現(xiàn)網(wǎng)頁資源索引的建立。
(4)搜索功能模塊：根據(jù)用戶的搜索關(guān)鍵詞，在已建好索引的數(shù)據(jù)庫中，根據(jù)語素向量的匹配度和相似度進(jìn)行相關(guān)的匹配，然后按照一定的排列順序把搜索結(jié)果返回給用戶。
(5)顯示功能模塊：將搜索結(jié)果按照一定的顯示方式顯示在頁面中，供用戶選擇和瀏覽。
3.2 MYSearch全文搜索引擎的實(shí)現(xiàn)
3.2.1 網(wǎng)絡(luò)蜘蛛
網(wǎng)絡(luò)蜘蛛是指某個(gè)能以人類無法達(dá)到的速度不斷重復(fù)執(zhí)行某項(xiàng)任務(wù)的自動程序[1]。本系統(tǒng)中使用的蜘蛛程序是Nutch，核心是Crawl工具。它可以根據(jù)之前設(shè)定好的入口URL列表不斷地自動下載頁面，直到滿足系統(tǒng)預(yù)設(shè)的停止條件。圖2所示是Nutch的工作機(jī)制。
3.2.2 網(wǎng)頁初步處理
網(wǎng)頁剛剛被抓取下來的時(shí)候，存在很多格式化的信息(如html的網(wǎng)頁標(biāo)記)，還有很多多余的信息(比如“is，the，an”)。這些信息都是噪音，如果想要使搜索引擎更高效、更準(zhǔn)確地運(yùn)行，就要去除這些信息，留下有效的信息。
對于html標(biāo)記的處理，首先就是準(zhǔn)備一個(gè)空字符串，然后判斷網(wǎng)頁的文字中是否存在html的“<>”符號，如果是html“<>”的符號，就繼續(xù)判斷網(wǎng)頁中的下一個(gè)字符，如果不是就把該字符保存到這個(gè)空字符串中；如果判斷完成，就結(jié)束；否則就繼續(xù)判斷。對于多余信息，在Lucene中提供了相關(guān)的包進(jìn)行處理。
通過上面的處理之后，下載的文件在建立索引的時(shí)候，就會更加便捷。
3.2.3 索引的建立
在日常的生活中，往往需要快速地從海量頁面信息中定位頁面資源。這樣的需求就需要用索引技術(shù)來實(shí)現(xiàn)。索引建立的好壞直接影響搜索效果和用戶的體驗(yàn)感覺，所以索引的建立方法十分重要。Lucene采用倒排索引算法建立索引[2]，主要包括索引類（IndexWriter）、文檔對象類(Document)和信息字段對象類（Field）。索引建立的過程為：
(1)建立索引器IndexWriter；
(2)建立文檔對象Document；
(3)建立信息字段對象Field；
(4)將Field添加到Document；
(5)將Document添加到IndexWriter里面；
(6)關(guān)閉索引器IndexWriter。
Lucene將建好的索引信息存儲在“_0.cfs”、“segments.gen”以及“segments_s”文件中。
3.2.4 信息搜索
用戶提交的查詢請求通常是一個(gè)詞語或者短語，MYSearch搜索引擎在接受用戶訪問后會進(jìn)行一系列處理并最終向用戶提交。當(dāng)用戶輸入關(guān)鍵詞搜索后，由搜索程序從索引數(shù)據(jù)庫中找到符合該關(guān)鍵詞的所有相關(guān)文檔。因?yàn)樗形臋n針對該關(guān)鍵詞的相關(guān)度早已算好，所以只需按照現(xiàn)成的相關(guān)度數(shù)值排序。排序規(guī)則是相關(guān)度越高，排名就越靠前。然后，就會把查詢到的信息返回給用戶，并進(jìn)行顯示。基本查詢流程如圖3所示。
3.2.5 搜索結(jié)果顯示
良好的交互設(shè)計(jì)可以使用戶的操作更加簡便，可以使用戶能夠更快更準(zhǔn)確地找到自己想要的信息，同時(shí)能夠增加用戶的滿意度。MYSearch全文搜索引擎設(shè)計(jì)了一個(gè)簡捷的搜索界面，用戶在該界面中輸入搜索條件，提交后就可以看到查詢結(jié)果。
4 改進(jìn)
在一個(gè)搜索引擎中，搜索速度的快慢、搜索效率的高低、搜索準(zhǔn)確度的高低，很大程度上取決于分詞的優(yōu)劣。分詞就是為生成索引提供原材料，如果分詞分得不明確，則生成的索引必然復(fù)雜，那些沒有實(shí)際意義的分詞被稱為噪音，噪音多了搜索速度必然下降。Lucene其實(shí)自身是帶有中文分詞功能的，主要采用“單字切分”和“二分法”，但是由于它沒有做到確定最小索引項(xiàng)，因此無法去除噪音，搜索效率大大降低。
為了改進(jìn)Lucene的中文分詞的缺陷，MYSearch全文搜索引擎采用了IK_Canalyzer中文分析器。IK_Canalyzer中文分析器實(shí)現(xiàn)了以詞典為基礎(chǔ)的正反向全切分和一級正反向最大匹配切分兩種方法。IK_Canalyzer中文分析器是第三方實(shí)現(xiàn)的分析器，繼承自Lucene的Analyzer類。圖4(a)和圖4(b)分別為采用Lucene與IK_Canalyer分詞的顯示結(jié)果，可明顯看出后者優(yōu)于前者。
MYSearch是基于Lucene設(shè)計(jì)實(shí)現(xiàn)的一個(gè)全文搜索引擎，本文給出了設(shè)計(jì)過程以及實(shí)驗(yàn)結(jié)果，并針對Lucene在中文分詞方面的不足給出了解決辦法。此外目前可以獲得的Lucene開源代碼中并沒有對PDF、Word、Excel等常用的文本格式進(jìn)行搜索。要想克服上述問題，就要對不同格式的文本進(jìn)行解析，把解析出來的文字提取出純文本，然后就像建立網(wǎng)頁的索引一樣，對提出來的文字建立索引，以便查詢。這將是進(jìn)一步需要改進(jìn)MYSearch全文搜索引擎的工作重點(diǎn)。
參考文獻(xiàn)
[1] 吳卓斌.基于Lucene全文搜索引擎關(guān)鍵技術(shù)的研究[D]. 廣州：暨南大學(xué)，2007.
[2] 隋麗萍，徐承韜.一個(gè)中文全文檢索系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].科技資訊，2007，5（18）：244-245.
[3] 張校乾，金玉玲，侯麗波.一種基于Lucene檢索引擎的全文數(shù)據(jù)庫的研究與實(shí)現(xiàn)[J].現(xiàn)代圖書情報(bào)技術(shù)，2005，21(2)：12-14