国产一级a片免费看高清,亚洲熟女中文字幕在线视频,黄三级高清在线播放,免费黄色视频在线看

【monner題外寄語】lucene的確是個好東西！如果你有時間，我強(qiáng)烈推薦你學(xué)習(xí)下！

    這幾天，有個朋友問我如何學(xué)習(xí)編程，我都不知道怎么回答，哈哈，閑聊幾句先：如果你想學(xué)習(xí)一門計算機(jī)語言，比如java語言，我覺得你沒有必要整天保證那些經(jīng)典書籍啃來啃去，死記硬背基本語法和規(guī)則，拼命理解面向?qū)ο缶幊趟枷?，這些過程其實(shí)很累很枯燥，我見多了很多初學(xué)者抱著大部頭書籍看呀看，到處收集編程入門，代碼技巧等知識，哈哈~真的很累！更有甚者，為了權(quán)衡一門語言孰優(yōu)孰劣，竟然花幾年時間都不能確定自己的目標(biāo)。什么匯編無用，VB好用、.NET好、JAVA壞，還有什么win平臺漏洞多，Unix平臺穩(wěn)定之類的等等~~發(fā)現(xiàn)論壇上初學(xué)者板塊這種話題特別熱特別受歡迎！覺得好可悲，計算機(jī)語言其實(shí)是一通百通的，你學(xué)任何一門如果學(xué)到極致，想轉(zhuǎn)而學(xué)習(xí)其他語言簡直就是小兒科！其實(shí)如果想學(xué)好一門計算機(jī)語言，你一定一開始就不要畏懼它，我敢說，計算機(jī)語言比起我們漢語來，要簡單100倍，你漢語會說會寫文章，你就一定可以，甚者你不會說都不要緊，只要你會思想，你會表達(dá)自己的需要，你會把別人的需要用自己的想法表達(dá)重述出來，你就一定可以學(xué)會計算機(jī)開發(fā)?。。?何謂計算機(jī)語言編程？一言以蔽之：編程就是翻譯過程，把你的需求用計算機(jī)語言翻譯出來！只要你講得清楚需求，理論上就一定可以用計算機(jī)語言編程實(shí)現(xiàn)！只是各種計算機(jī)語言的表達(dá)方式不同！ 我敢說，一但你在思想上認(rèn)識到這一點(diǎn)，并從心底深處開始不要畏懼編程，哪么你可以很快的進(jìn)入翻譯狀態(tài)的！?。?編程就是一種邏輯思維用規(guī)則的語言表述而已！學(xué)習(xí)編程語言的基礎(chǔ)語法知識只是在熟悉規(guī)則而已，規(guī)則多少不重要，關(guān)鍵是應(yīng)用規(guī)則為你帶來便利，甚者你玩潛規(guī)則，玩規(guī)則漏洞都行，做人做事和編程開發(fā)如出一轍！

  哈哈~跑題了，言歸正傳吧。希望我收集整理來的基礎(chǔ)知識可以讓你學(xué)習(xí)lucene的歷程加速！大多數(shù)資料都來自網(wǎng)絡(luò)，我的原創(chuàng)很少，因?yàn)槭占闵?，不一一注明原作者（其?shí)主要作者是車東 車東是國內(nèi)研究lucene搜索引擎的先驅(qū)者，lucene中一些關(guān)于中文處理的代碼就是他寫的，已經(jīng)正式收錄到lucene核心代碼中了），在此一并聲明對原作者的感謝感謝感謝！版權(quán)都屬于你們，俺是給你們打工做苦力的。

======================================================================

【摘錄收集】

------------------------------------------------------------------------------------------------------------------------------

一、Lucene點(diǎn)滴： (發(fā)音為['lusen])，我經(jīng)常就讀鹿神，是頭活蹦亂跳的好鹿，研究它吧，保證感覺它很神！lucene是一個非常優(yōu)秀的開源的全文搜索引擎,我們可以在它的上面開發(fā)出各種全文搜索的應(yīng)用來。Lucene在國外有很高的知名度，現(xiàn)在已經(jīng)是Apache的頂級項(xiàng)目。

二、倒排索引原理簡述：Lucene是一個高性能的java全文檢索工具包，它使用的是倒排文件索引結(jié)構(gòu)。

具體解釋算法理論就不講了，直接用例子來說明吧，如果你認(rèn)真仔細(xì)的讀懂例子，真正領(lǐng)會了其中的思想，你肯定就明白了lucene索引的基本原理！記?。豪斫猓“牙佑媚阕约旱恼Z言表述出來，就是翻譯成你自己的東西，以后你想自己寫，也就是換成計算機(jī)語言再翻譯一次！！

lucene結(jié)構(gòu)及相應(yīng)的生成算法如下：

我們設(shè)有兩篇文章1和2
　　 文章1的內(nèi)容為：Tom lives in Guangzhou,I live in Guangzhou too.
　　 文章2的內(nèi)容為：He once lived in Shanghai.

1)全文分析：由于lucene是基于關(guān)鍵詞索引和查詢的，首先我們要取得這兩篇文章的關(guān)鍵詞，通常我們需要如下處理措施
　　a.我們現(xiàn)在有的是文章內(nèi)容，即一大串字符串，我們先要找出全文字符串中的所有單詞，即分詞。英文單詞由于用空格分隔，比較好處理。中文單詞間是連在一起的需要特殊的分詞處理。（中文通常用詞典的方式比較準(zhǔn)確）
　　b.文章中的”in”, “once” “too”等詞沒有什么實(shí)際意義，中文中的“的”“是”等字通常也無具體含義，這些不代表概念的詞可以過濾掉，即分詞解析中的過濾
　　c.用戶通常希望查“He”時能把含“he”，“HE”的文章也找出來，所以所有單詞需要統(tǒng)一大小寫。即解析過程中的額外處理（用戶可以根據(jù)自己需要增加多重處理）。
　　d.用戶通常希望查“l(fā)ive”時能把含“l(fā)ives”，“l(fā)ived”的文章也找出來，所以需要把“l(fā)ives”，“l(fā)ived”還原成“l(fā)ive”即進(jìn)一步優(yōu)化處理（可以更人性更友好）
　　e.文章中的標(biāo)點(diǎn)符號通常不表示某種概念，也可以過濾掉
　所有上面描述的步驟在lucene中都由Analyzer類完成！你了解了過程，你就可以根據(jù)自己的興趣或者需要去關(guān)心特點(diǎn)的步驟相關(guān)代碼，或者自己進(jìn)一步添磚加瓦擴(kuò)展功能。

　經(jīng)過上面處理后
　　文章1的所有關(guān)鍵詞為：[tom] [live] [guangzhou] [i] [live] [guangzhou]
　　文章2的所有關(guān)鍵詞為：[he] [live] [shanghai]

2)倒排索引：有了關(guān)鍵詞后，我們就可以建立倒排索引了。

上面經(jīng)過解析后的對應(yīng)關(guān)系是：“文章號”對“文章中所有關(guān)鍵詞”。

這種對應(yīng)比較符合我們正常的思維習(xí)慣，反過來對應(yīng)的話，就要顛倒思維，所以這種算法叫做倒排！ 倒排索引把這個關(guān)系倒過來，變成：“關(guān)鍵詞”對“擁有該關(guān)鍵詞的所有文章號”。文章1，2經(jīng)過倒排后變成
       關(guān)鍵詞                       文章號
　　guangzhou                   1
　　he                                 2
　　i                                    1
　　live                               1,2
　　shanghai                       2
　　tom                               1

　　進(jìn)一步擴(kuò)展上述基本倒排索引，通常我們僅知道關(guān)鍵詞在哪些文章中出現(xiàn)還不夠，我們還需要知道關(guān)鍵詞在文章中出現(xiàn)次數(shù)和出現(xiàn)的位置，通常有兩種位置：a)字符位置，即記錄該詞是文章中第幾個字符（優(yōu)點(diǎn)是關(guān)鍵詞亮顯時定位快）；b)關(guān)鍵詞位置，即記錄該詞是文章中第幾個關(guān)鍵詞（優(yōu)點(diǎn)是節(jié)約索引空間、詞組（phase）查詢快），lucene 中記錄的就是這種位置。

加上“出現(xiàn)頻率”和“出現(xiàn)位置”信息后，我們的索引結(jié)構(gòu)充實(shí)后變?yōu)椋?nbsp;

　　以第4行的 live 詞語索引記錄作實(shí)例我們說明一下該結(jié)構(gòu)：

      live在文章1中出現(xiàn)了2次，文章2中出現(xiàn)了一次，它的出現(xiàn)位置為“2,5,2”這表示什么呢？我們需要結(jié)合文章號和出現(xiàn)頻率來分析，文章1中出現(xiàn)了2次，那么“2,5”就表示live在文章1中出現(xiàn)的兩個位置，文章2中出現(xiàn)了一次，剩下的“2”就表示live是文章2中第 2個關(guān)鍵字。
　　以上就是lucene索引結(jié)構(gòu)中最核心的部分。是不是描述起來很簡單，沒錯，其實(shí)也就是這么簡單！算法都是人想出來的，毛主席說過 辦法總比困難多，計算機(jī)算法也不例外，你何必恐懼它呢，本來就是很容易的事情?。?！

【進(jìn)一步深入探索，如果你不想深入，完全可以略過不看】     

 如果你對計算機(jī)算法和數(shù)據(jù)結(jié)構(gòu)稍有研究，你就很容易發(fā)現(xiàn)，我們上面生成的倒排索引關(guān)鍵字是按字母字符順序排列的（lucene沒有使用B樹結(jié)構(gòu)），因此lucene可以用二元搜索算法快速定位關(guān)鍵詞。

　　具體實(shí)現(xiàn)時 lucene將上面三列分別作為詞典文件（Term Dictionary）、頻率文件(frequencies)、位置文件(positions)保存。其中詞典文件不僅保存有每個關(guān)鍵詞，還保留了指向頻率文件和位置文件的指針，通過指針可以找到該關(guān)鍵字的頻率信息和位置信息。

　　Lucene中使用了field的概念，用于表達(dá)信息所在位置（如標(biāo)題中，文章中，url中），在建索引中，該field信息也記錄在詞典文件中，每個關(guān)鍵詞都有一個field信息(因?yàn)槊總€關(guān)鍵字一定屬于一個或多個field)。
　　為了減小索引文件的大小，Lucene對索引還使用了壓縮技術(shù)。首先，對詞典文件中的關(guān)鍵詞進(jìn)行了壓縮，關(guān)鍵詞壓縮為<前綴長度，后綴>，例如：當(dāng)前詞為“阿拉伯語”，上一個詞為“阿拉伯”，那么“阿拉伯語”壓縮為<3，語>。其次大量用到的是對數(shù)字的壓縮，數(shù)字只保存與上一個值的差值（這樣可以減小數(shù)字的長度，進(jìn)而減少保存該數(shù)字需要的字節(jié)數(shù)）。例如當(dāng)前文章號是16389（不壓縮要用3個字節(jié)保存），上一文章號是16382，壓縮后保存7（只用一個字節(jié)）。注意是“上一個詞”。由于詞典是按順序排列的，這種壓縮方法的效果會非常顯著。

三、全文檢索框架的實(shí)現(xiàn)機(jī)制：

　　Lucene的API接口設(shè)計的比較通用，輸入輸出結(jié)構(gòu)都很像數(shù)據(jù)庫的表==>記錄==>字段，所以很多傳統(tǒng)的應(yīng)用的文件、數(shù)據(jù)庫等都可以比較方便的映射到Lucene的存儲結(jié)構(gòu)/接口中?？傮w上看：可以先把Lucene當(dāng)成一個支持全文索引的數(shù)據(jù)庫系統(tǒng)。

比較一下Lucene數(shù)據(jù)存儲 和 傳統(tǒng)的關(guān)系數(shù)據(jù)庫之間的區(qū)別：

      請一定記?。喝臋z索 ≠ 數(shù)據(jù)庫SQL語句中的  like "%keyword%"

　　由于數(shù)據(jù)庫索引不是為全文索引設(shè)計的，因此，使用like "%keyword%"時，數(shù)據(jù)庫索引是不起作用的，在使用like查詢時，搜索過程又變成類似于一頁頁翻書的遍歷過程了，所以對于含有模糊查詢的數(shù)據(jù)庫服務(wù)來說，LIKE對性能的危害是極大的。如果是需要對多個關(guān)鍵詞進(jìn)行模糊匹配：like"%keyword1%" and like "%keyword2%" ...其效率也就可想而知了。

　　通常比較厚的書籍后面常常附關(guān)鍵詞索引表（比如：北京：12, 34頁，上海：3,77頁……），它能夠幫助讀者比較快地找到相關(guān)內(nèi)容的頁碼。而數(shù)據(jù)庫索引能夠大大提高查詢的速度原理也是一樣，想像一下通過書后面的索引查找的速度要比一頁一頁地翻內(nèi)容高多少倍……而索引之所以效率高，另外一個原因是它是排好序的。對于檢索系統(tǒng)來說核心是一個排序問題。

　　所以建立一個高效檢索系統(tǒng)的關(guān)鍵是建立一個類似于科技索引一樣的反向索引機(jī)制，將數(shù)據(jù)源（比如多篇文章）排序順序存儲的同時，有另外一個排好序的關(guān)鍵詞列表，用于存儲關(guān)鍵詞==>文章映射關(guān)系，利用這樣的映射關(guān)系索引：[關(guān)鍵詞==>出現(xiàn)關(guān)鍵詞的文章編號，出現(xiàn)次數(shù)（甚至包括位置：起始偏移量，結(jié)束偏移量），出現(xiàn)頻率]，檢索過程就是把模糊查詢變成多個可以利用索引的精確查詢的邏輯組合的過程。從而大大提高了多關(guān)鍵詞查詢的效率，所以，全文檢索問題歸結(jié)到最后是一個排序問題。

　　由此可以看出模糊查詢相對數(shù)據(jù)庫的精確查詢是一個非常不確定的問題，這也是大部分?jǐn)?shù)據(jù)庫對全文檢索支持有限的原因。

     Lucene最核心的特征是通過特殊的索引結(jié)構(gòu)實(shí)現(xiàn)了傳統(tǒng)數(shù)據(jù)庫不擅長的全文索引機(jī)制，并提供了擴(kuò)展接口，以方便針對不同應(yīng)用的定制。

　　我們對比一下Lucene全文索引 和 關(guān)系數(shù)據(jù)庫模糊查詢 算法區(qū)別：

全文檢索和數(shù)據(jù)庫應(yīng)用最大的不同在于：讓最相關(guān)的頭100條結(jié)果滿足98%以上用戶的需求。

       Lucene的創(chuàng)新之處：

　　大部分的搜索（數(shù)據(jù)庫）引擎都是用B樹結(jié)構(gòu)來維護(hù)索引，索引的更新會導(dǎo)致大量的IO操作，Lucene在實(shí)現(xiàn)中，對此稍微有所改進(jìn)：不是維護(hù)一個索引文件，而是在擴(kuò)展索引的時候不斷創(chuàng)建新的索引文件，然后定期的把這些新的小索引文件合并到原先的大索引中（針對不同的更新策略，批次的大小可以調(diào)整），這樣在不影響檢索的效率的前提下，提高了索引的效率。

Lucene和其他一些全文檢索系統(tǒng)/應(yīng)用的比較：

四、關(guān)于亞洲語言的的切分詞問題(Word Segment)
　　對于中文來說，全文索引首先還要解決一個語言分析的問題，對于英文來說，語句中單詞之間是天然通過空格分開的，但亞洲語言的中日韓文語句中的字是一個字挨一個，所有，首先要把語句中按“詞”進(jìn)行索引的話，這個詞如何切分出來就是一個很大的問題。
　　首先，肯定不能用單個字符作(si-gram)為索引單元，否則查“上?！睍r，不能讓含有“海上”也匹配。
但一句話：“北京天安門”，計算機(jī)如何按照中文的語言習(xí)慣進(jìn)行切分呢？
　　“北京 天安門” 還是“北 京 天安門”？讓計算機(jī)能夠按照語言習(xí)慣進(jìn)行切分，往往需要機(jī)器有一個比較豐富的詞庫才能夠比較準(zhǔn)確的識別出語句中的單詞。
　　另外一個解決的辦法是采用自動切分算法：將單詞按照2元語法(bigram)方式切分出來，比如：
　　　　"北京天安門" ==> "北京 京天 天安 安門"。
這樣，在查詢的時候，無論是查詢"北京" 還是查詢"天安門"，將查詢詞組按同樣的規(guī)則進(jìn)行切分："北京"，"天安安門"，多個關(guān)鍵詞之間按與"and"的關(guān)系組合，同樣能夠正確地映射到相應(yīng)的索引中。這種方式對于其他亞洲語言：韓文，日文都是通用的。
　　基于自動切分的最大優(yōu)點(diǎn)是沒有詞表維護(hù)成本，實(shí)現(xiàn)簡單，缺點(diǎn)是索引效率低，但對于中小型應(yīng)用來說，基于2元語法的切分還是夠用的。基于2元切分后的索引一般大小和源文件差不多，而對于英文，索引文件一般只有原文件的30%-40%不同。

目前比較大的搜索引擎的語言分析算法一般是基于以上2個機(jī)制的結(jié)合。

五、Lucene的結(jié)構(gòu)框架：
　　注意：Lucene中的一些比較復(fù)雜的詞法分析是用JavaCC生成的（JavaCC：JavaCompilerCompiler，純Java的詞法分析生成器），所以如果從源代碼編譯或需要修改其中的QueryParser、定制自己的詞法分析器，還需要從https://javacc.dev.java.net/下載javacc。
　　lucene的組成結(jié)構(gòu)：對于外部應(yīng)用來說索引模塊(index)和檢索模塊(search)是主要的外部應(yīng)用入口。

六、從Lucene學(xué)到更多：
　　Luene的確是一個面對對象設(shè)計的典范。如果你要學(xué)習(xí)面向?qū)ο缶幊?，你要學(xué)習(xí)java，建議你學(xué)習(xí)lucene吧，玩一個實(shí)實(shí)在在的項(xiàng)目，而且是有名的基礎(chǔ)項(xiàng)目，在無形之中你既可以學(xué)習(xí)這個項(xiàng)目的使用，又可以學(xué)習(xí)java語法，又可以學(xué)習(xí)大師們的代碼技巧，還可以以后為lucene做點(diǎn)什么，真的你可以一舉多得?。。『螛凡粸槟?？！

1. 所有的問題都通過一個額外抽象層來方便以后的擴(kuò)展和重用：你可以通過重新實(shí)現(xiàn)來達(dá)到自己的目的，而對其他模塊而不需要；
2. 簡單的應(yīng)用入口Searcher, Indexer，并調(diào)用底層一系列組件協(xié)同的完成搜索任務(wù)；
3. 所有的對象的任務(wù)都非常專一：比如搜索過程：QueryParser分析將查詢語句轉(zhuǎn)換成一系列的精確查詢的組合(Query),通過底層的索引讀取結(jié)構(gòu) IndexReader進(jìn)行索引的讀取，并用相應(yīng)的打分器給搜索結(jié)果進(jìn)行打分/排序等。所有的功能模塊原子化程度非常高，因此可以通過重新實(shí)現(xiàn)而不需要修改其他模塊。 
4. 除了靈活的應(yīng)用接口設(shè)計，Lucene還提供了一些適合大多數(shù)應(yīng)用的語言分析器實(shí)現(xiàn)（SimpleAnalyser,StandardAnalyser），這也是新用戶能夠很快上手的重要原因之一。