免费视频淫片aa毛片_日韩高清在线亚洲专区vr_日韩大片免费观看视频播放_亚洲欧美国产精品完整版

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

    這幾天，有個(gè)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(jì)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(shí)，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(shí)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(tái)漏洞多，Unix平臺(tái)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(jì)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(jì)算機(jī)語言，你一定一開始就不要畏懼它，我敢說，計(jì)算機(jī)語言比起我們漢語來，要簡單100倍，你漢語會(huì)說會(huì)寫文章，你就一定可以，甚者你不會(huì)說都不要緊，只要你會(huì)思想，你會(huì)表達(dá)自己的需要，你會(huì)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(huì)計(jì)算機(jī)開發(fā)?。。?何謂計(jì)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(jì)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(jì)算機(jī)語言編程實(shí)現(xiàn)！只是各種計(jì)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(shí)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(shí)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(shí)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(duì)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(gè)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(jí)項(xiàng)目。

二、倒排索引原理簡述：Lucene是一個(gè)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(huì)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(jì)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?cè)O(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(shí)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(shí)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(hào)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(duì)應(yīng)關(guān)系是：“文章號(hào)”對(duì)“文章中所有關(guān)鍵詞”。

這種對(duì)應(yīng)比較符合我們正常的思維習(xí)慣，反過來對(duì)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(gè)關(guān)系倒過來，變成：“關(guān)鍵詞”對(duì)“擁有該關(guān)鍵詞的所有文章號(hào)”。文章1，2經(jīng)過倒排后變成
       關(guān)鍵詞                       文章號(hào)
　　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(gè)字符（優(yōu)點(diǎn)是關(guān)鍵詞亮顯時(shí)定位快）；b)關(guān)鍵詞位置，即記錄該詞是文章中第幾個(gè)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(hào)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(gè)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(gè)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(cuò)，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(jì)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(duì)計(jì)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(shí) 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(gè)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(gè)關(guān)鍵詞都有一個(gè)field信息(因?yàn)槊總€(gè)關(guān)鍵字一定屬于一個(gè)或多個(gè)field)。
　　為了減小索引文件的大小，Lucene對(duì)索引還使用了壓縮技術(shù)。首先，對(duì)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(gè)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(duì)數(shù)字的壓縮，數(shù)字只保存與上一個(gè)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(hào)是16389（不壓縮要用3個(gè)字節(jié)保存），上一文章號(hào)是16382，壓縮后保存7（只用一個(gè)字節(jié)）。注意是“上一個(gè)詞”。由于詞典是按順序排列的，這種壓縮方法的效果會(huì)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(jì)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(chǔ)結(jié)構(gòu)/接口中?？傮w上看：可以先把Lucene當(dāng)成一個(gè)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(chǔ) 和 傳統(tǒng)的關(guān)系數(shù)據(jù)庫之間的區(qū)別：

      請(qǐng)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(jì)的，因此，使用like "%keyword%"時(shí)，數(shù)據(jù)庫索引是不起作用的，在使用like查詢時(shí)，搜索過程又變成類似于一頁頁翻書的遍歷過程了，所以對(duì)于含有模糊查詢的數(shù)據(jù)庫服務(wù)來說，LIKE對(duì)性能的危害是極大的。如果是需要對(duì)多個(gè)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(gè)原因是它是排好序的。對(duì)于檢索系統(tǒng)來說核心是一個(gè)排序問題。

　　所以建立一個(gè)高效檢索系統(tǒng)的關(guān)鍵是建立一個(gè)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(chǔ)的同時(shí)，有另外一個(gè)排好序的關(guān)鍵詞列表，用于存儲(chǔ)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(hào)，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(gè)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(gè)排序問題。

　　由此可以看出模糊查詢相對(duì)數(shù)據(jù)庫的精確查詢是一個(gè)非常不確定的問題，這也是大部分?jǐn)?shù)據(jù)庫對(duì)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(duì)不同應(yīng)用的定制。

　　我們對(duì)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(huì)導(dǎo)致大量的IO操作，Lucene在實(shí)現(xiàn)中，對(duì)此稍微有所改進(jìn)：不是維護(hù)一個(gè)索引文件，而是在擴(kuò)展索引的時(shí)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(duì)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(duì)于中文來說，全文索引首先還要解決一個(gè)語言分析的問題，對(duì)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(gè)字挨一個(gè)，所有，首先要把語句中按“詞”進(jìn)行索引的話，這個(gè)詞如何切分出來就是一個(gè)很大的問題。
　　首先，肯定不能用單個(gè)字符作(si-gram)為索引單元，否則查“上海”時(shí)，不能讓含有“海上”也匹配。
但一句話：“北京天安門”，計(jì)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(jì)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(gè)比較豐富的詞庫才能夠比較準(zhǔn)確的識(shí)別出語句中的單詞。
　　另外一個(gè)解決的辦法是采用自動(dòng)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(shí)候，無論是查詢"北京" 還是查詢"天安門"，將查詢?cè)~組按同樣的規(guī)則進(jìn)行切分："北京"，"天安安門"，多個(gè)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(duì)于其他亞洲語言：韓文，日文都是通用的。
　　基于自動(dòng)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(duì)于中小型應(yīng)用來說，基于2元語法的切分還是夠用的?；?元切分后的索引一般大小和源文件差不多，而對(duì)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(gè)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(duì)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(gè)面對(duì)對(duì)象設(shè)計(jì)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(gè)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(gè)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(gè)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(duì)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(duì)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(jì)，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。