运用solr搭建你的全文检索

使用solr搭建你的全文检索
使用solr搭建你的全文检索
Solr 是一个可供企业使用的、基于 Lucene 的开箱即用的搜索服务器。对Lucene不熟？那么建议先看看下面两篇文档：

实战Lucene，第 1 部分: 初识 Lucene：http://www.ibm.com/developerworks/cn/java/j-lo-lucene1/

用Lucene加速Web搜索应用程序的开发：http://www.ibm.com/developerworks/cn/web/wa-lucene2/

一、 solr介绍

solr是基于Lucene Java搜索库的企业级全文搜索引擎，目前是apache的一个项目。它的官方网址在http://lucene.apache.org/solr/ 。solr需要运行在一个servlet 容器里，例如tomcat5.5。solr在lucene的上层提供了一个基于HTTP/XML的Web Services，我们的应用需要通过这个服务与solr进行交互。

二、 solr安装和配置

关于solr的安装和配置，这里也有两篇非常好的文档，作者同时也是 Lucene Java 项目的提交人和发言人：

使用Apache Solr实现更加灵巧的搜索：http://www.ibm.com/developerworks/cn/java/j-solr1/index.html

http://www.ibm.com/developerworks/cn/java/j-solr2/index.html

下面主要说说需要注意的地方。

Solr的安装非常简单，下载solr的zip包后解压缩将dist目录下的war文件改名为solr.war直接复制到tomcat5.5的webapps目录即可。注意一定要设置solr的主位置。有三种方法。我采用的是在tomcat里配置java:comp/env/solr/home的一个JNDI指向solr的主目录（example目录下），建立/tomcat55/conf/Catalina/localhost/solr.xml文件。

<Context docBase="D:/solr.war" debug="0" crossContext="true" >   <Environment name="solr/home" type="java.lang.String" value="D:/solr/solr" override="true" /></Context>

     观察这个指定的solr主位置，里面存在两个文件夹：conf和data。其中conf里存放了对solr而言最为重要的两个配置文件schema.xml和solrconfig.xml。data则用于存放索引文件。

     schema.xml主要包括types、fields和其他的一些缺省设置。

solrconfig.xml用来配置Solr的一些系统属性，例如与索引和查询处理有关的一些常见的配置选项，以及缓存、扩展等等。

上面的文档对这两个文件有比较详细的说明，非常容易上手。注意到schema.xml里有一个

<uniqueKey>url</uniqueKey>
的配置，这里将url字段作为索引文档的唯一标识符，非常重要。

三、 加入中文分词

对全文检索而言，中文分词非常的重要，这里采用了qieqie庖丁分词（非常不错：））。集成非常的容易，我下载的是2.0.4-alpha2版本，其中它支持最多切分和按最大切分。创建自己的一个中文TokenizerFactory继承自solr的BaseTokenizerFactory。

/** * Created by IntelliJ IDEA. * User: ronghao * Date: 2007-11-3 * Time: 14:40:59 * 中文切词 对庖丁切词的封装 */public class ChineseTokenizerFactory extends BaseTokenizerFactory {    /**     * 最多切分   默认模式     */    public static final String MOST_WORDS_MODE = "most-words";    /**     * 按最大切分     */    public static final String MAX_WORD_LENGTH_MODE = "max-word-length";    private String mode = null;    public void setMode(String mode) {             if (mode==null||MOST_WORDS_MODE.equalsIgnoreCase(mode)                      || "default".equalsIgnoreCase(mode)) {                  this.mode=MOST_WORDS_MODE;             } else if (MAX_WORD_LENGTH_MODE.equalsIgnoreCase(mode)) {                  this.mode=MAX_WORD_LENGTH_MODE;             }             else {                  throw new IllegalArgumentException("不合法的分析器Mode参数设置:" + mode);             }        }    @Override    public void init(Map<String, String> args) {        super.init(args);        setMode(args.get("mode"));    }    public TokenStream create(Reader input) {        return new PaodingTokenizer(input, PaodingMaker.make(),                  createTokenCollector());    }    private TokenCollector createTokenCollector() {        if( MOST_WORDS_MODE.equals(mode))             return new MostWordsTokenCollector();        if( MAX_WORD_LENGTH_MODE.equals(mode))             return new MaxWordLengthTokenCollector();        throw new Error("never happened");    }}

在schema.xml的字段text配置里加入该分词器。

<fieldtype name="text" positionIncrementGap="100">            <analyzer type="index">                <tokenizer mode="most-words"/>                <filter ignoreCase="true" words="stopwords.txt"/>                <filter generateWordParts="1" generateNumberParts="1" catenateWords="1" catenateNumbers="1" catenateAll="0"/>                <filter mode="most-words"/>                               <filter synonyms="synonyms.txt" ignoreCase="true" expand="true"/>                <filter ignoreCase="true" words="stopwords.txt"/>                <filter generateWordParts="1" generateNumberParts="1" catenateWords="0" catenateNumbers="0" catenateAll="0"/>                <filter name="code"><Connector port="8080" maxHttpHeaderSize="8192" URIEncoding="UTF-8" …/>

另外，向solr Post请求的时候需要转为utf-8编码。对solr 返回的查询结果也需要进行一次utf-8的转码。检索数据时对查询的关键字也需要转码，然后用“+”连接。

String[] array = StringUtils.split(query, null, 0);        for (String str : array) {            result = result + URLEncoder.encode(str, "UTF-8") + "+";        }

http://www.blogjava.net/ronghao 荣浩原创，转载请注明出处：）

查看更多 下一篇