搜索引擎是什么(搜索引擎是网站吗)

在了解Lucene之前,我们先看下什么是搜索引擎?

在实际的项目中,我们可能会写了类似这样的SQL。

按标题模糊查询,查询标题与xxxxx有关的新闻:

select * from t_news where title like ‘%xxxxx%’;

按关键字查询 ,如查询与xxxx有关的新闻:

select * from t_news
where title  like \'%苍老师%\' or content like \'%苍老师\'’;

当数据量变大时,这四个查询都变慢了,我们可能会建立索引,但是有的like语句会使索引失效。

可能有的需求对搜索的结果进项相关度排名的显示,对应的sql是否可以满足需求吗?

例如:

要查询 中国、冠状病毒、复工有关的新闻:

含有三个关键字(相关度最高)的新闻排前面

含两个关键字(相关度次之),排次之

含一个关键字 的,排次次之。

这时利用数据库sql实现还是比较困难的。

数据库适合结构化数据的精确查询,而不适合半结构化、非结构化数据的模糊查询及灵活搜索(特别是数据量大时),无法提供想要的实时性。

这个问题,一个解决思路是:

我们查询时,输入的是冠状病毒,想要得到标题或内容中包含“冠状病毒”的新闻列表。

如果标题、内容列上都有一个这样的索引,里面能快速找到与冠状病毒关键字对应的文章id,再根据文章id就可以快速找到文章了。

倒排索引

上面建立索引就是倒排索引,或者又叫做反向索引。

例如:

标题列索引:

搜索引擎是什么(搜索引擎是网站吗)

内容类索引:

搜索引擎是什么(搜索引擎是网站吗)

这么多的词,那么需要建立多少个词呢?

反向索引的记录数会不会很大?

搜索引擎是什么(搜索引擎是网站吗)

通过上面的看,词的总数也不多,那怎么分词,也就是怎么把一句话分成很多常用的词呢?

这时就需要用到了分词器。

分词器

分词器,可以将一段语句分出若干个词。

英文:this is my car 分词后:this,is,my,car

中文:今日头条厉害。今日头条,厉害

常用的中文分词器:

word分词器,Stanford分词器,Ansj分词器,smartcn分词器,FudanNLP分词器,

IKAnalyzer分词等。

有了分词器,还可以获取词在文章的位置,出现的次数。此时可以这样的索引:

词:中国,

内容包含该词的文章id:

{{1,2,{21,32}},{5,3,{18,29,45}}}

1:文章id

2:出现的次数

{21,22}:出现的位置

建立好了这样的反向索引,那怎么索引呢?

步骤1: 对搜索输入的内容进行分词

步骤2: 在反向索引中找出包含中国、复工的文章列表

搜索引擎是什么(搜索引擎是网站吗)

步骤3: 合并两个列表,排序输出

{1,12,8,5}

输出结果,那怎么排序输入结果呢?把最关注的放到最前面。怎么建立一个相关性评估模型?

这时可以按照词的出现的次数建立模型,当然还有其他的模型来面对更复杂的场景。

统计出现次数,根据次数从高到低排:

中国

搜索引擎是什么(搜索引擎是网站吗)

排序后:

{{1,5},{5,3},{12,1},{8,1}}

文章id为1,总共出现了5词,文章id为5的出现了3词。。。

其他的复杂的相关性计算模型有:

tf-idf 词频-逆文档率模型

向量空间模型

贝叶斯概率模型,如: BM25

搜索引擎中会提供一种、或多种实现供选择使用,也会提供扩展。

电商网站中的搜索相关性计算会考虑更多,更复杂。

这里引入什么是搜索引擎?

搜索引擎

一套可对大量结构化、半结构化数据、非结构化文本类数据进行实时搜索的专门软件。

最早应用于信息检索领域,经谷歌、百度等公司推出网页搜索而为大众广知。后又被各大电商网站采用来做网站的商品搜索。现广泛应用于各行业、互联网应用。

搜索引擎专门解决大量结构化、半结构化数据、非结构化文本类数据的实时检索问题。这种实时搜索数据库做不了。

使用场景:

信息检索(如电子图书馆、电子档案馆)

网页搜索

内容提供网站的内容搜索(如 新闻、论坛、博客网站)

电子商务网站的商品搜索

如果你负责的系统数据量大,通过数据库检索慢,可以考虑用搜索引擎来专门负责检索。

核心部件:

数据源

分词器

反向索引(倒排索引)

相关性计算模型

工作原理:

从数据源加载数据,分词、建立反向索引

搜索时,对搜索输入进行分词,查找反向索引

计算相关性,排序,输出

开源搜索引擎组件、系统:

搜索引擎是什么(搜索引擎是网站吗)

Lucene:Apache顶级开源项目,Lucene-core是一个开放源代码的全文检索引擎工具包,但它不是一个完整的全文检索引擎,而是一个全文检索引擎的框架,提供了完整的查询引擎和索引引擎,部分文本分词引擎(英文与德文两种西方语言)。Lucene的目的是为软件开发人员提供一个简单易用的工具包,以方便的在目标系统中实现全文检索的功能,或者是以此为基础建立起完整的全文检索引擎。

Nutch:Apache顶级开源项目,包含网络爬虫和搜索引擎(基于lucene)的系统(同百度、google)。Hadoop因它而生。

Solr:Lucene下的子项目,基于Lucene构建的独立的企业级开源搜索平台,一个服务。它提供了基于xml/JSON/http的api供外界访问,还有web管理界面。

Elasticsearch:基于Lucene的企业级分布式搜索平台,它对外提供restful-web接口,让程序员可以轻松、方便使用搜索平台,而不需要了解Lucene。

派优网部分新闻资讯、展示的图片素材等内容均为用户自发上传(部分报媒/平媒内容转载自网络合作媒体),仅供学习交流。用户通过本站上传、发布任何内容的知识产权归属用户或原始著作权人所有。如有侵犯您的版权,请联系我们一经核实,立即删除。并对发布账号进行封禁。
(0)
醉清弦的头像醉清弦

相关推荐

返回顶部