基于Solr的搜索引擎研究与实现

摘要

随着信息时代的来临，人们的生活、学习、工作和娱乐已经与信息技术充分的融为一体。随着群众对互联网参与度的增加和企事业单位信息化的逐步深入，信息量也成倍地增长，如何能更好地从浩如烟海的数字信息中快速、精准地查找到需要的信息，成为全国人民的迫切需求。尤其是处于信息化建设道路上的中小企业，如何快速且廉价地开放自己的信息检索系统，对于企业的成长至关重要。

本文介绍了搜索引擎的基本原理，对搜索引擎的一些核心技术进行了介绍与深入的分析；介绍了Lucene搜索引擎工具包的架构及其基本使用；对基于开源搜索引擎包Lucene的搜索框架Solr进行架构、代码、配置等方面的研究；最后设计并实现了一个基于Solr1.3的简单可用的多库搜索引擎。整个设计过程致力于提高管理维护的方便性和可扩展性。

关键词：L ucene；Solr；搜索引擎；爬虫；中文分词

Abstract

With the advent of the information era, people's lives, study, work and entertainment have been fully integrated with information technology. With the participation of the masses on the Internet and increase in the number of information-based enterprises, the amount of information has become several times as before. How to get useful information quickly and accurately has become an important thing to everyone. For the small and medium-sized enterprises, how to develop its own message retrieval system quickly and cheaply is essential for the growth of enterprises.

In this paper, we introduce the basic principles of search engine and analyses a number of core technologies. I also introduce Lucene search engine tools, its basic framework and how to use it. We analyses Solr, which is an open source search engine based on Lucene, and its architecture, code, configuration. At last, we design and implement a simple multi-database search engine based on Solr1.3.

Keywords: L ucene ; Solr ; Search Engine ; Spider ; Chinese Word Segmentation

目录

第一章前言 (1)

1.1绪论 (1)

1.2开源搜索引擎研究的意义和现状 (3)

第二章中文搜索引擎关键技术 (4)

2.1搜索引擎基本结构 (4)

2.2中文分词 (6)

2.3相关排序 (9)

2.4搜索引擎响应速度 (13)

2.5网络蜘蛛 (14)

第三章开源搜索引擎SOLR (16)

3.1搜索引擎包L UCENE (16)

3.1.1Lucene简介 (16)

3.1.2Lucene与Solr的关系 (16)

3.1.3Lucene的结构 (17)

3.1.4Lucene的使用 (18)

3.1.5Lucene的评分公式 (22)

3.1.6Lucene的搜索结果排序 (23)

3.2S OLR的介绍 (24)

3.2.1Solr的特点与优势 (24)

3.2.2Solr1.3的新特性 (25)

3.3S OLR的配置和使用 (25)

3.3.1Solr1.3服务器的部署 (25)

3.3.2Solr1.3体系结构图 (26)

3.3.3solr.xml配置文件 (27)

3.3.4schema.xml配置文件 (27)

3.3.5solrconfig.xml配置文件 (29)

3.3.6查询HTTP接口参数 (32)

3.4S OLR1.3的核心机制 (32)

3.4.1内核调用机制 (32)

3.4.2分库机制 (33)

3.4.3缓存机制 (33)

第四章基于SOLR的搜索引擎总体设计 (35)

4.1设计背景和原则 (35)

4.2整体结构与模块关系 (35)

第五章基于SOLR的搜索引擎详细设计与实现 (37)

5.1网络蜘蛛模块的设计与实现 (37)

5.2N EW API模块的设计与实现 (38)

5.3管理模块的设计与实现 (39)

5.4配置文件的配置 (39)

5.5分词模块的设计与实现 (40)

5.6查询模块的设计与实现 (41)

第六章结论 (43)

参考文献 (44)

致谢 (45)

第一章前言

1.1绪论

随着信息技术的不断发展和人民对信息技术需求的不断增加，世界各国都在经历着前所未有的信息革命。国家的发展离不开信息化，企业的发展离不开信息化，个人的工作、生活、学习和娱乐更是离不开信息化。

今日的中国也在跟随时代的步伐向着信息时代迈进，而且呈现出巨大的生机与活力，这是一个庞大的市场。信息革命的深入必然带来信息的爆炸性增长。据中国互联网信息中心(CNNIC)统计，截止2008年12月31日，中国已有网民数量2.98亿，网站287.8万个[18]。如此巨大的信息聚集必然导致有效信息获取的难度增强和垃圾信息量增加。于是，快速精准地获取有用信息的工具应运而生。通用的搜索技术有数据库技术和搜索引擎技术，文献3[3]中比较了两者的差别。

搜索引擎是信息检索的工具，因此对搜索引擎的研究应属于信息检索的分支。搜索引擎是帮助用户快速精准地从庞大的信息体中搜索到所需信息的工具，其诞生至今不过10多年的时间而已，不过其发展却非常迅速。表1-1总结搜索引擎发展历史上一些具有里程碑意义的事件，以求从整体上了解搜索引擎的发展历史。

国内搜索引擎的研究相对国外较晚，不过搜索引擎在国内仍然取得了不少成绩。

研究领域，北京大学开发出北京大学天网搜索引擎，并提出中文搜索引擎研发的许多方法和思想（文献8[8]有相关介绍）。在商业领域，百度已经成为了世界上使用人数最多的中文搜索引擎。

有学者认为：现代搜索引擎建立在互联网和诸多计算机技术之上，所以很难将搜索引擎的缘起与哪个具体的产品对应起来[1]。而且，在搜索引擎的发展演化过程中，出现过许多不同种类的搜索引擎，谢新洲主编的《网络信息检索技术与案例》[2]一书中按照信息组织方式将搜索引擎分成如下三类。

（1）目录式搜索引擎

目录式搜索引擎依靠人工发现信息，并依靠标引人员自身的知识对信息进行分类、提取主题词、建立关键字索引和目录分类体系。用户可以通过两种方式来使用。一种是浏览查询，从最高层目录开始，顺着目录树逐层深入，直到找到所需信息为止；另一种是通过关键词检索。这类搜索引擎具有检索效率高的有点，但索引建立的效率却比较低，信息更新也比较慢。目录式搜索引擎的例子有Yahoo和新浪分类目录。

（2）索引式搜索引擎

索引式搜索引擎依靠一个被称作蜘蛛（Spider）或机器人（Robot）的程序，根据特定网络协议和原则，自动地从互联网上获取信息来建立索引。并采用一定得方法对索引库进行更新，以确保索引库与互联网上信息的实时对应。这类搜索引擎主要依靠程序自动地搜集和维护信息，从而将标引人员解放出来，同时索引库可以比较大，实时性也更强。著名的索引式搜索引擎有Google,百度等。

（3）元搜索引擎

元搜索引擎也叫集合式搜索引擎，它将多个搜索引擎集中起来，提供统一的检索界面给用户。因此元搜索引擎可以理解为一个经过包装的搜索引擎群体。元搜索引擎有两种工作方式，一种是并行式元搜索引擎，另外一种是串行式元搜索引擎。并行式元搜索引擎在用户提交查询词后，同时将查询请求发往多个搜索引擎，在接收到各个搜索引擎返回的结果后，根据一定得排序算法重新排序后返回给用户。串行式元搜索引擎仅提供一个搜索引擎的列表，由用户选择使用哪个搜索引擎来进行查询，因此它可以说是“搜索引擎的搜索引擎”[2]，帮助用户进行搜索引擎的选择。

尽管搜索引擎分类众多，但其基本思想是一致的。图1-1展示了搜索引擎的基本思想。首先搜集目标信息，然后将信息进行分析处理，并按照一定得数据结构进行存储，最后用户从这些被存储的数据中检索出有用的信息。

1.2开源搜索引擎研究的意义和现状

开源搜索引擎的研究具有极其重大的意义。首先，由于只有很少的人能够接触大型商业搜索引擎，所以大部分人游离在专业搜索引擎技术之外，开源搜索引擎无疑为人们学习和研究搜索引擎技术提供了极好的途径。再者，开源搜索引擎能够吸引更多人贡献自己的才智，这必将会推动搜索引擎技术的进步。从市场的角度来说，越来越多的企业对搜索技术有迫切的需求，这些需求有极强的差异，例如，有的需要的是对文档的搜索，有的需要对网页的搜索等等。这些企业中，大部分是中小企业，他们无力组建自己的开发团队来开发搜索引擎，同时也不可能花巨资购买专业化的搜索引擎，他们只希望花最少的钱来满足自己的需要。这时候，开源的搜索引擎既帮了企业的忙，也帮了开发人员的忙，开发人员可以通过开源搜索引擎快速地开发出廉价的个性化的搜索引擎，这样的搜索引擎无疑会得到企业更多的青睐。

开源搜索引擎在开源的潮流和搜索引擎迫切的需求中诞生，经过多年的发展，已经取得了许多成绩。这一领域最为流行的是Lucene家族，它以Lucene库为基础派生出许多知名的搜索引擎：Nutch、Solr、Compass、LIUS等。其中Nutch是以Lucene 为基础的Web搜索引擎，利用它可以快速地搭建像Google一样的搜索引擎；Solr是Lucene基础上的一个搜索引擎框架，通过对其配置，可以实现许多强大的功能，而且索引和查询的效率都极高，利用它开发个性化的搜索引擎是不错的选择；Compass 也是一个以Lucene为基础的搜索引擎架构，它提供比Lucene更加简洁的API，使用它与Hibernate、Spring等进行集成是个很好的选择；LIUS（Lucene Index Update and Search）也包装Lucene的一个库，它是一个针对文本索引的框架，可以对MS WORD、PDF、MS EXCEL、TXT等文本进行处理。

第二章中文搜索引擎关键技术

2.1搜索引擎基本结构

不同的搜索引擎会有差异，但是其基本的功能模块是一样的。图2-1展示了一个可以实现网页和文档的全文检索的中文搜索引擎的基本结构。

索引库是信息存储的地方，这里的信息已经变成倒排结构。所谓倒排就是通过将文档(Document) →词语(Word) 的原始结构（如图2-2所示）变为词语(Word) →文档(Document) 的倒排结构（如图2-3所示）[3]。倒排结构的好处就是可以根据对词语的搜索快速定位到文档，例如：当搜索“我们”的时候，结果中应该出现“文档1”和“文档2”。

索引器(Indexer)是生成索引的模块，我们将处理过后的信息包装成文档交给索引器，索引器会在索引库中建立该文档的索引（也就是倒排结构）。

检索器（Searcher）是信息查询的模块。当用户提交查询词后，检索器会对查询词进行分词等处理，并生成查询请求（Query）,然后在索引库中进行查询，并将查询所得结果以一定得格式呈现给用户。

索引库、索引器、检索器是搜索引擎的三大核心。完全可以利用这三大模块建立一个简单的搜索引擎（Lucene 库的直接调用就属于这个层次），不过这样的搜索引擎只有开发人员才能使用，用户使用将非常吃力，而且不能方便地对各种现存的文件（MS Word、MS Excel、HTML等）进行处理，所以真正完善的搜索引擎还需要其他模块的支持。

图2-1 中文搜索引擎基本结构

文档解析模块用于解析特定的文件，提取出文字信息并建立文档对象，然后交给索引器进行处理。网页处理模块用于对“网络蜘蛛”（Spider）获取的网页进行解析，提取出文字信息，建立文档对象后交给索引器处理。

用户界面是面向最终用户的，它从用户角度出发，提供方便的查询界面，并将查

询结果按照用户的需求予以显示。

图2-2 文档的原始结构

图2-3 文档的倒排结构

2.2中文分词

所谓分词就是指将一个完整的句子划分成一个个词条(Token)的过程。由于索引库中数据是一种索引结构，因此需要有一组固定的索引键(Key)，又因为索引库是词语→文档的倒排结构，所以这组索引键应该是词语。这就需要将句子进行切分，以获得单个的词语。

尽管每种语言都要进行分词，但是英文可以利用空格来作为天然的分隔符。然而对于中文来说，分词的情况要复杂得多。

中文分词在中文搜索引擎领域极其重要。首先，中文分词影响查询的效率。假设有如下文档：

doc1（中国在亚洲）

doc2（心中有梦想）

doc3（中国在发展）

doc4（中心大街）

我们分别使用单字分词（如图2-4所示）和非单字分词（如图2-5所示）来建立索引。当用户输入“中国”作为查询词时，对于单字分词将经历以下过程。

（1）“中国”分词为“中”和“国”。

（2）查索引表得包含“中”字的文档集合为A（doc1、doc2、doc3、doc4），包含“国”字的文档有B(doc1、doc3)。

（3）将A与B相与得包含“中国”的文档集合为C（doc1、doc3）。

而采用非单字的分词方式一步就可以查得结果，可见，中文分词方式将影响到查询的效率。

图2-4 单字分词效果

图2-5 非单字分词效果

其次，分词效果还影响到查询结果与用户期望的匹配程度。例如，用户查询“和服”是想找到关于日本和服的相关信息，但是分词效果不佳的搜索引擎可能会返回包含“化妆和服装”[11]的文档。

中文分词有如下三类方法[4]：

（1）基于字符串匹配的分词方法

基于字符串匹配的分词方法也叫机械分词法[5]，他将待分析的汉字串与词典进行匹配，若匹配成功，则分出一个词。机械分词法又分为正向最大匹配法、逆向最大匹配法和最小切分法（每句话切分的词数最少）。

正向最大匹配算法以从左到右的顺序，从第一个字开始进行切分，尽量切分出一个包含字数最多的词，然后将该词后边剩下的汉字串继续按照上面方法进行切分。逆向最大匹配算法与正向最大匹配算法相反，从右边第一个字开始，尽量切分出包含字数最多的词，然后将该词左边剩下的汉字串按照上面的方法继续切分。正向最大匹配

算法和逆向最大匹配算法的效果如图2-6所示（假设最大词长为4）。注意对同一句话，两种方法可能得出不同的结果。

图2-6 正（逆）向最大匹配算法分词效果

（2） 基于理解的分词方法

基于理解的分词方法模拟人对语言的理解来进行分词。其基本思想是在分词的同时引入句法信息和语义信息来处理歧义。这是一种理想的分词方法，这一分词方法的发展水平直接反应机器语言理解技术的发展水平，

不过由于汉语的语义的复杂性和汉

正向最大匹配法分词效果

逆向最大匹配法分词效果

语句法的多变性，该方法目前尚处于研究阶段。

（3）基于统计的分词方法

基于统计的分词方法也叫统计取词方法或无词典分词方法。它基于这样一个思想：在上下文中，两个（或多个）字相邻出现的频率越高，那么他们成词的概率就越高。例如，对多篇文章进行统计时发现“未”和“来”相邻的频率远远高于“未”和“完”（例如，未完成）相邻的频率，那么“未来”成词的可信度就要高于“未完”成词的可信度。不过这样的分词方式有其弱点，有许多字相邻频率很高，但是未必成词，例如“我的”。所以基于统计的分词方法更多地用于新词识别，以作为词典分词方法的补充。

由于各种分词方法有其优点和缺点，所以目前大多数性能优越的搜索引擎都使用多种分词方法来相互补充，这种方法被称为“复合分词法”。

2.3相关排序

相关排序（relevance ranking）是指信息检索系统返回结果的排序[4]，排序结果反应了文档与查询的相关程度。在搜索引擎领域，相关排序不仅仅考虑查询与文档的相关程度，还应该考虑链接间的相互关系（主要指Web搜索引擎）与网站的重要程度等等。同时，电子科技大学的汪文勇提出：研究搜索引擎的页面优先度算法，需要从客观和主观两方面进行研究。客观上，从网页页面本身的信息和链接情况分析，提高信息量大、链接度高的网页页面的优先度排序;主观上，从互联网用户使用搜索引擎的行为模式分析，提高用户点击率高和浏览时间长的网页页面的优先度排序[16]。

2.3.1向量空间模型（VSM）

向量空间模型（vector space model ,VSM）由Gerald Salton提出，该模型用于计算文档与查询的相关程度，仅仅实用于普通文本。对于网页与查询的相关度需引入新的方法来计算。

假设词典包含N个词语，那么词典集合T可以表示为

T = {t1, t2, … ,t N}

其中t i为词项，即每个词。这时文档d和查询q可以表示为

d=

q =

其中m i为T中词项t i在d中的出现频率（即词频），n i为T中词项t i在q中出现频率。这样，文档与查询的相关度就可以表示为d与q的“相似程度”，通常d与q 的夹角越小，表示两个向量越相近，所以d与q的相似度R(d,q)为

R(d,q)=cos(d,q)

下面使用2维词典空间（即N为2）来直观地看看如何用向量空间模型来比较文档与查询相关度。假设词典空间

T={足球，爱好}

d1、d2、q为

d1=<2,2>

d2=<4,2>

q =<1,2>

即文档d1、d2、q中“足球”分别出现2、4、1次，爱好分别出现2、2、2次。d1、d2、q在词典空间中的曲线如图2-7所示。由于d1与q的夹角小于d2和q的夹角，我们可因认为对于q，d1的相关度高于d2。

爱好

q

d1

d2

足球

图2-7 二维词典空间中d,q关系

向量空间模型很容易从直观上理解，但是在实际使用过程中还要在此基础上作出更多的处理。词频通常不直接用该词出现的次数进行表示，而将所有原始词频（既词

数）除以一个共同的分母，将词频约束到一个范围内（如大于0小于1），这叫词频的规格化处理。这样d=可以变为

d=

其中w i=m i/∑m j，也就是将所有词频除以所有词频的和，得到规格化的词频。这个经过规格化的词频必定在0和1之间。

有些词（如“我”，“是”等）可能在多个文档中多次出现，尽管词频比较高，但是它对文档的区分能力不是很强，所以还应该将上面所得词频乘以一个权值以得最终词频。通常这个权值取文档倒置频率(IDF)

IDF i=lg(M/k i)

其中k i为文档集合D中包含词项t i的文档的个数，M为文档集合D的大小，直观上理解就是t i涉及的文档数越少，该词越重要，权值就应该越大。

2.3.1Web搜索引擎的结果排序

对于web搜索引擎，搜索结果排序不仅仅考虑查询词与文档之间的关系，还需要考虑查询词在网页文件中的显示位置、显示状态以及链接和被连接关系。

（1）我们知道HTML页面有丰富的标签，这些标签有的是表明主题的（如