周敬才，胡華平,2，岳 虹

(1.61070部隊(duì)，福建 福州 350003；2.國(guó)防科學(xué)技術(shù)大學(xué)計(jì)算機(jī)學(xué)院，湖南 長(zhǎng)沙 410073)

1 引言

近年來, 信息技術(shù)的快速發(fā)展加快了企業(yè)信息化的進(jìn)程, 同時(shí)也促進(jìn)了企業(yè)的發(fā)展，隨著企業(yè)信息的大量增加, 電子文檔數(shù)目也急劇膨脹, 如何在海量信息中快速、準(zhǔn)確、全面地查找企業(yè)所需的信息資料已成為信息檢索研究領(lǐng)域內(nèi)的一個(gè)熱門課題。全文檢索技術(shù)是一種非常高效的信息檢索技術(shù)，它使人們可以在各種文本中快速檢索到所需內(nèi)容，極大地提高了海量數(shù)據(jù)檢索的效率。

Lucene[1]是Apache軟件基金會(huì)Jakarta項(xiàng)目組的一個(gè)子項(xiàng)目，是一個(gè)純Java編寫的開放源代碼的全文檢索工具[2]，程序員們不僅使用它構(gòu)建具體的全文檢索應(yīng)用，而且將之集成到各種系統(tǒng)軟件中構(gòu)建Web應(yīng)用，甚至某些商業(yè)軟件也采用了Lucene作為其內(nèi)部全文檢索子系統(tǒng)的核心。近幾年，學(xué)者對(duì)基于Lucene全文檢索的應(yīng)用研究層出不窮，如行業(yè)應(yīng)用[3,4]、圖像視頻檢索[5]、全文檢索技術(shù)研究[6～13]以及Web應(yīng)用[14～18]等。文獻(xiàn)[6～10]通過改進(jìn)中文倒排序方法，提升了索引檢索效率；文獻(xiàn)[11,12]分別在中文分詞器方面進(jìn)行比較和優(yōu)化，提高了中文分詞的準(zhǔn)確度；文獻(xiàn)[13]研究了Lucene與MySQL在檢索性能方面的差異；文獻(xiàn)[14]基于.Net、文獻(xiàn)[15～18]基于Servlet分別設(shè)計(jì)實(shí)現(xiàn)了Lucene全文檢索系統(tǒng)，但這些系統(tǒng)在文檔解析類型、中文分詞、數(shù)據(jù)顯示等功能上存在一定的不足之處，此外系統(tǒng)在實(shí)現(xiàn)上更多是實(shí)驗(yàn)測(cè)試，沒有經(jīng)過海量數(shù)據(jù)的實(shí)際檢驗(yàn)，系統(tǒng)實(shí)用性方面略顯不夠。

Figure 1 Architecture of system圖1 系統(tǒng)結(jié)構(gòu)

本文在前述Lucene各項(xiàng)應(yīng)用研究的基礎(chǔ)上，結(jié)合輕量級(jí)JavaEE應(yīng)用框架SSH(Spring+Struts+Hibernate)，提出了一種基于模型-視圖-控制器MVC(Model View Control)分層思想[19]的全文檢索模型，能夠較好地支持各類通用文檔格式的高效解析，有效改進(jìn)了中文分詞算法，提升了中文分詞的準(zhǔn)確度，增加了檢索結(jié)果高亮顯示的人機(jī)交互方式；設(shè)計(jì)并實(shí)現(xiàn)了一套面向海量文本數(shù)據(jù)的全文檢索系統(tǒng)，系統(tǒng)較好地實(shí)現(xiàn)了海量文本數(shù)據(jù)的快速索引和檢索，且已經(jīng)投入實(shí)際應(yīng)用。此外，本文提出基于MVC模式的Web全文檢索模型，適合于門戶網(wǎng)站以及企業(yè)內(nèi)部海量文本資源的檢索，通過簡(jiǎn)單靈活的二次開發(fā)，可以快速集成到C/S和B/S模式的信息系統(tǒng)。

2 系統(tǒng)結(jié)構(gòu)

全文檢索是指計(jì)算機(jī)索引程序通過掃描文章中的每一個(gè)詞，對(duì)每一個(gè)詞建立一個(gè)索引，指明該詞在文章中出現(xiàn)的次數(shù)和位置，當(dāng)用戶查詢時(shí)，檢索程序就根據(jù)事先建立的索引進(jìn)行查找，并將查找的結(jié)果反饋給用戶的檢索方式。這個(gè)過程類似于通過字典中的檢索字表查字的過程。

本系統(tǒng)具有建立索引、處理查詢返回結(jié)果集、增加索引、優(yōu)化索引結(jié)構(gòu)等全文檢索核心功能，外圍由結(jié)構(gòu)化數(shù)據(jù)管理、文件上傳下載管理等不同應(yīng)用功能組成。本系統(tǒng)結(jié)構(gòu)如圖1所示。索引引擎、查詢引擎、文本分析引擎以及各種外圍應(yīng)用子系統(tǒng)等共同構(gòu)成了本系統(tǒng)。

本系統(tǒng)包括文件上傳模塊、文檔解析模塊、分詞模塊、索引創(chuàng)建模塊、數(shù)據(jù)檢索模塊、數(shù)據(jù)顯示模塊及文件下載等模塊，各模塊工作流程如圖2所示。

Figure 2 Workflow for each module in system圖2 系統(tǒng)各模塊工作流程

3 關(guān)鍵技術(shù)

3.1 基于MVC模式的Web全文檢索模型

MVC已是一種應(yīng)用廣泛的標(biāo)準(zhǔn)設(shè)計(jì)模式，該模式將軟件系統(tǒng)劃為三個(gè)主要部分，即模型-視圖-控制器。本文在基于MVC模式分層思想的基礎(chǔ)上，提出了基于MVC模式的Web全文檢索模型。如圖3所示，該模型在表現(xiàn)層完成文檔各類相關(guān)數(shù)據(jù)的顯示、查詢等功能；業(yè)務(wù)層完成文檔增、刪、改、查、上傳、下載、全文檢索等功能的業(yè)務(wù)邏輯管理；應(yīng)用中間層以組件方式提供文件持久化、上傳下載以及全文檢索核心功能；數(shù)據(jù)層則實(shí)現(xiàn)了結(jié)構(gòu)化數(shù)據(jù)入庫(kù)、各類文檔以及文件索引的本地化存儲(chǔ)。

Figure 3 Full-text search model based on MVC圖3 基于MVC模式的Web全文檢索模型

3.2 中文分詞器的改進(jìn)

在Lucene 內(nèi)部提供了幾個(gè)分詞工具，如WhitespaceAnalyzer、SimpleAnalyzer、StopAnalyzer及StandardAnalyzer等分析器。但是，這些分析器中除了StandardAnalyzer具備部分中文分詞功能外，其他幾個(gè)分詞器基本都是針對(duì)西方文字而開發(fā)的。當(dāng)前應(yīng)用于Lucene 的中文分詞器主要有IK_CAnalyzer、PaodingAnalyzer、MMAnalyzer(JE分詞)和CJKAnalyzer。CJKAnalyzer是Apache一個(gè)基于Java 語(yǔ)言的開源子項(xiàng)目，是一款針對(duì)中日韓語(yǔ)系的分詞工具包，該工具包提供了三種分詞方法：ChineseAnalyzer、CJKAnalyzer和SmartChineseAnalyzer。SmartChineseAnalyzer中文分詞功能支持度相對(duì)較強(qiáng)。本文重點(diǎn)比較了SmartChineseAnalyzer、PaodingAnalyzer、MMAnalyzer三種中文分詞器，以“全文檢索技術(shù)設(shè)計(jì)與實(shí)現(xiàn)”為例，測(cè)試結(jié)果如表1所示。

從表1中可以看到，SmartChineseAnalyzer在性能上稍微優(yōu)于PaodingAnalyzer，但分詞結(jié)果后者則更為出色，本系統(tǒng)從分詞效果、性能、擴(kuò)展性以及可維護(hù)性來綜合考慮，采用PaodingAnalyzer，通過擴(kuò)展org.apache.lucene.analysis軟件包，用庖丁分詞器有效改進(jìn)了中文分詞效率與準(zhǔn)確度。

Table 1 Comparison for three chinesewords segmentation analyzer

3.3 基于組件技術(shù)的多文檔解析

Lucene只定義了一個(gè)抽象文檔的結(jié)構(gòu)Document,沒有定義具體的數(shù)據(jù)源, 因此在各種應(yīng)用中, 必須采用合適的轉(zhuǎn)換器把數(shù)據(jù)源轉(zhuǎn)換成相應(yīng)的Document結(jié)構(gòu)，才能實(shí)現(xiàn)文檔解析。針對(duì)不同的文檔格式，需要采用不同的組件或者軟件包實(shí)現(xiàn)文檔的相應(yīng)解析，比如，利用HTMLParser組件實(shí)現(xiàn)對(duì)HTML格式的抽取，利用POI組件實(shí)現(xiàn)對(duì)MS Office文檔的抽取，利用Xpdf組件及其中文補(bǔ)丁包實(shí)現(xiàn)PDF格式的文本抽取，而針對(duì)TXT文件直接使用Java的字符流來讀取。本系統(tǒng)使用組件技術(shù)，通過抽象出文件解析工廠類，屏蔽了不同格式之間的解析差異，采用抽象接口和動(dòng)態(tài)實(shí)例化的方法為用戶屏蔽了各種文檔格式間的差異性, 使其具有統(tǒng)一處理多種格式文檔的能力，實(shí)現(xiàn)了對(duì)HTML、PDF、MS Office以及TXT等常規(guī)文件格式的文本內(nèi)容透明抽取，文檔解析過程如圖4所示。

Figure 4 Parsing process for document圖4 文檔解析過程

3.4 數(shù)據(jù)顯示模塊

系統(tǒng)實(shí)現(xiàn)了類似Baidu、Google檢索結(jié)果顯示效果，即對(duì)關(guān)鍵字相同的詞條進(jìn)行高亮顯示。Lucene的org.apache.lucene.search.highlight包中提供了關(guān)于高亮顯示檢索關(guān)鍵字的工具，通過構(gòu)造的高亮格式對(duì)象，生成org.apache.lucene.search.highlight.highlighter實(shí)例；然后將檢索結(jié)果中的文本內(nèi)容進(jìn)行切分，找到與檢索關(guān)鍵字相同或相似的詞條，將高亮格式加入到摘要文本中，返回一個(gè)新的、帶有格式的摘要文本，在網(wǎng)頁(yè)上即可呈現(xiàn)高亮顯示結(jié)果。核心代碼如下。

Document doc=hits.doc(i);

String text=doc.get(fieldName);

SimpleHTMLFormatter simpleHTMLFormatter=new SimpleHTMLFormatter("〈font color='red'〉", "〈/font〉");

Highlighter highlighter=new Highlighter(simpleHTMLFormatter,new QueryScorer(query));

highlighter.setTextFragmenter(new SimpleFragmenter(text.length()));

TokenStream tokenStream=analyzer.tokenStream(fieldName,new StringReader(text));

String highLightText=highlighter.getBestFragment(tokenStream, text);

4 實(shí)驗(yàn)結(jié)果

系統(tǒng)部署環(huán)境如圖5所示，服務(wù)端共部署四臺(tái)服務(wù)器，Web服務(wù)器通過Weblogic 9.1提供高性能Web服務(wù)，數(shù)據(jù)庫(kù)服務(wù)器采用Oracle10g對(duì)結(jié)構(gòu)化數(shù)據(jù)進(jìn)行存儲(chǔ)，文件服務(wù)器主要將上傳的文件集中存儲(chǔ)，索引服務(wù)器保存上傳文件生成的各類索引信息。

Figure 5 Deployment diagram for the system圖5 系統(tǒng)部署圖

系統(tǒng)當(dāng)前已存儲(chǔ)MS Office、PDF、TXT等各類文本信息達(dá)36 GB，索引服務(wù)器的CPU型號(hào)為Xeon E5-2603 1.8 GHz，內(nèi)存為12 GB DDR3。以DOC、PDF、TXT三類文檔為例，分別針對(duì)三類文檔測(cè)試了100 KB以下、500 KB以下及1 MB以下三個(gè)不同大小文檔的文本解析速度、索引建立速度與數(shù)據(jù)檢索速度，測(cè)試結(jié)果如表2所示。測(cè)試結(jié)果表明，文件類型及大小決定了文本解析與索引建立的速度，但對(duì)數(shù)據(jù)檢索速度影響不大，系統(tǒng)在實(shí)際應(yīng)用過程中，基本能夠滿足用戶文件存儲(chǔ)及快速檢索的需求，具備良好的穩(wěn)定性與較高的應(yīng)用價(jià)值。

Table 2 Test results

5 結(jié)束語(yǔ)

本文在Lucene全文檢索框架的基礎(chǔ)上，擴(kuò)展了文檔解析功能，對(duì)各類常規(guī)文檔格式具備更好的支持，改進(jìn)了中文分詞器，提高了中文分詞效率，設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)高效快速的全文檢索系統(tǒng)。系統(tǒng)主要需要在兩個(gè)方面進(jìn)一步改進(jìn)，一是進(jìn)一步改進(jìn)中文分詞器，本系統(tǒng)僅將現(xiàn)有對(duì)中文支持較好的庖丁分詞器集成到系統(tǒng)中，并未進(jìn)行二次優(yōu)化；二是系統(tǒng)在查全率上與其他同類系統(tǒng)沒有明顯優(yōu)勢(shì)，需要進(jìn)一步改善。目前，該系統(tǒng)已應(yīng)用到實(shí)際業(yè)務(wù)工作中較好地滿足了常規(guī)業(yè)務(wù)需求。

[1] Xu Ye-qiang, Zhu Yan-hui, Li Chun-liang. The design and implementation of massive database full-text retrieval based on Lucene[J]. Journal of Hunan University of Technology, 2011,25(2):81-82.(in Chinese)

[2] Huang Jiang-ping, Huang Li-can, Xu Ling. Implementation of PDF full-text retrieval based on Lucene[J]. Industrial Control Computer,2012,25(5):103. (in Chinese)

[3] Xia Tian, Huang Wen, Ma Jun-tao, et al. Research and application fo Lucene in the academic information service platform construction[J]. Library and Information Service,2011,27(12):88-89. (in Chinese)

[4] Huang Kui, Zhu Xing-dong. The realization of the retrival model based Lucene in IETM[J]. Micro-Computer Information, 2011,55(21):106-109. (in Chinese)

[5] Jiang Xin, Yu Ping. Research and implementation of Lucene-based retrieval system of audio and vedio resources[J]. Computer Applications and Software, 2011,28(11):245-248. (in Chinese)

[6] Zheng Rong-zeng,Lin Shi-ping.Research of Chinese full texts inverted index based on Lucene[J]. Computer Technology and Development, 2010, 20(3):80. (in Chinese)

[7] Tsai Chih-Hao.MMSEG:A word identification system for mandarin Chinese text based on two variants of the maximum matching algorithm[EB/OL].[2000-03-12]. http://technology. chtsai.org/mmseg.

[8] Moffat A, Webber W, Zobel J．Load balancing for term-distributed parallel retrieval[C]∥Proc of the 29th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, 2006:348-355．

[9] Butlerm H, Rutherford J. Distributed Lucene:A distributed free text index for Hadoop[EB/OL]．[2012-03-25]．http://www.hpl.hp.com/techreports/2008/HPL-2008-64.pdf．

[10] Sajja K. Performance study of Lucene in parallel and distributed environments[D].Boise:Boise State University，2011．

[11] Peng Huan-feng.Design and implementation of Chinese words segmentation machine based on Lucene[J]. Micro-Computer & its Applications, 2011, 30(18):62-64. (in Chinese)

[12] Yi Tian-peng, Chen Qi-an. Comparison research of segmentation performance for Chinese analyzers based on Lucene[J]. Computer Engineering, 2012, 38(22):279-282. (in Chinese)

[13] Wu Dai-wen, Yang Fang-qi. The performance study of database full-text retrieval based on Lucene[J]. Micro-Computer Applications, 2011, 32(6):53-58. (in Chinese)

[14] Tang Tie-bing, Chen Lin, Zhu Wei-hua. Research and implementation of full text retrieval component based on Lucene[J]. Computer Applications and Software, 2010, 27(2):197-199. (in Chinese)

[15] Ding Zhao-gui,Jin Min.Research and implementation of personal search engine based on Lucene[J]. Computer Technology and Development, 2011, 21(2):105-108. (in Chinese)

[16] Zou Yan-fei, Yu Cheng-zun, Zhao Liang. Design and implementation of text search engine based on Lucene[J]. Computer and Modernization, 2011, 193(9):40-42. (in Chinese)

[17] Li Xue-li, Huang Li-can, Fan Chen-xi. Design and implementation of documents management system based on Lucene[J]. Industrial Control Computer, 2012, 25(10):87-88. (in Chinese)

[18] Li Yong-chun, Ding Hua-fu. Research and application of full text search based on Lucene[J]. Computer Technology and Development, 2010, 20(2):12-15. (in Chinese)

[19] Li Hai-feng. Study on application of MVC model architecture[J]. Automation & Instrumentation, 2013,165(1):4. (in Chinese)

[20] The apache software foundation.Apache Lucene-Query Parser Syntax[EB/OL]. [2010-06-18].http://lucene.apache.org/java/2_9_3/queryparsersyntax.html.

附中文參考文獻(xiàn)：

[1] 徐葉強(qiáng)，朱艷輝，栗春亮. 基于Lucene的海量數(shù)據(jù)庫(kù)全文檢索的設(shè)計(jì)與實(shí)現(xiàn)[J].湖南工業(yè)大學(xué)學(xué)報(bào)，2011,25(2):81-82.

[2] 黃江平，黃理燦，徐玲. 基于Lucene的PDF文檔的全文檢索的實(shí)現(xiàn)[J].工業(yè)控制計(jì)算機(jī),2012,25(5):103.

[3] 夏天，黃文，馬駿濤，等. Lucene全文檢索軟件及其在學(xué)科信息服務(wù)平臺(tái)中的應(yīng)用[J]. 圖書館情報(bào)工作,2011,55(21):106-109.

[4] 黃葵，朱興動(dòng). 基于Lucene的IETM系統(tǒng)檢索器的設(shè)計(jì)實(shí)現(xiàn)[J]. 微計(jì)算機(jī)信息,2011, 27(12):88-89.

[5] 姜鑫，余平. 基于Lucene的音視頻資源檢索系統(tǒng)的研究與實(shí)現(xiàn)[J].計(jì)算機(jī)應(yīng)用與軟件,2011, 28(11):245-248.

[6] 鄭榕增，林世平. 基于Lucene的中文倒排索引技術(shù)的研究[J].計(jì)算機(jī)技術(shù)與發(fā)展,2010, 20(3):80.

[11] 彭煥峰. 基于Lucene的中文分詞器的設(shè)計(jì)與實(shí)現(xiàn)[J]. 微型機(jī)與應(yīng)用,2011, 30(18):62-64.

[12] 義天鵬，陳啟安. 基于Lucene的中文分析器分詞性能比較研究[J]. 計(jì)算機(jī)工程,2012, 38(22):279-282.

[13] 吳代文，楊方琦.Lucene在數(shù)據(jù)庫(kù)全文檢索中的性能研究[J]. 微計(jì)算機(jī)應(yīng)用,2011, 32(6):53-58.

[14] 唐鐵兵，陳林，祝偉華. 基于Lucene的全文檢索構(gòu)件的研究與實(shí)現(xiàn)[J]. 計(jì)算機(jī)應(yīng)用與軟件,2010, 27(2):197-199.

[15] 丁兆貴，金敏. 基于Lucene的個(gè)性化搜索引擎研究與實(shí)現(xiàn)[J]. 計(jì)算機(jī)技術(shù)與發(fā)展,2011, 21(2):105-108.

[16] 鄒燕飛，于成尊，趙亮. 基于Lucene的文本搜索引擎的設(shè)計(jì)和實(shí)現(xiàn)[J]. 計(jì)算機(jī)與現(xiàn)代化,2011, 193(9):40-42.

[17] 李雪利，黃理燦，范晨熙. 基于Lucene的文檔管理系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J]. 工業(yè)控制計(jì)算機(jī),2012, 25(10):87-88.

[18] 李永春，丁華福.Lucene 的全文檢索的研究與應(yīng)用[J]. 計(jì)算機(jī)技術(shù)與發(fā)展,2010, 20(2):12-15.

[19] 李海峰.MVC模式架構(gòu)的應(yīng)用研究[J].自動(dòng)化與儀器儀表,2013,165(1):4.