转载请注明出处：http://blog.csdn.net/xiaojimanman/article/details/42804713

数据分类：

对于日常生活中的数据，我们可以大致分为如下三大类：结构化数据、非结构化数据、半结构化数据：

结构化数据：指具有固定格式或有限长度的数据，如数据库行数据：存在数据库中，可以用二维表结构来逻辑表达实现的数据

非结构化数据：指不定长度或者无固定格式的数据，如邮件、word文档、音频、超音频等

半结构化数据：对于这种数据可以按照结构化数据来处理，也可以提取纯文本按照非结构化数据来处理，如xml数据

对于不同的数据当然就需要采取不同的检索方式，结构化数据大家也许都很熟悉，可以用熟悉的sql语句进行检索，如“select * from student where stuno like "2014%"”，这样一条简单的sql语句就可以查找到所有学号以2014开始的学生信息了；那对于非结构化的数据又该如何处理呢？使用sql中的like?这答案显然是否定的，对于非结构化的数据常用的检索方式有顺序扫描、索引（Index），不用测试也可以知道，顺序扫描的效率还是相当差的，下面就重点的介绍一下对非结构化数据的索引检索。

索引步骤：

对于非结构化数据采用索引检索又可以说是全文检索（Full-Text-Search），在索引过程中，我大致给它分成两大步骤：

索引创建（Indexing）：将结构化数据或非结构化数据提取信息创建索引的过程，具体如下图左半部分所示：

搜索索引（Search）根据用户的查询条件，检索已创建的索引，返回查询结果的过程，具体如参照下图右半部分所示：

上图左半部分就是索引的创建过程，可以将文件系统数据、数据库数据、web数据等，通过索引的创建，形成最终的索引文件；右半部分是用户检索过程，获取用户查询条件，检索索引库最终返回检索结果。

仔细看下上图，我们很容易会想到下面3个问题：

索引是什么？

如何创建索引？

如何进行索引检索？

下面就对这三个问题做一一解答。

索引是什么

如以前没有接触过索引的话，这部分还是很难理解的众多专业名词的，因此下面就举一个简单的例子来说明下，什么是索引：

对于上图中的三个小图片我想大家并不会太陌生，那现在大家就开回忆一下，我们在使用新华字典去查找一个汉子解释的这个过程：通过音节索引或者部首索引查找到想要查找的汉子所在的页码数-->翻到对应的页码，查看该汉字的解释。下面我们想一下，如果没有这些音节索引或者部首索引，我们这次检索过程是不是会花费很长的时间？不知道到现在，你是不是对索引有了一个大概的了解。

其实上图中间的部分，就相当于我们这里提到的索引，这种由字符串到文件的映射是文件到字符串映射的反向过程，我们就称这种信息为反向索引。

上图中左半部分保存的信息，我们一般称为字典，左侧每一个字符串指向右侧的文档链接，此文档链表称为倒排表。关于新华字典的例子如何和反向索引对应起来这个就自己思考下。

如何创建索引

对于索引的创建，我对其总结出一个三步曲：需要检索的数据（Document）、分词技术（Analyzer）、索引组建（Indexer），可以简单的参照下图：

我们还是通过简单的例子来介绍这个过程

第一步数据：Document事例数据：

你好！我是小李。

中国在哪里？

你是谁？

lucene基础知识学习课程。

你在中石油上学？

中石油在哪里？

第二步：分词技术，这里采用StandarAnalyzer(标准分词)

你|好|我|是|小|李|

中|国|在|哪|里|

你|是|谁|

lucene|基|础|知|识|学|习|课|程|

你|在|中|石|油|上|学|

中|石|油|在|哪|里|

第三步：索引创建字典：

第三步：索引组建合并词成倒排表：

到现在，索引文件就已经创建完成。

如何搜索

对索引的检索过程，我对其总结出四步曲：获取检索词（KeyWords）、分词技术（Analyzer）、检索索引（Aearch）、返回结果列表，可以简单参照下图：

同样我们还是继续接上述事例去说搜索过程

第一步：KeyWord事例数据

中石油

第二步：分词技术（因为创建索引的时候，采用的是标准分词，索引在搜索的过程，也应该采用该分词技术）

中|石|油|

第三步：检索索引搜索记录：

第四步：返回结果列表

中石油在哪里？

你在中石油上学？

上述三个问题，都已经通过具体的事例进行了解答，由于自己接触lucene的时间也只是短短的两年时间，好多原理自己也不是太清楚，所以自己的这系列的博客不会涉及太多的具体原理，如果想做深入的了解，建议还是买一本参考书对其做系统的了解。