像关系数据库一样使用Lucene

Question

我只是想知道我们是否可以在lucene中实现一些RDBMS功能。

实施例： 1）我有10,000个项目文档（pdf文件），必须将其内容编入索引以使其可供搜索。 2）每份文件都与单一项目有关。项目可以包含项目名称，编号，开始日期，结束日期，位置，类型等详细信息。

我必须在pdf文件的内容中搜索给定的关键字，但在显示结果时，我想显示项目元数据，如第（2）点所述。

我的想法是在索引时将名为projectId的字段与每个pdf文件相关联。一旦我们得到了，我们将再次触发搜索以获取项目元数据。

这样我们就可以避免重复数据。此外，如果我们想要更新项目元数据，我们最终只会在SINGLE PLACE更新。否则，如果我们使用所有pdf doument索引存储这个元数据，我们将最终更新所有文档，这不是我想要的方式。

请告知。

Answer 1

如果我理解正确，你有两个问题：

1. 我可以在Lucene中存储项目ID并将其用于进一步搜索吗？是的你可以。这是一种常见做法。
2. 我可以使用此项目ID在Lucene中搜索项目元数据吗？是的你可以。我不知道这是不是一个好主意。这取决于元数据更新的频率和访问模式。如果元数据是相对静态的，并且您只能通过id访问它，Lucene可能是存储它的好地方。否则，您可以将项目ID用作数据库表的主键，这可能更合适。

Answer 2

听起来非常棒。您将拥有的唯一限制（通过在Lucene中存储对项目的引用而不是项目数据本身）是您将无法同时查询文档文本和项目元数据。例如，“documentText：foo OR projectName：bar”。如果你没有这样的要求，那么看起来像在Lucene中存储ID，这是指数据库行是一件好事。

Answer 3

我不确定您的整体设置，但也许Hibernate Search适合您。它允许您将关系数据库的好处与Lucene等全文搜索引擎的强大功能结合起来。元数据可以存在于数据库中，可能与原始pdf文档一起存在，而Lucene文档只包含可搜索的数据。

Answer 4

这绝对是可能的。但是要始终注意这样一个事实，即你正在使用Lucene来实现它不适合的东西。一般来说，Lucene专为全文搜索而设计，而不是用于映射关系内容。因此，关系内容的系统越复杂，您就会越多地看到性能下降。

特别是，有一些领域需要密切关注：

• 在索引中存储每个字段的值会降低性能。如果您不是过分关注亚秒搜索结果，或者您的索引相对较小，那么这可能不是问题。
• 另外，请注意，如果您不使用默认排名算法，并且您的自定义算法需要有关项目的信息才能计算每个文档的分数，这也会对搜索性能产生巨大影响。

如果您需要一个针对关系内容设计的更强大的索引，那么有一些层次索引工具（由Apache开发，名为Jackrabbit）值得研究。

随着项目的不断发展，您还可以查看由Apache开发的Solr，它提供了一些附加功能，例如多方位搜索。

Answer 5

你可以这样使用Lucene;

优点：

全文搜索易于实现，而RDBMS则不然。

缺点：

参照完整性：您可以在RDBMS中免费获得它，但在Lucene中，您必须自己实现它。