Apache Lucene

Apache Lucene Parte de la familia Apache Software Foundation Lanzamiento inicial 1999 Última versión estable Apache Lucene 6.5.1 Género Ámbito software libre, código abierto Sistemas Operativos compatibles multiplataforma Licencia GPL Sitio web [https://lucene.apache.org/

Apache Lucene:Es una API de código abierto para recuperación de información, originalmente implementada en Java por Doug Cutting. Está apoyado por el Apache Software Foundation y se distribuye bajo la Apache Software License.

Historia

Lucene fue desarrollado por Dog Cutting y su primer release fue en marzo del año 2000. En Septiembre del 2001 paso a formar parte de la familia de Apache Software Foundation's Jakarta. Durante los siguientes años Lucene ha ido creciendo constantemente transformandoce en una herraminenta muy poderosa para la indexacion y busqueda de informacion.

Evolución

• Version 0.01 en Marzo 2000 Primer release open source (SourceForge)
• Version 1.0 en Octubre 2000
• Version 1.01b en Julio 2001 Ultimo release de SourceForge?
• Version 1.2 Junio 2002 Primer release de Apache Jakarta
• Version 1.3 Diciembre 2003
• Version 1.4 Julio 2004
• Version 1.4.1 Agosto 2004
• Version 1.4.2 Octubre 2004
• Version 1.4.3 Invierno 2004
• Version 2.3.2 Mayo 2008

Versiones

Lucene tiene o se encuentran en desarrollo de versiones para varios lenguajes de programación además de Java:

• Lucene4c - C
• CLucene - C++
• MUTIS - Delphi
• NLucene - .NET
• Lucene.Net - .NET
• Plucene - Perl
• PyLucene - Python
• Ferret y RubyLucene - Ruby
• Zend Framework (búsquedas) - PHP
• Nutch - Java (Buscador web)
• Montezuma - Lisp

Un ejemplo

• Indexación:

El proceso de indexación consiste en analizar y extraer de entre toda la disponible, la verdaderamente relevante. Posteriormente, con esa información se crea el índice a partir del cual se realizarán las búsquedas. El índice es una estructura de datos que permite acceso rápido a la información, algo similar semánticamente a lo que podría ser el índice de un libro.

• Búsqueda:

El proceso de búsqueda consiste en consultar el índice para obtener los documentos donde aparecen unas determinadas palabras o bien concuerdan con una determinada expresión de consulta. A continuación vamos a ver un sencillo ejemplo de indexación (LuceneCreateIndexApp.java) y consulta (LuceneSearchApp.java) sobre los archivos con extensión .txt de un directorio. Indexación de información: LuceneCreateIndexApp.java Introducción a las clases más comunes durante el proceso de indexación.

• IndexWriter:

Es el corazón del proceso de indexación. Encapsula el índice y contiene entre otras cosas cierta información de documentos que lo componen.

• Directory:

Es una clase abstracta que representa la ubicación del índice: memoria RAM, archivo, etc. En el ejemplo se usa FSDirectoryTítulo del enlace, que es la implementación de la clase para guardar el índice en un archivo.

• Analizer:

Es una clase Abstracta cuya función es filtrar la información relevante con la cual se creará el índice y eliminar el resto. Por ejemplo, elimiminar las palabras cortas (stop word) o que aparecen con mucha frecuencia. Por ejemplo, eliminaría palabras (dependiendo del idioma) del tipo: en, la, los, etc.

• Document:

Es una clase que almacena campos (Field) con la meta información que queremos indexar y/o guardar en el índice (emails, rutas, autor, fecha, etc.).

• Field:

Son las fragmentos de información de cada documento que deseamos almacenar en el Document. Búsqueda de información: LuceneSearchApp.java Introducción a las clases más comunes durante el proceso de búsqueda.

• IndexSeacher:

Es el corazón del proceso de búsqueda a través del cual se pueden realizar consultas (Query) que devuelven resultados (Hits).

• Term:

Cuando querermos realizar una consulta definimos las condiciones de búsqueda a través de Term, es decir, una consulta es un conjunto de Term.

• Query:

Es una clase abstracta que permite definir la consulta sobre la que queremos realizar la búsqueda. TermQuery, es una de las muchas implementaciones de Query y que nos permite búscar consultando los Field.

• Hits:

Contiene los documentos (Document) que cumplen las condiciones de la búsqueda realiza.

Diagrama integración

• Lucene Architecture.png

  Arquitectura Lucene

Fuentes

• Epiwiki. [1]
• Adictos al Trabajo.com. [2]
• Apache Lucene. [3]