Lucene


Lucene Logo Java open sourceLucene est une interface de programmation écrite en Java qui permet d’indexer et de rechercher du texte. C’est un projet open source de la fondation Apache mis à disposition sous Licence Apache et également disponible sous Ruby, Perl, C++.

Lucene sous SourceForge

Lucene est un moteur de recherche libre mis en téléchargement sous SourceForge en mars 2000 par Doug Cutting, et publié sous licence publique générale limitée GNU.

L’annonce de son transfert sous Jakarta a été publiée en octobre 2001.[2]

Lucene in Action

Le projet Lucene vient d’abord d’un livre publié en décembre 2004, Lucene in Action (Lucene en action), écrit conjointement par Erik Hatcher, un des responsables des projets open source Ant, Lucene et Tapestry, et par Otis Gospodnetic, un membre actif du projet Apache Jakarta.

Jakarta Apache

Le 14 février 2005, Lucene effectue sa migration vers le projet Apache Jakarta. La base de connaissance formant le code source a été converti au contrôleur de version SVN.

Lucene à l’ApacheCon

Puis le lundi 12 décembre 2005, Grant Ingersol présente un cas d’étude en Java à l’ApacheCon US sur l’utilisation avancé des composants de Lucene[3] en donnant notamment des détails techniques sur le traitement du langage naturel [4].

OpenSolaris propulsé par Lucene

Chandan, ingénieur sécurité chez Sun, a annoncé le 15 juin 2005 sur son blog chandanlog(3C) qu’il avait écrit un moteur de recherche simple en Java, OpenGrok et que « Lucene (avait) été choisi pour être la bibliothèque logicielle servant de noyau de recherche et d’indexation pour le code source, après avoir pris en considération toutes une variété de moteur de recherche et d’outils. » Complété par Exuberant Ctags qui serait utilisé pour extraire les définitions des fichiers sources. Ceci, afin de gagner du temps et d’explorer les millions de lignes du codes sources d’OpenSolaris [5].

Wikipédia propulsé par Lucene
Jusqu’à avril 2005, la fonction recherche de l’encyclopédie wikipédia était indisponible durant les heures de pointes. Dans ces cas là, il était recommandé d’utiliser le moteur de recherche externe Yahoo! ou Google.

Cependant, depuis l’annonce de Brion Vibber dans la liste de diffusion Wikitech, il en est tout autrement[5]. Cette annonce a été également reporté par Michael Snow environ une semaine plus tard dans le Wikipedia Signpost (équivalent anglais du Wikimag) [6].

Kate a écrit le programme en décembre mais celui-ci à été mis aux oubliettes à cause de la machine virtuelle Java qui n’est pas un logiciel libre. Le programme a donc été plus tard totalement réécrit en utilisant GCJ.

Utilisation de Lucene

Indexation

Jusqu’à l’explosion de l’internet, la Classification décimale de Dewey était très efficace pour catégoriser des objets dans une bibliothèque. Cependant, comme la somme des données collectée est devenu trop vaste, il nous faut utiliser des moyens alternatifs et plus dynamique de trouver de l’information.

Au coeur de tous les moteurs de recherche se trouve le concept de l’indexation : en traitant les données brutes en leur donnant de multiples liens hautement efficient, on facilite la rapidité de la recherche. En fait, le concept est assez analogue à l’index terminologique que l’on trouve généralement à la fin d’un livre, qui permet de trouver rapidement les pages qui traitent d’un sujet donné.

Si l’on a besoin de couvrir un large champs de fichiers ou de trouver une chaîne de caractères précise dans un seul fichier, il ne faut pas scanner séquentiellement chaque fichier pour la phrase donné. Car, plus le nombre de fichiers est grand, plus longue est la recherche d’information. Bien plutôt, il vaut mieux établir un index des textes dans un format qui permette la recherche rapide, éliminant par la même la méthode séquentielle.

Recherche

La recherche est l’action de regarder des mots dans un index pour trouver des références à des documents lorsqu’ils apparaissent. La qualité d’une recherche est évalué par le positionnement et la pertinance des résultats. Cependant, il faut aussi prendre en compte d’autres facteurs qui entre en compte dans une recherche. La rapidité, tout d’abord, est un facteur déterminant pour traiter une vaste quantitée d’information. De même, pouvoir supporter des requêtes simples ou complexes, des interrogations de phrases, des caractères, les résultas de positionnement et de tri sont aussi importants qu’une syntaxe facile à prendre ne main pour entrer ces requêtes.

Classes d’indexation

  • IndexWriter – La classe IndexWriter est le composant central du processus d’indexation. Cette classe crée un nouvel index et ajoute des documents à un index existant. On peut se la représenter comme un objet par lequel on peut écrire dans l’index mais qui ne permet pas de le lire ou de le rechercher.
  • Directory – La classe Directory représente l’emplacement de l’index de Lucene. IndexWriter utilise une des implémentations de Directory, FSDirectory, pour crée son index dans un répertoire dans le Système de fichiers. Une autre implémentation, RAMDirectory, prend toutes ses données en mémoire. Cela peut être utile pour de plus petit indices qui peuvent être pleinement chargé en mémoire et peuvent être détruit sur la fin d’une application.
  • Analyzer – Avant que le texte soit dans l’index, il passe par l’Analyser. Celui-ci est une classe abstraite qui est utilisé pour extraire les mots importants pour l’index et supprime le reste. Cette classe tient une part importante dans Lucene et peut être utilisé pour faire bien plus qu’un simple filtre d’entrée.
  • Document – La classe Document représente un rassemblement de champs. Les champs d’un document représente le document ou les métadonnées associées avec ce document. La source originelle (comme des enregistrements d’une base de donnée, un document word, un chapitre d’un livre etc) est hors de propos pour Lucene. Les métadonnées comme l’auteur, le titre, le sujet, la date etc sont indexées et stockées séparément comme des champs d’un document.
  • Field – Chaque document est un index contenant un ou plusieurs champs, inséré dans une classe intitulé Field. Chaque champs (field) correspond à une portion de donnée qui est interrogé ou récupéré depuis l’index durant la recherche.

Classes de recherche

  • IndexSearcher – La classe IndexSearcher est à la recherche ce que IndexWriter est à l’indexation. On peut se la représenter comme une classe qui ouvre un index en mode lecture seule.
  • Term – Un terme est une unité basique pour la recherche, similaire à l’objet field. Il est une chaîne de caractère : le nom du champs et sa valeur. Notez que les termes employés sont aussi inclus dans le processus d’indexation.
  • Query – La classe Query est une classe abstraite qui comprend BooleanQuery, PhraseQuery, PrefixQuery, PhrasePrefixQuery, RangeQuery, FilteredQuery, et SpanQuery.
  • TermQuery – C’est la méthode la plus basique d’interrogation de Lucene. Elle est utilisé pour égaliser les documents qui contiennent des champs avec des valeurs spécifique.
  • QueryParser – La classe QueryParser est utilisé pour générer un décompositeur analytique qui peut chercher à travers un index.
  • Hits – La classe Hits est un simple conteneur d’index pour classer les résultats de recherche de documents qui apparaissent pour une interrogation donné. Pour des raisons de performances, les exemples de classement ne chargent pas depuis l’index tout les documents pour une requête donné, mais seulement une partie d’entre d’eux.

Bibliographie

  • « Introduction to Apache Lucene: Construction of Java Open Source Full Text Retrieval Systems » by Koshi Sekiguti ; Gijutsu-Hyohron Co, Ltd; (ISBN 4774127809)
  • « Lucene In Action » par Erik Hatcher et Otis Gospodnetić; Manning Publications; Decembre 2004; (ISBN 1932394281)(en)[7]
  • Manfred Hardt, Dr. Fabian Theis: « Suchmaschinen entwickeln mit Apache Lucene« ; Software & Support Verlag, Frankfurt/Main, Germany; Septembre 2004; (ISBN 3935042450)

Liens externes

Texte disponible sous GNU Free Documentation License.

Laisser un commentaire

Choisissez une méthode de connexion pour poster votre commentaire:

Logo WordPress.com

Vous commentez à l'aide de votre compte WordPress.com. Déconnexion / Changer )

Image Twitter

Vous commentez à l'aide de votre compte Twitter. Déconnexion / Changer )

Photo Facebook

Vous commentez à l'aide de votre compte Facebook. Déconnexion / Changer )

Photo Google+

Vous commentez à l'aide de votre compte Google+. Déconnexion / Changer )

Connexion à %s

%d blogueurs aiment cette page :