罗惠峰，郭淑琴

（浙江工业大学 信息工程学院，浙江 杭州 310023）

0 引言

随着网络的发展和数据存储技术的成熟，如何在大量的数据中快速、准确地获取到我们所需要的信息成为一个亟待解决的问题，也是信息检索技术的核心问题。

信息检索的核心是全文检索技术，全文检索是指以各种计算机数据诸如文字、声音、图像等为处理对象，提供按照数据资料的内容而不是外在特征来实现的信息检索手段。当前对全文数据的检索主要有两种方法：顺序扫描法（Serial Scanning）和倒排索引法（Inverted Index）。前者较为原始，对于小数量的数据是最直接和最方便的方法；但随着数据量的增多，倒排索引法具有更快的检索速度和更全的应用范围[1]。Lucene并不是一个完整的搜索引擎应用，而是一个开放源代码的高性能、可伸缩的信息搜索库，可以方便地嵌入到各种应用中，实现针对应用的全文索引/检索功能，并且已经在许多搜索项目中得到了广泛的应用[2]。

中文分词技术作为信息检索的核心技术之一，它的研究与发展促进了全文检索技术的应用。本文主要研究了中文分词的最大匹配算法，并通过该算法对原始中文分词器进行了改进，改进后的分词器更加适用于中文条件下的搜索。

1 Lucene架构及简介

图1描述了基于Lucene的全文检索过程，Lucene对索引的创建和搜索是通过不同的流程来实现。创建索引时，需要通过文件、数据库、Web或人工输入方式来对数据进行采集；其次则需要建立索引的Document，一条Document就类似于数据库的一条记录[3]；……