大數(shù)據(jù)是一個包括一切的術(shù)語,指的是數(shù)據(jù)集很大很復(fù)雜,他們需要特別設(shè)計(jì)的硬件和軟件工具。數(shù)據(jù)集通常是 T 或者更大級別。這些數(shù)據(jù)集從各種各樣的來源創(chuàng)建，包括傳感器,收集氣象信息,公開可用的信息,如雜志、報(bào)紙、文章。還包括購買交易記錄、網(wǎng)絡(luò)日志、醫(yī)療記錄、軍事偵察、視頻和圖像檔案和大規(guī)模的電子商務(wù)等等。

要分析這些數(shù)據(jù)需要專門的軟硬件，本文介紹 7 個開源的搜索引擎適合用于大數(shù)據(jù)處理：

1. Apache Lucene

Lucene 是apache軟件基金會一個開放源代碼的全文檢索引擎工具包，是一個全文檢索引擎的架構(gòu)，提供了完整的查詢引擎和索引引擎，部分文本分析引擎。 Lucene的目的是為軟件開發(fā)人員提供一個簡單易用的工具包，以方便的在目標(biāo)系統(tǒng)中實(shí)現(xiàn)全文檢索的功能，或者是以此為基礎(chǔ)建立起完整的全文檢索引擎。

特性：

• 索引過程:
  • 在現(xiàn)在流行的硬件平臺上每個小時可處理超過 150GB 的數(shù)據(jù)
  • 內(nèi)存占用小，只需 1MB 的堆內(nèi)存
  • 增量索引和批量索引速度一樣快
  • 索引大小約為文本索引的 20-30% 大小
  • 靜態(tài)索引修剪
• 搜索算法：
  • 范圍搜索 – 優(yōu)先返回最佳結(jié)果
  • 很多強(qiáng)大的查詢類型：短語查詢、通配符查詢、近似查詢、范圍查詢等
  • 可單獨(dú)針對某個字段查詢
  • 可單獨(dú)根據(jù)某個字段排序
  • 多索引搜索并合并搜索結(jié)果
  • 允許同步更新索引和搜索
  • 靈活的門面搜索、高亮顯示、結(jié)果集的聯(lián)合和分組
  • 快速，低內(nèi)存占用和容錯
  • 可插入式排名模型，包括 VSM 和 Okapi MB25
  • 可配置的存儲引擎
• 跨平臺解決方案
  • 100% 純 Java
  • 其他語言提供索引兼容的實(shí)現(xiàn)

2. Apache Solr

Apache Solr (讀音: SOLer) 是一個開源的搜索服務(wù)器。Solr 使用 Java 語言開發(fā)，主要基于 HTTP 和 Apache Lucene 實(shí)現(xiàn)。Apache Solr 中存儲的資源是以 Document 為對象進(jìn)行存儲的。每個文檔由一系列的 Field 構(gòu)成，每個 Field 表示資源的一個屬性。Solr 中的每個 Document 需要有能唯一標(biāo)識其自身的屬性，默認(rèn)情況下這個屬性的名字是 id，在 Schema 配置文件中使用：<uniqueKey>id</uniqueKey>進(jìn)行描述。

3. ElasticSearch

Elastic Search 是一個基于Lucene構(gòu)建的開源，分布式，RESTful搜索引擎。設(shè)計(jì)用于云計(jì)算中，能夠達(dá)到實(shí)時搜索，穩(wěn)定，可靠，快速，安裝使用方便。支持通過HTTP使用JSON進(jìn)行數(shù)據(jù)索引。

4. Sphinx

Sphinx是一個基于SQL的全文檢索引擎，可以結(jié)合MySQL,PostgreSQL做全文搜索，它可以提供比數(shù)據(jù)庫本身更專業(yè)的搜索功能，使得應(yīng)用程序更容易實(shí)現(xiàn)專業(yè)化的全文檢索。Sphinx特別為一些腳本語言設(shè)計(jì)搜索API接口，如PHP,Python,Perl,Ruby等，同時為MySQL也設(shè)計(jì)了一個存儲引擎插件。

5. Xapian

Xapian是一個用C 編寫的全文檢索程序，他的作用類似于Java的lucene。盡管在Java世界lucene已經(jīng)是標(biāo)準(zhǔn)的全文檢索程序，但是C/C 世界并沒有相應(yīng)的工具，而Xapian則填補(bǔ)了這個缺憾。

6. Nutch

Nutch 是一個開源Java 實(shí)現(xiàn)的搜索引擎。它提供了我們運(yùn)行自己的搜索引擎所需的全部工具。包括全文搜索和Web爬蟲。

盡管Web搜索是漫游Internet的基本要求, 但是現(xiàn)有web搜索引擎的數(shù)目卻在下降. 并且這很有可能進(jìn)一步演變成為一個公司壟斷了幾乎所有的web搜索為其謀取商業(yè)利益.這顯然 不利于廣大Internet用戶.

Nutch為我們提供了這樣一個不同的選擇. 相對于那些商用的搜索引擎, Nutch作為開放源代碼 搜索引擎將會更加透明, 從而更值得大家信賴. 現(xiàn)在所有主要的搜索引擎都采用私有的排序算法, 而不會解釋為什么一個網(wǎng)頁會排在一個特定的位置. 除此之外, 有的搜索引擎依照網(wǎng)站所付的 費(fèi)用, 而不是根據(jù)它們本身的價(jià)值進(jìn)行排序. 與它們不同, Nucth沒有什么需要隱瞞, 也沒有 動機(jī)去扭曲搜索的結(jié)果. Nutch將盡自己最大的努力為用戶提供最好的搜索結(jié)果.

Nutch 致力于讓每個人能很容易, 同時花費(fèi)很少就可以配置世界一流的Web搜索引擎. 為了完成這一宏偉的目標(biāo), Nutch必須能夠做到:

• 每個月取幾十億網(wǎng)頁
• 為這些網(wǎng)頁維護(hù)一個索引
• 對索引文件進(jìn)行每秒上千次的搜索
• 提供高質(zhì)量的搜索結(jié)果
• 以最小的成本運(yùn)作

7. LGTE

LGTE 是基于 Lucene 提供了擴(kuò)展 Lucene API 用于集成很多服務(wù)，例如片段生成、查詢擴(kuò)展等等，并提供了一組單元測試。

特性包括：

• 提供了簡單和高效的 Lucene API 的抽象層
• 在主題、時間和地理方面支持集成檢索和排序的依據(jù)
• 支持 Lucene 標(biāo)準(zhǔn)的檢索模型，提供更高級的概率檢索方法
• 支持 Rochio 查詢擴(kuò)展
• 提供了用于 IR 仿真體驗(yàn)的框架 (例如處理 CLEF/TREC 主題)
• 包含 trec_eval 工具的 Java 替換版
• 包含一個簡單的測試應(yīng)用，用來搜索 Braun Corpus 或 Cranfield Corpus
• TREC/CLEF 仿真框架 – 集合索引的工具，運(yùn)行主題搜索并使用 treckeval 格式輸出結(jié)果
• 使用不同文件夾提供隔離字段
• 通過外鍵字段提供層次化的索引
• 提供用于使用 Yahoo PlaceMaker 解析文檔的類

via linuxlinks