最近要做一個(gè)站內的全文檢索功能，主要是針對 clob 字段的，于是去網(wǎng)上找了點(diǎn) lucene 的資料，現在新版本的是
// 創(chuàng )建索引
public void indexFiles() {
// 創(chuàng )建索引文件存放路徑
File indexDir = new File("E:\\lucene_Learning\\lucene-
try {
Date start = new Date();
// 創(chuàng )建分析器 , 主要用于從文本中抽取那些需要建立索引的內容 , 把不需要參與建索引的文本內容去掉 .
// 比如去掉一些 a the 之類(lèi)的常用詞 , 還有決定是否大小寫(xiě)敏感 .
StandardAnalyzer standardAnalyzer = new StandardAnalyzer();
// 參數 true 用于確定是否覆蓋原有索引的
IndexWriter indexWriter = new IndexWriter(indexDir, standardAnalyzer, true);
indexWriter.setMergeFactor(100);
indexWriter.setMaxBufferedDocs(100);
// 只索引這個(gè) Field 的前 5000 個(gè)字，默認為 10000
indexWriter.setMaxFieldLength(5000);
// 從數據庫取出所有紀錄
List articleList = articleManager.getArticles(null);
for (int i = 0; i < articleList.size(); i++) {
Article article = (Article) articleList.get(i);
// 在 Document 方法是創(chuàng )建索引的具體代碼
Document doc = Document(article);
indexWriter.addDocument(doc);
}
// Optimize 的過(guò)程就是要減少剩下的 Segment 的數量 , 盡量讓它們處于一個(gè)文件中 .
indexWriter.optimize();
indexWriter.close();
Date end = new Date();
System.out.println("create index: " + (end.getTime() - start.getTime()) + " total milliseconds");
} catch (IOException e) {
System.out.println(" caught a " + e.getClass() + "\n with message: " + e.getMessage());
}
}
public static Document Document(Article article)
throws java.io.IOException {
Document doc = new Document();
// 為 article 表的主健創(chuàng )建索引，關(guān)于 Field 的幾個(gè)參數下面有詳細解釋
Field fieldId = new Field("uid", article.getArticleId(), Field.Store.YES, Field.Index.UN_TOKENIZED, Field.TermVector.YES);
// 為 detail 字段創(chuàng )建索引， detail 在 DB 中是 clob 字段，內容為 html 文本
String contentHtml = article.getDetail();
Reader read = new StringReader(contentHtml);
// 用 HTMLParser 把 detail 字段中的 HTML 分析成文本在索引
// HTMLParser 這個(gè)類(lèi)可以在 lucene 的 demo 中找到
HTMLParser htmlParser = new HTMLParser(read);
BufferedReader breader = new BufferedReader(htmlParser.getReader());
String htmlContent ="";
String tempContent = breader.readLine();
while (tempContent != null && tempContent.length() > 0) {
htmlContent = htmlContent + tempContent;
tempContent = breader.readLine();
}
Field fieldContents = new Field("content", htmlContent,
Field.Store.COMPRESS, Field.Index.TOKENIZED,Field.TermVector.YES);
// db 中的每條紀錄對應一個(gè) doc ，每個(gè)字段對應一個(gè) field
doc.add(fieldId);
doc.add(fieldContents);
return doc;
}
// 搜索文件， keyword 是你在頁(yè)面上輸入的查找關(guān)鍵字，這里查找的是 detail 字段
public List searchFiles(String keyword){
String index = "E:\\lucene_Learning\\lucene-
// hitsList 用來(lái)保存 db 的紀錄，這些紀錄可以通過(guò)查詢(xún)結果取到
List hitsList = new ArrayList();
try {
Date start = new Date();
IndexReader reader = IndexReader.open(index);
Searcher searcher = new IndexSearcher(reader);
Analyzer analyzer = new StandardAnalyzer();
QueryParser parser = new QueryParser("content", analyzer);
// 解析查詢(xún)關(guān)鍵字，比如輸入的是以空格等分開(kāi)的多個(gè)查詢(xún)關(guān)鍵字，這里解析后，可以多條件查詢(xún)
Query query = parser.parse(keyword);
// hits 用來(lái)保存查詢(xún)結果，這里的 hits 相當于 sql 中的 result
Hits hits = searcher.search(query);
for (int i = 0; i < hits.length(); i++) {
Document doc = hits.doc(i);
// 獲得 article 表的主健
String id = doc.get("uid");
// 根據主健去 db 中取紀錄，返回到 hitsList 中
try {
Article article = articleManager.getArticle(id);
} catch (ObjectRetrievalFailureException e) {
article = null;
}
// 如果沒(méi)有找到該紀錄，表示該紀錄已經(jīng)不存在，不必添加到 hitsList 中
if(article!=null) hitsList.add(article);
}
searcher.close();
reader.close();
Date end = new Date();
System.out.println("search files: " + (end.getTime() - start.getTime()) + " total milliseconds");
} catch (IOException e) {
System.out.println(" caught a " + e.getClass() + "\n with message: " + e.getMessage());
} catch (ParseException e) {
System.out.println(" caught a " + e.getClass() + "\n with message: " + e.getMessage());
}
return hitsList;
}
// 刪除索引
public void deleteIndex(){
String index = "E:\\lucene_Learning\\lucene-
try {
Date start = new Date();
IndexReader reader = IndexReader.open(index);
int numFiles = reader.numDocs();
for (int i = 0; i < numFiles; i++) {
// 這里的刪除只是給文檔做一個(gè)刪除標記，你可以看到執行 deleteDocument 后會(huì )產(chǎn)生一個(gè) del 后綴的文件，
// 用來(lái)記錄這些標記過(guò)的文件
reader.deleteDocument(i);
}
reader.close();
Date end = new Date();
System.out.println("delete index: " + (end.getTime() - start.getTime()) + " total milliseconds");
} catch (IOException e) {
System.out.println(" caught a " + e.getClass() + "\n with message: " + e.getMessage());
}
}
// 恢復已刪除的索引
public void unDeleteIndex(){
String index = "E:\\lucene_Learning\\lucene-
try {
IndexReader reader = IndexReader.open(index);
reader.undeleteAll();
reader.close();
} catch (IOException e) {
System.out.println(" caught a " + e.getClass() + "\n with message: " + e.getMessage());
}
}
Field 就像我們學(xué)過(guò)的數據庫中的字段，簡(jiǎn)單的說(shuō)，就是一個(gè)名值對。這個(gè)域有三種屬性，分別是
isStored - 是否被存儲
isIndexed - 是否被索引
isTokenized - 是否分詞
這些屬性的組合又構成了四種不同類(lèi)型的 Field ，而且各有用途
| | Stored | Indexed | Tokenized |
| Keyword | Y | Y | N |
| UnIndexed | Y | N | N |
| UnStored | N | Y | Y |
| Text: String | Y | Y | Y |
| Text : Reader | N | Y | Y |
關(guān)于 Field ，
Keyword(String name, String value) // only version
存儲、索引、不分詞，用于 URI （比如 MSN 聊天記錄的日期域、比如 MP3 文件的文件全路徑等等）
Field(String name, String value, Field.Store.YES, Field.Index.UN_TOKENIZED) // version 2.0.0
UnIndexed(String name, String value) // only version
存儲、不索引、不分詞，比如文件的全路徑
Field(String name, String value,Field.Store.YES, Field.Index.NO)// version 2.0.0
UnStored(String name, String value) // only version
不存儲、索引、分詞，比如 HTML 的正文、 Word 的內容等等，這部分內容是要被索引的，但是由于具體內容通常很大，沒(méi)有必要再進(jìn)行存儲，可以到時(shí)候根據 URI 再來(lái)挖取。所以，這部分只分詞、索引，而不存儲。
Field(String name, String value,Field.Store.YES, Field.Index.TOKENIZED)// version 2.0.0
Text(String name, String value) // only version
存儲、索引、分詞，比如文件的各種屬性，比如 MP3 文件的歌手、專(zhuān)輯等等。 Field.Store.YES, Field(String name, String value,Field.Index.TOKENIZED)// version 2.0.0
Text(String name, Reader value) // only version
Field(String name, Reader reader) // version
不存儲、索引、分詞。
聯(lián)系客服
