使用Lucene进行全文检索(一)---处理索引(转载)
转载：http://www.jscud.com/srun/news/viewhtml/3_2005_8/76.htm
?
首先,基于一个简单的新闻系统,要想做全文检索.新闻系统的管理等在这里不在具体提出,下面列出新闻对象的类:
?
?注:程序用会到一些工具类,不在此列出,用户可以自己实现.
?
?
?
?可以看到,我们需要对标题和内容进行检索,为了这个目的,我们首先需要来研究一下lucene.
?
?在lucene中,如果要进行全文检索,必须要先建立索引然后才能进行检索,当然实际工作中还会有删除索引和更新索引的工作.
?
?在此之前,介绍一个最基本的类(摘抄自http://www.blogjava.net/cap/archive/2005/07/17/7849.html):
?
?analyzer 文件的分析器（听起来别扭，还是叫analyzer好了)的抽象，这个类用来处理分词(对中文尤其重要，转换大小写(computer->computer,实现查询大小写无关)，转换词根(computers->computer),消除stop words等,还负责把其他格式文档转换为纯文本等.
?
?在lucene中,一般会使用standardanalyzer来分析内容,它支持中文等多字节语言,当然可以自己实现特殊的解析器.standardanalyzer目前对中文的处理是按照单字来处理的,这是最简单的办法,但是也有缺点,会组合出一些没有意义的结果来.?
?
?
?首先我们来了解建立索引,建立索引包含2种情况,一种是给一条新闻建立索引,另外的情况是在开始或者一定的时间给批量的新闻建立索引,所以为了通用,我们写一个通用的建立索引的函数:
?
?(一般一类的索引都放在一个目录下,这个配置可以在函数中定义,也可以写在配置文件中,通过参数传递给函数.)
??????? indexwriter writer = null;
??????? try
??????? {
??????????? standardanalyzer analyzer = new standardanalyzer();
???????????
??????????? //如果索引存在,就追加.如果不存在,就建立新的索引.lucene要是自动判决就好了.
??????????? if(indexexist)
??????????? {
??????????????? writer = new indexwriter(indexdir, analyzer, false);
??????????? }
??????????? else
??????????? {
??????????????? writer = new indexwriter(indexdir, analyzer, true);
??????????? }
??????????? //添加一条文档
??????????? for (int i = 0; i < docs.size(); i++)
??????????? {
??????????????? document doc = (document) docs.get(i);
??????????????? if (null != doc)
??????????????? {
??????????????????? writer.adddocument(doc);
??????????????? }
??????????? }
??????????? //索引完成后的处理
??????????? writer.optimize();
??????? }
??????? catch (ioexception e)
??????? {
??????????? logman.warn("error in make index", e);
??????? }
??????? finally
??????? {
??????????? try
??????????? {
??????????????? if (null != writer)
??????????????? {
??????????????????? writer.close();
??????????????? }
??????????? }
??????????? catch (ioexception e)
??????????? {
??????????????? logman.warn("close writer error");
??????????? }
??????? }
??? }
?可以看到,建立索引用到类是indexwrite,它可以新建索引或者追加索引,但是需要自己判断.判断是通过indexreader这个类来实现的,函数如下:
?
? /**
?如果每次都是新建索引的话,会把原来的记录删除,我在使用的时候一开始就没有注意到,后来观察了一下索引文件,才发现这个问题.
?
?
?还可以看到,建立索引是给用户的document对象建立索引,document表示索引中的一条文档记录.那么我们如何建立一个文档那?以新闻系统为例,代码如下:
?
?
?通过上面的代码,我们把一条新闻转换为lucene的document对象,从而进行索引工作.在上面的代码中,我们又引入了lucene中的field(字段)类.document文档就像数据库中的一条记录,它有很多字段,每个字段是一个field对象.
?
?从别的文章摘抄一段关于field的说明(摘抄自http://www.blogjava.net/cap/archive/2005/07/17/7849.html):
?[quote]
??? 类型?????????????????????????????? analyzed indexed stored 说明
??? field.keyword(string,string/date)? n y y??????????????????? 这个field用来储存会直接用来检索的比如(编号,姓名,日期等)
??? field.unindexed(string,string)???? n n y??????????????????? 不会用来检索的信息,但是检索后需要显示的,比如,硬件序列号,文档的url地址
??? field.unstored(string,string)????? y y n??????????????????? 大段文本内容,会用来检索,但是检索后不需要从index中取内容,可以根据url去load真实的内容
??? field.text(string,string)????????? y y y??????????????????? 检索,获取都需要的内容,直接放index中,不过这样会增大index
??? field.text(string,reader)????????? y y n??????????????????? 如果是一个reader, lucene猜测内容比较多,会采用unstored的策略.
?[/quote]
?
?我们可以看到新闻的编号是直接用来检索的,所以是keyword类型的字段,新闻的标题是需要检索和显示用的,所以是text类型,而新闻的内容因为是html格式的,所以在经过解析器的处理用,使用的unstored的格式,而新闻的时间是直接用来检索的,所以是keyword类型.为了在新闻索引后用户可以访问到完整的新闻页面,还设置了一个unindexed类型的访问地址字段.
?
?(对html进行解析的处理稍后在进行讲解)
?
?为一条新闻建立索引需要两个步骤:获取document,传给makeindex函数,代码如下:
?
?
?
?建立索引的工作就进行完了,只要在增加新闻后调用 makenewsinfoindex(newsitem); 就可以建立索引了.
?
?如果需要删除新闻,那么也要删除对应的索引,删除索引是通过indexreader类来完成的:
?
??? /**
???? * 删除索引.
???? *
???? * @param aterm 索引删除条件.
???? * @param indexdir 索引目录
???? *?
???? */
??? public static void deleteindex(list terms, string indexdir)
??? {
??????? if (null == terms)
??????? {
??????????? return;
??????? }
???????
??????? if(!indexexist(indexdir)) { return; }
??????? indexreader reader = null;
??????? try
??????? {
??????????? reader = indexreader.open(indexdir);
??????????? for (int i = 0; i < terms.size(); i++)
??????????? {
??????????????? term aterm = (term) terms.get(i);
??????????????? if (null != aterm)
??????????????? {
??????????????????? reader.delete(aterm);
??????????????? }
??????????? }
??????? }
??????? catch (ioexception e)
??????? {
??????????? logman.warn("error in delete index", e);
??????? }
??????? finally
??????? {
??????????? try
??????????? {
??????????????? if (null != reader)
??????????????? {
??????????????????? reader.close();
??????????????? }
??????????? }
??????????? catch (ioexception e)
??????????? {
??????????????? logman.warn("close reader error");
??????????? }
??????? }
??? }?
?
?删除索引需要一个条件,类似数据库中的字段条件,例如删除一条新闻的代码如下:
?
?通过新闻的id,就可以删除一条新闻.
?
?如果需要更新新闻,如何更新索引哪? 更新索引需要先删除索引然后新建索引2个步骤,其实就是把上面的代码组合起来,例如更新一条新闻:
?
?至此,索引的建立更新和删除就告一段落了.其中批量更新新闻的代码如下:
?(批量更新应该在访问人数少或者后台程序在夜间执行)
??????? for (int i = 0; i < newslist.size(); i++)
??????? {
??????????? newsitem aitem = (newsitem) newslist.get(i);
??????????? if (null != aitem)
??????????? {
??????????????? terms.add(new term("nid", string.valueof(aitem.getnid())));
??????????????? docs.add(makenewssearchdocument(aitem));
??????????? }
??????? }
??????? deleteindex(terms,indexdir);
??????? makeindex(docs,indexdir);
??? }?
