Lucene3.0 创建索引及多目录搜索

最新推荐文章于 2020-04-20 14:39:07 发布

转载最新推荐文章于 2020-04-20 14:39:07 发布 · 266 阅读

36 篇文章

订阅专栏

public void index() throws CorruptIndexException,
   LockObtainFailedException, IOException {
  // 索引目录
  File indexDir = new File("D:/workspace/code/java/TestLucene3/index/txt/test/");
  // 注意：这里建立索引用的分词方法，在搜索时分词也应该采用同样的分词方法。不然搜索数据可能会不正确
  // 使用Lucene自带分词器
  Analyzer luceneAnalyzer = new StandardAnalyzer(Version.LUCENE_CURRENT);
  // 第一个参数是存放索引文件位置，第二个参数是使用的分词方法，第三个：true，建立全新的索引，false,建立增量索引。
  // IndexWriter indexWriter = new IndexWriter(indexDir, luceneAnalyzer, true);

  // 第一个参数是存放索引目录有FSDirectory（存储到磁盘上）和RAMDirectory（存储到内存中），第二个参数是使用的分词器，第三个：true，建立全新的索引，false,建立增量索引，第四个是建立的索引的最大长度。
  IndexWriter indexWriter = new IndexWriter(FSDirectory.open(indexDir),
    luceneAnalyzer, true, IndexWriter.MaxFieldLength.LIMITED);
  // 索引合并因子
  // SetMergeFactor（合并因子）
  // SetMergeFactor是控制segment合并频率的，其决定了一个索引块中包括多少个文档，当硬盘上的索引块达到多少时，
  // 将它们合并成一个较大的索引块。当MergeFactor值较大时，生成索引的速度较快。MergeFactor的默认值是10，建议在建立索引前将其设置的大一些。
  indexWriter.setMergeFactor(100);
  // SetMaxBufferedDocs（最大缓存文档数）
  // SetMaxBufferedDocs是控制写入一个新的segment前内存中保存的document的数目，
  // 设置较大的数目可以加快建索引速度，默认为10。
  indexWriter.setMaxBufferedDocs(100);

  // SetMaxMergeDocs（最大合并文档数）
  // SetMaxMergeDocs是控制一个segment中可以保存的最大document数目，值较小有利于追加索引的速度，默认Integer.MAX_VALUE，无需修改。
  // 在创建大量数据的索引时，我们会发现索引过程的瓶颈在于大量的磁盘操作，如果内存足够大的话，
  // 我们应当尽量使用内存，而非硬盘。可以通过SetMaxBufferedDocs来调整，增大Lucene使用内存的次数。
  indexWriter.setMaxMergeDocs(1000);

  // SetUseCompoundFile这个方法可以使Lucene在创建索引库时，会合并多个 Segments 文件到一个.cfs中。
  // 此方式有助于减少索引文件数量，对于将来搜索的效率有较大影响。
  // 压缩存储（True则为复合索引格式）
  indexWriter.setUseCompoundFile(true);

  long startTime = new Date().getTime();

  String temp = "";
  // 增加索引字段
  //
  // 在Field中有三个内部类：Field.Index,Field.Store,Field.termVector，而构造函数也用到了它们。
  // 参数说明：
  // Field.Store：
  // Field.Store.NO：表示该Ｆield不需要存储。
  // Field.Store.Yes：表示该Ｆield需要存储。
  // Field.Store.COMPRESS：表示使用压缩方式来存储。
  // Field.Index：
  // Field.Index.NO：表示该Ｆield不需要索引。
  // Field.Index.TOKENIZED：表示该Ｆield先被分词再索引。
  // Field.Index.UN_TOKENIZED：表示不对该Ｆield进行分词，但要对其索引。
  // Field.Index.NO_NORMS：表示该Ｆield进行索引，但是要对它用Analyzer，同时禁止它参加评分，主要是为了减少内在的消耗。
  // TermVector这个参数也不常用，它有五个选项。
  //    Field.TermVector.NO表示不索引Token的位置属性；
  //    Field.TermVector.WITH_OFFSETS表示额外索引Token的结束点；
  //    Field.TermVector.WITH_POSITIONS表示额外索引Token的当前位置；
  //    Field.TermVector.WITH_POSITIONS_OFFSETS表示额外索引Token的当前和结束位置；
  //    Field.TermVector.YES则表示存储向量。

  // 增加文档 Field相当于增加数据库字段一样检索,获取都需要的内容,直接放index中,不过这样会增大index,保存文件的txt内容
  /**
   * Field.Store 表示“是否存储”，即该Field内的信息是否要被原封不动的保存在索引中。
   * Field.Index 表示“是否索引”，即在这个Field中的数据是否在将来检索时需要被用户检索到，一个“不索引”的Field通常仅是提供辅助信息储存的功能。
   * Field.TermVector 表示“是否切词”，即在这个Field中的数据是否需要被切词。
   */
  Field fieldPath = new Field("path", "", Field.Store.YES, Field.Index.NO);
  Field fieldBody = new Field("content", temp, Field.Store.YES, Field.Index.ANALYZED, Field.TermVector.WITH_POSITIONS_OFFSETS);
  Field fieldId = new Field("id", "", Field.Store.YES, Field.Index.NOT_ANALYZED, Field.TermVector.WITH_POSITIONS_OFFSETS);

  Document document = new Document();
  // 做测试，循环100000遍建索引。也可以读取文件内容建索引
  for (int i=0; i<100000; i++) {
   document = new Document();
   temp = "王熙凤历幻返金陵　甄应嘉蒙恩还玉阙";

   fieldPath.setValue("D:\\workspace\\code\\java\\TestLucene3\\txt\\" + i + ".txt");
   fieldBody.setValue(temp);
   fieldId.setValue(String.valueOf(i));

   document.add(fieldPath);
   document.add(fieldBody);
   document.add(fieldId);
   indexWriter.addDocument(document);
   i++;
  }
  //optimize()方法是对索引进行优化
  indexWriter.optimize();
  indexWriter.close();

  // 若需要从索引中删除某一个或者某一类文档，IndexReader提供了两种方法：
  // reader.DeleteDocument(int docNum)
  // reader.DeleteDocuments(Term term)
  // 前者是根据文档的编号来删除该文档，docNum是该文档进入索引时Lucene的编号，是按照顺序编的；后者是删除满足某一个条件的多个文档。
  // 在执行了DeleteDocument或者DeleteDocuments方法后，系统会生成一个*.del的文件，该文件中记录了删除的文档，但并未从物理上删除这些文档。此时，这些文档是受保护的，当使用Document
  // doc = reader.Document(i)来访问这些受保护的文档时，Lucene会报“Attempt to access a
  // deleted document”异常。如果一次需要删除多个文档时，可以用两种方法来解决：
  // 1. 删除一个文档后，用IndexWriter的Optimize方法来优化索引，这样我们就可以继续删除另一个文档。
  // 2. 先扫描整个索引文件，记录下需要删除的文档在索引中的编号。然后，一次性调用DeleteDocument删除这些文档，再调用IndexWriter的Optimize方法来优化索引。

  long endTime = new Date().getTime();
  System.out.println("\n这花费了" + (endTime - startTime) + " 毫秒增加到索引!");
}

==============================

/**
* 查询
*
* @param String word 关键词
* @param String filedName 域字段
* @param String indexDir 索引位置
* @throws CorruptIndexException
* @throws IOException
* @throws ParseException
* @auther <a href="mailto:gaoxuguo@feinno.com">Gao XuGuo</a> Nov 30, 2009
*         2:56:42 PM
*/
public List<Map<String, String>> search(String indexDir)
   throws CorruptIndexException, IOException, ParseException {
  File file = new File(indexDir);
  IndexSearcher is = new IndexSearcher(FSDirectory.open(file), true);
  String field = "content";

  BooleanQuery bq = new BooleanQuery();

  QueryParser parser = new QueryParser(Version.LUCENE_CURRENT, field,
    new StandardAnalyzer(Version.LUCENE_CURRENT));
  Query query = parser.parse("content:王熙凤");

  Query q = new TermQuery(new Term("id","100"));
  bq.add(q,Occur.SHOULD);
  bq.add(query,Occur.SHOULD);
  // 100表示取前100条数据
  TopScoreDocCollector collector = TopScoreDocCollector.create(100, true);

  long start = new Date().getTime();// start time

  /**
   * Lucene内置了三个Filter子类：
   * 1)DateFilter使搜索只限于指定的日期域的值在某一时间范围内的文档空间里
   * 2)QueryFilter把查询结果做为另一个新查询可搜索的文档空间
   * 3)CachingWrappperFilter是其他过滤器的装饰器，将结果缓存起来以便再次使用，从而提高性能。
   *
   */
  String[] dirs = {indexDir};
  MultiSearcher ms = this.getMultiSearcher(dirs);
  ms.search(bq, collector);

//  is.search(bq, collector);
  ScoreDoc[] docs = collector.topDocs().scoreDocs;

  Document doc;
  for (ScoreDoc sd : docs) {
   doc = is.doc(sd.doc);
   // 取得doc里面的Field并从doc里面读取值
   for (Fieldable fa : doc.getFields()) {
    System.out.print(fa.name() + "=" + doc.get(fa.name()) + " ");
   }
   System.out.println();
  }
  long end = new Date().getTime();
  if(is != null) is.close();

  System.out.println("找到 " + collector.getTotalHits()
    + " 条数据，花费时间 " + (end - start)
    + " 秒");
  return null;
}

====================================

/**
* 得到MultiSearcher多目录查询实例
*
* @param String[] dirs 要查询的索引目录。
*
* @return MultiSearcher
* @throws IOException
* @auther <a href="mailto:gaoxuguo@feinno.com">Gao XuGuo</a>
* Jan 22, 2010 3:44:16 PM
*/
private MultiSearcher getMultiSearcher(String[] dirs) throws IOException {

  // 多目录
  IndexSearcher [] searchers = new IndexSearcher[dirs.length];
  int i = 0;
  for (String dir : dirs) {
   searchers[i] = new IndexSearcher(FSDirectory.open(new File(dir)), true);
   i++;
  }
  // 多目录查询
  return new MultiSearcher(searchers);
}