Lucene 3.5学习

本文介绍如何使用Lucene建立文档索引并实现高效搜索。通过实例演示了索引建立过程,包括字段存储与索引选项的选择,并展示了如何通过查询解析器执行搜索操作。
1.建立索引

File indexDir=new File("E:\\Index\\");

Analyzer luceneAnalyzer=new StandardAnalyzer(Version.LUCENE_35);

IndexWriter indexWriter=null;

try {

IndexWriterConfig indexWriterConfig=new IndexWriterConfig(Version.LUCENE_35,luceneAnalyzer);

indexWriter=new IndexWriter(SimpleFSDirectory.open(indexDir),indexWriterConfig);

Field f1=new Field("name","",Field.Store.YES,Field.Index.ANALYZED);

Field f2=new Field("address","",Field.Store.YES,Field.Index.ANALYZED);

ResultSet rs=getResultSet("select * from authors");

while(rs.next())
{
Document doc=new Document();
f1.setValue(rs.getString(2));

System.out.println(rs.getString(2));

doc.add(f1);

f2.setValue(rs.getString(4));
doc.add(f2);

System.out.println(rs.getString(4));

indexWriter.addDocument(doc);
}

System.out.println("DocNum:"+indexWriter.numDocs());

indexWriter.commit();

} catch (Exception e) {
// TODO: handle exception
e.printStackTrace();
}
finally
{
try {

indexWriter.close();

} catch (Exception e2) {
e2.printStackTrace();
}
}


Field.Store.YES或者NO(存储域选项)

设置为YES表示或把这个域中的内容完全存储到文件中,方便进行文本的还原

设置为NO表示把这个域的内容不存储到文件中,但是可以被索引,此时内容无法完全 还原(doc.get是为null)

Field.Index(索引选项)

Index.ANALYZED:进行分词和索引,适用于标题、内容等

Index.NOT_ANALYZED:进行索引,但是不进行分词,如果身份证号,姓名,ID等,适 用于精确搜索

Index.ANALYZED_NOT_NORMS:进行分词但是不存储norms信息,这个norms中包括 了创建索引的时间和权值等信息

Index.NOT_ANALYZED_NOT_NORMS:即不进行分词也不存储norms信息

Index.NO:不进行索引


2.查找索引

IndexSearcher indexSearcher=null;

String [] queryFileds = {"name","address"};

try {

Directory dir=new SimpleFSDirectory(new File("E:\\Index"));

indexSearcher=new IndexSearcher(IndexReader.open(dir));

QueryParser queryParser=new MultiFieldQueryParser(Version.LUCENE_35,queryFileds,new StandardAnalyzer(Version.LUCENE_35));

String key="宁";

Query query=queryParser.parse(key);

TopDocs topDocs=indexSearcher.search(query,10);

System.out.println("Total:"+topDocs.totalHits);

for(ScoreDoc scoreDoc:topDocs.scoreDocs)
{
Document doc=indexSearcher.doc(scoreDoc.doc);
System.out.println(doc.get("name"));
System.out.println(doc.get("address"));
}

indexSearcher.close();

} catch (Exception e) {
// TODO: handle exception
e.printStackTrace();
}
内容概要:本文系统介绍了算术优化算法(AOA)的基本原理、核心思想及Python实现方法,并通过图像分割的实际案例展示了其应用价值。AOA是一种基于种群的元启发式算法,其核心思想来源于四则运算,利用乘除运算进行全局勘探,加减运算进行局部开发,通过数学优化器加速函数(MOA)和数学优化概率(MOP)动态控制搜索过程,在全局探索与局部开发之间实现平衡。文章详细解析了算法的初始化、勘探与开发阶段的更新策略,并提供了完整的Python代码实现,结合Rastrigin函数进行测试验证。进一步地,以Flask框架搭建前后端分离系统,将AOA应用于图像分割任务,展示了其在实际工程中的可行性与高效性。最后,通过收敛速度、寻优精度等指标评估算法性能,并提出自适应参数调整、模型优化和并行计算等改进策略。; 适合人群:具备一定Python编程基础和优化算法基础知识的高校学生、科研人员及工程技术人员,尤其适合从事人工智能、图像处理、智能优化等领域的从业者;; 使用场景及目标:①理解元启发式算法的设计思想与实现机制;②掌握AOA在函数优化、图像分割等实际问题中的建模与求解方法;③学习如何将优化算法集成到Web系统中实现工程化应用;④为算法性能评估与改进提供实践参考; 阅读建议:建议读者结合代码逐行调试,深入理解算法流程中MOA与MOP的作用机制,尝试在不同测试函数上运行算法以观察性能差异,并可进一步扩展图像分割模块,引入更复杂的预处理或后处理技术以提升分割效果。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值