欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

lucene 3.0 学习笔记(1)— 建立索引

程序员文章站 2022-07-09 13:45:27
...
正在学习lucene,下载的新版本是3.0的,这里把学习中整理的笔记,放在blog中做为备份。



使用lucene做为搜索引擎,主要做的2件事就是:1、建立索引;2、利用索引查询。

即lucene先将要搜索的内容,转化成一个个单词,然后对单词及其与内容的关系建索引;查询是根据你输入的内容,在索引中找到符合条件单词,并进而找到对应的内容。

这里先从创建索引开始,下面是一段代码示例:

/**
* Copyright (c) 2010 TeleNav, Inc
* All rights reserved
*
* Created on Sep 25, 2010
* Filename is CreateIndex.java
* Packagename:example
*/
package example;

import java.io.File;
import java.io.FileReader;
import java.util.Date;

import org.apache.lucene.analysis.standard.StandardAnalyzer;
import org.apache.lucene.document.DateTools;
import org.apache.lucene.document.Document;
import org.apache.lucene.document.Field;
import org.apache.lucene.index.IndexWriter;
import org.apache.lucene.store.FSDirectory;
import org.apache.lucene.util.Version;

/**
* @author lgli
*
* Created on Sep 25, 2010
*/
public class CreateIndex
{
//索引文件存放目录
final File INDEX_DIR = new File("index");
//测试数据目录
final File docDir = new File("E:\\workspace_eclipse\\DOCTEST\\txt\\");

public boolean createIndex()
{
if (!docDir.exists() || !docDir.canRead())
{
System.out.println("Document directory '" + docDir.getAbsolutePath() + "' does not exist or is not readable, please check the path");
return false;
}

Date start = new Date();
try
{
IndexWriter writer = new IndexWriter(FSDirectory.open(INDEX_DIR),
new StandardAnalyzer(Version.LUCENE_30),
true, //true为覆盖原index;false为追加
IndexWriter.MaxFieldLength.LIMITED);
System.out.println("Indexing to directory '" + INDEX_DIR + "'...");
indexDocs(writer, docDir); //创建Document,加入IndexWriter中
System.out.println("Optimizing...");
writer.optimize(); //优化索引
writer.close();

Date end = new Date();
System.out.println(end.getTime() - start.getTime() + " total milliseconds");

}
catch (Exception e)
{
System.out.println(e.getMessage());
return false;
}
return true;
}
//向IndexWriter中添加Document
private void indexDocs(IndexWriter writer, File file) throws Exception
{
if (file.canRead())
{
if (file.isDirectory())
{
//递归遍历目录下所有文件
String[] files = file.list();
if (files != null)
{
for (int i = 0; i < files.length; i++)
{
indexDocs(writer, new File(file, files[i]));
}
}
}
else
{
//添加Document
System.out.println("indexing: " + file);
writer.addDocument(getDocument(file));
}
}
}
public Document getDocument(File f) throws java.io.FileNotFoundException
{
//创建Document
Document doc = new Document();
doc.add(new Field("path", f.getPath(), Field.Store.YES, Field.Index.NOT_ANALYZED));
doc.add(new Field("modified", DateTools.timeToString(f.lastModified(), DateTools.Resolution.MINUTE), Field.Store.YES, Field.Index.NOT_ANALYZED));
doc.add(new Field("contents", new FileReader(f)));
return doc;
}
}

创建索引的主要步骤:

1、先指定要搜索的文件(docDir 目录下放了一些文本文件做为测试数据)和存放索引文件的目录(INDEX_DIR )

2、创建IndexWriter-需要提供索引目录、使用的Analyzer等。Analyzer用于解析文本内容,拆分成单词,这里我使用的是lucene自带的分词器。

3、递归遍历所有文件,生成Document,每一个文件对于一个Document。

4、将Document逐个加入索引

5、关闭IndexWriter,保存索引信息



说明:

1、索引文件可存放在目录或内存中,分别使用FSDirectory和RAMDirectory

2、每个Document类似与索引中的一行记录,具体的字段由Field标识,我这里加入了3个Field,分别是路径、修改时间和内容。

3、Field中的枚举字段

Field.Store.YES表示此字段内容需要在索引中保存

Field.Index.NOT_ANALYZED表示此字段内容不需要做分词

new Field("contents", new FileReader(f))表示此字段内容从reader中取,做分词但不保存





几个基本对象间的关系如下图:

[img]http://dl.iteye.com/upload/attachment/316065/aae740b9-7957-3dc2-af26-a0a5e0d67808.jpg[/img]

最后,上面这段代码的输出结果如下:
Indexing to directory 'index'...
indexing: E:\workspace_eclipse\DOCTEST\txt\DeleteFiles.java
indexing: E:\workspace_eclipse\DOCTEST\txt\FileDocument.java
indexing: E:\workspace_eclipse\DOCTEST\txt\html\Entities.java
indexing: E:\workspace_eclipse\DOCTEST\txt\html\HTMLParser.java
indexing: E:\workspace_eclipse\DOCTEST\txt\html\HTMLParser.jj
indexing: E:\workspace_eclipse\DOCTEST\txt\html\HTMLParserConstants.java
indexing: E:\workspace_eclipse\DOCTEST\txt\html\HTMLParserTokenManager.java
indexing: E:\workspace_eclipse\DOCTEST\txt\html\ParseException.java
indexing: E:\workspace_eclipse\DOCTEST\txt\html\ParserThread.java
indexing: E:\workspace_eclipse\DOCTEST\txt\html\SimpleCharStream.java
indexing: E:\workspace_eclipse\DOCTEST\txt\html\Tags.java
indexing: E:\workspace_eclipse\DOCTEST\txt\html\Test.java
indexing: E:\workspace_eclipse\DOCTEST\txt\html\Token.java
indexing: E:\workspace_eclipse\DOCTEST\txt\html\TokenMgrError.java
indexing: E:\workspace_eclipse\DOCTEST\txt\HTMLDocument.java
indexing: E:\workspace_eclipse\DOCTEST\txt\IndexFiles.java
indexing: E:\workspace_eclipse\DOCTEST\txt\IndexHTML.java
indexing: E:\workspace_eclipse\DOCTEST\txt\SearchFiles.java
Optimizing...
734 total milliseconds