Lucene3.0 创建索引及多目录搜索

最近项目中用到了Lucene3.0,如下：

创建索引：

Java code

100

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：

Java code

/**

* 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;

}

本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请点击举报。