利用Lucene对大文件进行预处理（可运行）

浏览数：27 / 时间：2015年06月09日

package comTwo;
import java.io.BufferedReader;
import java.io.BufferedWriter;
import java.io.File;
import java.io.FileReader;
import java.io.FileWriter;
import java.io.IOException;
import java.util.HashMap;

public class WanZheng {

public static String replace(String line){

//创建一个HashMap存储全角和半角字符之间的对应关系
HashMap map = new HashMap();
map.put("，", ",");
map.put("。", ".");
map.put("〈", "<");
map.put("〉", ">");
map.put("｜", "|");
map.put("《", "<");
map.put("》", ">");
map.put("［", "[");
map.put("］", "]");
map.put("？", "?");
map.put("＂", "\"");
map.put("：", ":");
map.put("﹑", ",");
map.put("（", "(");
map.put("）", ")");
map.put("【", "[");
map.put("】", "]");
map.put("－", "-");
map.put("￣", "~");
map.put("！", "!");
map.put("｀", "`");
map.put("１", "1");
map.put("２", "2");
map.put("３", "3");
map.put("４", "4");
map.put("５", "5");
map.put("６", "6");
map.put("７", "7");
map.put("８", "8");
map.put("９", "9");

int length = line.length();
for(int i = 0; i < length; i++){
String charat = line.substring(i, i + 1);
if(map.get(charat) != null){
line = line.replace(charat, (String)map.get(charat));
}
}
return line;

}

public static File charactoProcess(File file, String destFile){
try{
//创建一个输出流，用于写新文件
BufferedWriter writer = new BufferedWriter(new FileWriter(destFile));

//创建一个输入流，用于读取文件
BufferedReader reader = new BufferedReader(new FileReader(file));
String line = reader.readLine();
while(line != null){

//调用replace方法替换所有的全角字符
String newline = replace(line);

//将替换后的String写入新的文件
writer.write(newline);

//写入行分隔符
writer.newLine();
line = reader.readLine();
}

reader.close();
writer.close();

}catch(IOException e){
e.printStackTrace();
}
return new File(destFile);
}
public static void splitToSmallFils(File file, String outputpath){
try{
//文件计数器,用于文件名
int filePointer = 0;

//定义文件的最大长度
int MAX_SIZE = 10240;

//创建文件输出流
BufferedWriter writer = null;

//创建文件输入流
BufferedReader reader = new BufferedReader(new FileReader(file));

//建立字符串缓冲区，存储大文件中读取的数据
StringBuffer buffer = new StringBuffer();

String line = reader.readLine();

//循环遍历读取的每行字符串
while(line != null){
//如果读取字符串不为空，则将字符串加入到缓冲区
//并在每行字符串后面加上回车换行
buffer.append(line).append("\r\n");

//判断缓冲区长度是否达到文件最大长度
if(buffer.toString().getBytes().length >= MAX_SIZE){

//如果文件达到最大长度，则将缓冲区的数据写入文件
//filePointer是文件名前缀的一部分
writer = new BufferedWriter(new FileWriter(outputpath + "切分后" + filePointer + ".txt"));
writer.write(buffer.toString());
writer.close();
//文件计数器加一
filePointer++;

//清空缓冲区数据
buffer = new StringBuffer();
}

//如果没有达到文件的最大长度
line = reader.readLine();
}

//如果大文件已经读取完毕，直接将缓冲区数据写入文件
writer = new BufferedWriter(new FileWriter(outputpath + "切分后" + filePointer + ".txt"));
writer.write(buffer.toString());
writer.close();
}catch(IOException e){
e.printStackTrace();
}
}

public static void preprocess(File file, String outputDir){
try{
splitToSmallFils(charactoProcess(file, outputDir + "output.all"), outputDir);
}catch(Exception e){
e.printStackTrace();
}

}

public static void main(String[] args) {
// TODO Auto-generated method stub

//设置需要被预处理的原文件位置
String inputFile = "E:\\Lucene项目\\钢铁是怎样练成的.txt";

//设置预处理后的文件存放位置
String outputDir = "E:\\Lucene项目\\目标文件\\";

//判断处理后文件存放文件夹是否存在，如果不存在则创建文件加
if(!new File(outputDir).exists()){
new File(outputDir).mkdirs();
}

//创建一个FileProcess类,并要求调用preprocess
WanZheng filePreprocess = new WanZheng();
filePreprocess.preprocess(new File(inputFile), outputDir);

}

}