Java语言使用Lucene4.7.0生成全文索引并实现高亮关键词功能
1.lucene简介:
Lucene提供了一个优秀的全文索引的解决方案,本文主要关注Lucene的实际应用,所以各位如果想更多更细致的了解Lucene的发展历程和原理可以自行百度或谷歌。
2.配置Lucene4.7.0
1).下载Lucene,下载地址为:http://lucene.apache.org/
2).新建项目,引入Jar包,我的项目主要实现对指定目录生成全文索引,通过生成的索引进行关键词检索并高亮,所以我的项目只需要引入lucene- core-4.7.0.jar、lucene-analyzers-common-4.7.0.jar、lucene-highlighter- 4.7.0.jar这三个基本包,其中:
lucene-core-4.7.0.jar是lucene的核心包,此包必不可少。
lucene-analyzers-common-4.7.0.jar 是lucene建立索引时确定分词策略的相关包,在生成索引过程中,也是不可少的。
lucene-highlighter-4.7.0.jar 是lucene根据索引检索过程中,高亮关键词的相关jar包。
我本地的项目结构如图所示:
3.通过使用lucene生成全文索引
在进行具体操作之前,各位需要明白在Lucene的概念中,每个即将被索引的文档都叫做Document,每个Document对象都包含一些不同类型 的Field,可以将Document理解成数据库中的一张表,而每张表又包含标题、发表时间、文章内容等字段,这每一个字段就相当于一个Field。将 一个文档转化成Document对象以后就可以使用IndexWriter的实例将这个Document对象加入到索引文件中,在这之中会将 Document对象进行分词的操作,借助的是Lucene的Analyzer的不同实例,每种实例都相当于一种具体的分词策略。
代码如下:
1 ArrayList<File> AllFiles=new ArrayList<File>();//遍历后得到的文件夹路径保存在此ArrayList<File>中 2 3 /** 4 * 为指定的文件夹下的文件创建索引,并将索引文件保存在指定的文件夹下 5 * @param indexFilePath 索引文件的保存路径 6 * @param dataFilePath 文本文件的存放路径 7 */ 8 public void createIndex(String indexFilePath,String dataFilePath){ 9 try { 10 File dataDir = new File(dataFilePath); 11 File indexDir = new File(indexFilePath); 12 Analyzer luceneAnalyzer=new CJKAnalyzer(Version.LUCENE_47); 13 //Analyzer luceneAnalyzer =new ChineseAnalyzer(); 14 IndexWriterConfig iwc=new IndexWriterConfig(Version.LUCENE_47, luceneAnalyzer); 15 IndexWriter indexWriter=new IndexWriter(FSDirectory.open(indexDir), iwc); 16 long startTime=new Date().getTime(); 17 ArrayList<File> GetAllFiles=getAllFilesOfDirectory(dataDir); 18 //根据所得到的文件夹的路径,变量此文件夹下的所有文件 19 for(int index=0;index<GetAllFiles.size();index++){ 20 File[] dataFiles=GetAllFiles.get(index).listFiles(); 21 for(int i=0;i<dataFiles.length;i++){ 22 if(dataFiles[i].isFile()&&dataFiles[i].getName().endsWith(".txt")){ 23 System.out.println("Indexing File:"+dataFiles[i].getCanonicalPath()); 24 Document doc=new Document(); 25 StringBuffer reader=readFile(dataFiles[i]); 26 //Reader reader=new FileReader(dataFiles[i]); 27 doc.add(new StringField("path", dataFiles[i].getCanonicalPath(), Store.YES)); 28 doc.add(new TextField("content", reader.toString(),Store.YES)); 29 indexWriter.addDocument(doc); 30 } 31 } 32 } 33 indexWriter.close(); 34 long endTime=new Date().getTime(); 35 System.out.println("It takes:"+(endTime-startTime)+"milliseconds to create index for the files in directory:"+dataDir.getPath()); 36 } catch (IOException e) { 37 e.printStackTrace(); 38 } 39 }
4.使用Lucene通过已生成的索引文件根据关键词检索文档
进行完上述操作以后,各位会发现你所指定的索引生成目录中会多出一些.cfe/.cfs/.si文件,这些文件就是Lucene生成的索引文件。下面为大家介绍如何利用这些索引文件对文档进行全文检索。
这里检索主要使用的是org.apache.lucene.search包下的IndexSearcher类的search(TermQuery query)方法,此方法需要传入一个TermQuery对象,TermQuery对象相当于我们执行数据库查询时的SQL语句,只是这里是将代表 Filed和keyword的(key,value)值转换成了Lucene可以识别的查询语言。通过获取Document之后便可以取出Field的值 了。
高亮功能的基本原理就是将所查询到的关键词,用指定的HTML标签进行替换,如将原有的“message”字符,替换为 “<font color=‘red’>message</font>”,这样在文本显示是便可以将message进行红色高亮显示。此操作 Lucene中使用了SimpleHTMLFormatter、setTextFragmenter、TokenStream等类完成这个过程。
/** * 使用已建立的索引检索指定的关键词,并高亮关键词后返回结果 * @param indexFilePath 索引文件路径 * @param keyWord 检索关键词 */ public void searchByIndex(String indexFilePath,String keyWord){ try { String indexDataPath=indexFilePath; Directory dir=FSDirectory.open(new File(indexDataPath)); IndexReader reader=DirectoryReader.open(dir); IndexSearcher searcher=new IndexSearcher(reader); Term term=new Term("content",keyWord); TermQuery query=new TermQuery(term); //检索出匹配相关指数最高的30条记录 TopDocs topdocs=searcher.search(query,10); ScoreDoc[] scoredocs=topdocs.scoreDocs; System.out.println("查询结果总数:" + topdocs.totalHits); System.out.println("最大的评分:"+topdocs.getMaxScore()); for(int i=0;i<scoredocs.length;i++){ int doc=scoredocs[i].doc; Document document=searcher.doc(doc); System.out.println("====================文件【"+(i+1)+"】================="); System.out.println("检索关键词:"+term.toString()); System.out.println("文件路径:"+document.get("path")); System.out.println("文件ID:"+scoredocs[i].doc); String content=document.get("content"); /*Begin:开始关键字高亮*/ SimpleHTMLFormatter formatter=new SimpleHTMLFormatter("<b><font color=‘red‘>","</font></b>"); Highlighter highlighter=new Highlighter(formatter, new QueryScorer(query)); highlighter.setTextFragmenter(new SimpleFragmenter(400)); Analyzer luceneAnalyzer=new CJKAnalyzer(Version.LUCENE_47); if(content!=null){ TokenStream tokenstream=luceneAnalyzer.tokenStream(keyWord, new StringReader(content)); try { content=highlighter.getBestFragment(tokenstream, content); } catch (InvalidTokenOffsetsException e) { e.printStackTrace(); } } /*End:结束关键字高亮*/ System.out.println("文件内容:"+content); System.out.println("匹配相关度:"+scoredocs[i].score); } reader.close(); } catch (IOException e) { e.printStackTrace(); } } /** * 读取File文件的内容 * @param file File实体 * @return StringBuffer类型的文件内容 */ public StringBuffer readFile(File file){ StringBuffer sb=new StringBuffer(); try { BufferedReader reader=new BufferedReader(new FileReader(file)); String str; while((str=reader.readLine())!=null){ sb.append(str); } reader.close(); } catch (Exception e) { e.printStackTrace(); } return sb; } /** * 根据指定的根文件夹,递归遍历此文件夹下的所有文件 * @param RootFile 待遍历的目录 * @return 目录列表 */ public ArrayList<File> getAllFilesOfDirectory(File RootFile){ File[] files = RootFile.listFiles(); for(File file:files){ if(file.isDirectory()){ System.out.println("========开始遍历文件夹======"); getAllFilesOfDirectory(file); AllFiles.add(file); } } return AllFiles; }
5.测试主入口
各位可以自行新建一些文件夹和文档作为测试数据。
/** * 方法主入口 * @param args */ public static void main(String[] args){ String dataPath = "E:\\willion"; //文本文件存放路径 String indexPath ="E:\\luceneData"; //索引文件存放路径 String keyWord="政府"; LucenceDao indexdao=new LucenceDao(); /*为指定文件夹创建索引*/ //indexdao.createIndex(indexPath,dataPath); /*根据索引全文检索*/ indexdao.searchByIndex(indexPath,keyWord); }
郑重声明:本站内容如果来自互联网及其他传播媒体,其版权均属原媒体及文章作者所有。转载目的在于传递更多信息及用于网络分享,并不代表本站赞同其观点和对其真实性负责,也不构成任何其他建议。