使用Lucene进行全文检索(二)---得到有效的内容(转载)
转载:http://www.jscud.com/srun/news/viewhtml/3_2005_8/77.htm
?
在使用lucene对相关内容进行索引时,会遇到各种格式的内容,例如html,pdf,word等等,那么我们如何从这么文档中得到我们需要的内容哪?例如html的内容,一般我们不需要对html标签建立索引,因为那不是我们需要搜索的内容.这个时候,我们就需要从html内容中解析出我们所需要的内容.对于pdf,word文档,也是类似的要求.
?
? 总之,我们只需要从内容中提取出我们需要的文本来建立索引,这样用户就能搜索到需要的内容,然后访问对应的资源即可.
? lucene本身带的例子中有一个解析html的代码,不过不是纯java的,所以在网上我又找到了另外一个html解析器,网址如下:http://htmlparser.sourceforge.net.
?
? 对pdf解析的相关项目有很多,例如pdfbox.在pdfbox里面提出pdf的文本内容只需要一句话即可:??
??
???
??????? searchhtmlpage result = new searchhtmlpage(title, body);
??????? return result;
??? }
??? /**
???? * 解析html内容,得到普通文本和链接的内容.
???? *
???? * @param content 要解析的内容
???? * @return 返回解析后的内容
???? */
??? public static string parsehtmlcontent(string content)
??? {
??????? parser myparser;
??????? nodelist nodelist = null;
??????? myparser = parser.createparser(content, "gbk");
??????? nodefilter textfilter = new nodeclassfilter(textnode.class);
??????? nodefilter linkfilter = new nodeclassfilter(linktag.class);
??????? //暂时不处理 meta
??????? //nodefilter metafilter = new nodeclassfilter(metatag.class);
??????? orfilter lastfilter = new orfilter();
??????? lastfilter.setpredicates(new nodefilter[] { textfilter, linkfilter });
??????? try
??????? {
??????????? nodelist = myparser.parse(lastfilter);
??????? }
??????? catch (parserexception e)
??????? {
??????????? logman.warn("parse content error", e);
??????? }
??????? //中场退出了
??????? if (null == nodelist)
??????? {
??????????? return "";
??????? }
??????? node[] nodes = nodelist.tonodearray();
??????? string result = combinenodetext(nodes);
??????? return result;
??? }
?//合并节点的有效内容
??? private static string combinenodetext(node[] nodes)
??? {
??????? stringbuffer result = new stringbuffer();
??????? for (int i = 0; i < nodes.length; i++)
??????? {
??????????? node anode = (node) nodes[i];
??????????? string line = "";
??????????? if (anode instanceof textnode)
??????????? {
??????????????? textnode textnode = (textnode) anode;
??????????????? //line = textnode.toplaintextstring().trim();
??????????????? line = textnode.gettext();
??????????? }
??????????? else if (anode instanceof linktag)
??????????? {
??????????????? linktag linknode = (linktag) anode;
??????????????? line = linknode.getlink();
??????????????? //过滤jsp标签
??????????????? line = stringfunc.replace(line, "", "");
??????????? }
??????????? if (stringfunc.istrimempty(line)) continue;
??????????? result.append(" ").append(line);
??????? }
??????? return result.tostring();
??? }