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：
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 * * @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; }