Lucene3.0 创建索引及多目录搜索

/** *  */package com.test;import java.io.File;import java.io.IOException;import java.util.Date;import java.util.List;import java.util.Map;import org.apache.lucene.analysis.Analyzer;import org.apache.lucene.analysis.standard.StandardAnalyzer;import org.apache.lucene.document.Document;import org.apache.lucene.document.Field;import org.apache.lucene.document.Fieldable;import org.apache.lucene.index.CorruptIndexException;import org.apache.lucene.index.IndexWriter;import org.apache.lucene.index.Term;import org.apache.lucene.queryParser.ParseException;import org.apache.lucene.queryParser.QueryParser;import org.apache.lucene.search.BooleanQuery;import org.apache.lucene.search.IndexSearcher;import org.apache.lucene.search.MultiSearcher;import org.apache.lucene.search.Query;import org.apache.lucene.search.ScoreDoc;import org.apache.lucene.search.TermQuery;import org.apache.lucene.search.TopScoreDocCollector;import org.apache.lucene.search.BooleanClause.Occur;import org.apache.lucene.store.FSDirectory;import org.apache.lucene.store.LockObtainFailedException;import org.apache.lucene.util.Version;/** * @author Administrator *  */public class Test2 {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:[e-mail]">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;     } /** * 得到MultiSearcher多目录查询实例 * *  * @param String *            [] dirs 要查询的索引目录。 * @return MultiSearcher * @throws IOException * @auther <a href="mailto:[e-mail]">Gao XuGuo</a> Jan 22, 2010 *         3:44:16 PM */private MultiSearcher getMultiSearcher(String[] dirs) throws IOException { // 多目录IndexSearcher[] searchers = new IndexSearcher[dirs.length];int i = 0;for (String dir : dirs) {searchers[i] = new IndexSearcher(FSDirectory.open(new File(dir)),true);i++;}// 多目录查询return new MultiSearcher(searchers);}}