转载：http://www.jscud.com/srun/news/viewhtml/3_2005_8/76.htm
首先,基于一个简单的新闻系统,要想做全文检索.新闻系统的管理等在这里不在具体提出,下面列出新闻对象的类:
注:程序用会到一些工具类,不在此列出,用户可以自己实现.
package com.jscud.website.newsinfo.bean;
import java.sql.timestamp;
import com.jscud.util.datetime;
import com.jscud.util.stringfunc;
import com.jscud.website.newsinfo.newsconst;
/**
* 一个新闻.
*
*
*/
public class newsitem
{
private int nid; //新闻编号
private int cid; //类别编号
private string title;//标题
private int showtype; //内容类型:目前支持url和html
private string content;//内容
private string url;//对应网址,如果内容类型是url的话
private timestamp addtime; //增加时间
private int click; //点击数
//对应的get,set函数,较多不在列出,可以使用工具生成
//......
/**
* 按照类型格式化
*/
public string getshowcontent()
{
string sres = content;
if(showtype == newsconst.showtype_html)
{
}
return sres;
}
public string gettarget()
{
if(showtype == newsconst.showtype_url)
{
return "_blank";
}
else
return "";
}
/**
* 静态html文件的路径及其名字
*/
public string gethtmlfilename()
{
int nyear = datetime.getyear_date(getaddtime());
int nmonth = datetime.getmonth_date(getaddtime());
string sgenefilename =
"/news/" + getcid() + "/" + nyear + "/" + nmonth +"/" + getnid() + ".htm";
return sgenefilename;
}
/**
* 静态html文件的路径
*/
public string gethtmlfilepath()
{
int nyear = datetime.getyear_date(getaddtime());
int nmonth = datetime.getmonth_date(getaddtime());
string sgenefilepath =
getcid() + "_" + nyear + "_" + nmonth;
return sgenefilepath;
}
}
|
可以看到,我们需要对标题和内容进行检索,为了这个目的,我们首先需要来研究一下lucene.
在lucene中,如果要进行全文检索,必须要先建立索引然后才能进行检索,当然实际工作中还会有删除索引和更新索引的工作.
在此之前,介绍一个最基本的类(摘抄自http://www.blogjava.net/cap/archive/2005/07/17/7849.html):
analyzer 文件的分析器（听起来别扭，还是叫analyzer好了)的抽象，这个类用来处理分词(对中文尤其重要，转换大小写(computer->computer,实现查询大小写无关)，转换词根(computers->computer),消除stop words等,还负责把其他格式文档转换为纯文本等.
在lucene中,一般会使用standardanalyzer来分析内容,它支持中文等多字节语言,当然可以自己实现特殊的解析器.standardanalyzer目前对中文的处理是按照单字来处理的,这是最简单的办法,但是也有缺点,会组合出一些没有意义的结果来.
首先我们来了解建立索引,建立索引包含2种情况,一种是给一条新闻建立索引,另外的情况是在开始或者一定的时间给批量的新闻建立索引,所以为了通用,我们写一个通用的建立索引的函数:
(一般一类的索引都放在一个目录下,这个配置可以在函数中定义,也可以写在配置文件中,通过参数传递给函数.)
/**
* 生成索引.
*
* @param doc 目标文档
* @param indexdir 索引目录
*/
public static void makeindex(document doc, string indexdir)
{
list alist = new arraylist();
alist.add(doc);
makeindex(alist, indexdir);
}
/**
* 生成索引.
*
* @param doc 生成的document.
* @param indexdir 索引目录
*/
public static void makeindex(list docs, string indexdir)
{
if (null == docs)
{
return;
}
boolean indexexist = indexexist(indexdir);
indexwriter writer = null;
try
{
standardanalyzer analyzer = new standardanalyzer();
//如果索引存在,就追加.如果不存在,就建立新的索引.lucene要是自动判决就好了.
if(indexexist)
{
writer = new indexwriter(indexdir, analyzer, false);
}
else
{
writer = new indexwriter(indexdir, analyzer, true);
}
//添加一条文档
for (int i = 0; i < docs.size(); i++)
{
document doc = (document) docs.get(i);
if (null != doc)
{
writer.adddocument(doc);
}
}
//索引完成后的处理
writer.optimize();
}
catch (ioexception e)
{
logman.warn("error in make index", e);
}
finally
{
try
{
if (null != writer)
{
writer.close();
}
}
catch (ioexception e)
{
logman.warn("close writer error");
}
}
}
|
可以看到,建立索引用到类是indexwrite,它可以新建索引或者追加索引,但是需要自己判断.判断是通过indexreader这个类来实现的,函数如下:
/**
* 检查索引是否存在.
* @param indexdir
* @return
*/
public static boolean indexexist(string indexdir)
{
return indexreader.indexexists(indexdir);
}
|
如果每次都是新建索引的话,会把原来的记录删除,我在使用的时候一开始就没有注意到,后来观察了一下索引文件,才发现这个问题.
还可以看到,建立索引是给用户的document对象建立索引,document表示索引中的一条文档记录.那么我们如何建立一个文档那?以新闻系统为例,代码如下:
/**
* 生成新闻的document.
*
* @param anews 一条新闻.
*
* @return lucene的文档对象
*/
public static document makenewssearchdocument(newsitem anews)
{
document doc = new document();
doc.add(field.keyword("nid", string.valueof(anews.getnid())));
doc.add(field.text("title", anews.gettitle()));
//对html进行解析,如果不是html,则不需要解析.或者根据格式调用自己的解析方法
string content = parsehtmlcontent(anews.getcontent());
doc.add(field.unstored("content", content));
doc.add(field.keyword("addtime", anews.getaddtime()));
//可以加入其他的内容:例如新闻的评论等
doc.add(field.unstored("other", ""));
//访问url
string newsurl = "/srun/news/viewhtml/" + anews.gethtmlfilepath() + "/" + anews.getnid()
+ ".htm";
doc.add(field.unindexed("visiturl", newsurl));
return doc;
}
|
通过上面的代码,我们把一条新闻转换为lucene的document对象,从而进行索引工作.在上面的代码中,我们又引入了lucene中的field(字段)类.document文档就像数据库中的一条记录,它有很多字段,每个字段是一个field对象.
从别的文章摘抄一段关于field的说明(摘抄自http://www.blogjava.net/cap/archive/2005/07/17/7849.html):
[quote]
类型 analyzed indexed stored 说明
field.keyword(string,string/date) n y y 这个field用来储存会直接用来检索的比如(编号,姓名,日期等)
field.unindexed(string,string) n n y 不会用来检索的信息,但是检索后需要显示的,比如,硬件序列号,文档的url地址
field.unstored(string,string) y y n 大段文本内容,会用来检索,但是检索后不需要从index中取内容,可以根据url去load真实的内容
field.text(string,string) y y y 检索,获取都需要的内容,直接放index中,不过这样会增大index
field.text(string,reader) y y n 如果是一个reader, lucene猜测内容比较多,会采用unstored的策略.
[/quote]
我们可以看到新闻的编号是直接用来检索的,所以是keyword类型的字段,新闻的标题是需要检索和显示用的,所以是text类型,而新闻的内容因为是html格式的,所以在经过解析器的处理用,使用的unstored的格式,而新闻的时间是直接用来检索的,所以是keyword类型.为了在新闻索引后用户可以访问到完整的新闻页面,还设置了一个unindexed类型的访问地址字段.
(对html进行解析的处理稍后在进行讲解)
为一条新闻建立索引需要两个步骤:获取document,传给makeindex函数,代码如下:
public static void makenewsinfoindex(newsitem anews)
{
if (null == anews)
{
return;
}
makeindex(makenewssearchdocument(anews),indexdir);
} |
建立索引的工作就进行完了,只要在增加新闻后调用 makenewsinfoindex(newsitem); 就可以建立索引了.
如果需要删除新闻,那么也要删除对应的索引,删除索引是通过indexreader类来完成的:
/**
* 删除索引.
* @param aterm 索引删除条件
* @param indexdir 索引目录
*/
public static void deleteindex(term aterm, string indexdir)
{
list alist = new arraylist();
alist.add(aterm);
deleteindex(alist, indexdir);
}
/**
* 删除索引.
*
* @param aterm 索引删除条件.
* @param indexdir 索引目录
*
*/
public static void deleteindex(list terms, string indexdir)
{
if (null == terms)
{
return;
}
if(!indexexist(indexdir)) { return; }
indexreader reader = null;
try
{
reader = indexreader.open(indexdir);
for (int i = 0; i < terms.size(); i++)
{
term aterm = (term) terms.get(i);
if (null != aterm)
{
reader.delete(aterm);
}
}
}
catch (ioexception e)
{
logman.warn("error in delete index", e);
}
finally
{
try
{
if (null != reader)
{
reader.close();
}
}
catch (ioexception e)
{
logman.warn("close reader error");
}
}
}
|
删除索引需要一个条件,类似数据库中的字段条件,例如删除一条新闻的代码如下:
public static void deletenewsinfoindex(int nid)
{
term aterm = new term("nid", string.valueof(nid));
deleteindex(aterm,indexdir);
} |
通过新闻的id,就可以删除一条新闻.
如果需要更新新闻,如何更新索引哪? 更新索引需要先删除索引然后新建索引2个步骤,其实就是把上面的代码组合起来,例如更新一条新闻:
public static void updatenewsinfoindex(newsitem anews)
{
if (null == anews)
{
return;
}
deletenewsinfoindex(anews.getnid());
makenewsinfoindex(anews);
}
|
至此,索引的建立更新和删除就告一段落了.其中批量更新新闻的代码如下:
(批量更新应该在访问人数少或者后台程序在夜间执行)
public static void makeallnewsinfoindex(list newslist)
{
list terms = new arraylist();
list docs = new arraylist();
for (int i = 0; i < newslist.size(); i++)
{
newsitem aitem = (newsitem) newslist.get(i);
if (null != aitem)
{
terms.add(new term("nid", string.valueof(aitem.getnid())));
docs.add(makenewssearchdocument(aitem));
}
}
deleteindex(terms,indexdir);
makeindex(docs,indexdir);
}
|
下一节讲解如何对要建立索引的内容进行解析,例如解析html等内容.
