`
yu120
  • 浏览: 81676 次
社区版块
存档分类
最新评论

使用Lucene进行检索前的预处理

阅读更多
import java.io.BufferedReader;
import java.io.BufferedWriter;
import java.io.File;
import java.io.FileReader;
import java.io.FileWriter;
import java.util.HashMap;
 
/**
 * 类名:FilePreprocess 方法: 功能:完成使用lucene进行索引前的预处理,即:半角全角转化、大文件切分;
 * 
 */
 
public class FilePreprocess {
    /**
     * 参数:File file被处理的源文件 String outputDir处理后的文件输出路径
     */
    public static void preprocess(File file, String outputDir) {
        try {
            splitToSmallFiles(charactorProcess(file, outputDir + "output.all"),
                    outputDir);
        } catch (Exception e) {
            // TODO Auto-generated catch block
            e.printStackTrace();
        }
    }
 
    public static File charactorProcess(File file, String destFile)
            throws Exception {
        // 创建一个输出流,用于写新文件
        BufferedWriter writer = new BufferedWriter(new FileWriter(destFile));
 
        // 创建一个输入流,用于读取文件
        BufferedReader reader = new BufferedReader(new FileReader(file));
        String line = reader.readLine();
        while (line != null) {
            if (!line.equals("\r\n")) {
                // 调用replace方法替换所有全角字符
                String newline = replace(line);
 
                // 将替换后的String写入新文件
                writer.write(newline);
                // 写入行分隔符
                writer.newLine();
            }
            line = reader.readLine();
        }
        // 关闭输入输出流,将缓冲区数据写入文件
        reader.close();
        writer.close();
        return new File(destFile);
    }
 
    /**
     * 方法名:replace 参数:String line传入需要处理的行字符串 功能: 全角半角转换
     * 
     * @author MzyAiLqq
     * 
     */
    private static String replace(String line) {
        // 创建一个HashMap用来存储全角字符和半角字符的对应关系
        // 每个entry中的key为全角字符,value为半角字符
        HashMap<String, String> map = new HashMap<String, String>();
        map.put(",", ",");
        map.put("。", ".");
        map.put("〈", "<");
        map.put("〉", ">");
        map.put("|", "|");
        map.put("《", "<");
        map.put("》", ">");
        map.put("[", "[");
        map.put("]", "]");
        map.put("?", "?");
        map.put(""", "\"");
        map.put(":", ":");
        map.put("﹑", ",");
        map.put("(", "(");
        map.put(")", ")");
        map.put("【", "[");
        map.put("】", "]");
        map.put("-", "-");
        map.put(" ̄", "~");
        map.put("!", "!");
        map.put("`", "`");
        map.put("1", "1");
        map.put("2", "2");
        map.put("3", "3");
        map.put("4", "4");
        map.put("5", "5");
        map.put("6", "6");
        map.put("7", "7");
        map.put("8", "8");
        map.put("9", "9");
        int length = line.length();
        for (int i = 0; i < length; i++) {
            // 每次截取一个字符进行判断
            String charat = line.substring(i, i + 1);
            if (map.get(charat) != null) {
                line = line.replace(charat, (String) map.get(charat));
            }
        }
        // 返回转换后的字符行
        return line;
    }
 
    /**
     * 方法名:splitToSmallFiles 参数:File file,String outputpath 功能:把文件拆分成小文件
     * */
    public static void splitToSmallFiles(File file, String outputpath)
            throws Exception {
        // 文件计数器,用来产生文件名
        int filePointer = 0;
 
        // 定义单个文件的最大长度
        final int MAX_SIZE = 10240;
 
        // 创建文件输出、输入流
        BufferedWriter writer = null;
        BufferedReader reader = new BufferedReader(new FileReader(file));
 
        // 建立字符串缓冲区,存储大文件中读取的数据
        StringBuffer buffer = new StringBuffer();
 
        String line = reader.readLine();
        // 循环遍历读取的每行字符串
        while (line != null) {
            // 如果读取的字符串不为空,则将字符串加入缓冲区并在末尾加上回车换行
            buffer.append(line).append("\r\n");
 
            // 判断缓冲区长度是否达到定义的单个文件最大长度
            if (buffer.toString().getBytes().length >= MAX_SIZE) {
                // 如果打到最大长度,则将缓冲区的数据写入文件
                // filePointer是文件名前缀的一部分
                writer = new BufferedWriter(new FileWriter(outputpath
                        + "output" + filePointer + ".txt"));
                writer.write(buffer.toString());
                writer.close();
 
                // 文件计数器自加1
                filePointer++;
 
                // 清空StringBuffer中的数据
                buffer = new StringBuffer();
            }
            // 如果没有达到最大长度,则继续读取下一行
            line = reader.readLine();
            System.out.println(filePointer);
        }
        // 如果大文件已经读取完毕,直接将缓冲区的数据写入文件
        writer = new BufferedWriter(new FileWriter(outputpath + "output"
                + filePointer + ".txt"));
        writer.write(buffer.toString());
        reader.close();
        writer.close();
 
    }
 
    /**
     * 测试主方法
     * */
    public static void main(String args[]) {
        String inputFile = "E:\\办公\\Java 开发\\"
                + "电子书_学习资源\\java电子书\\[JAVA学习手册].handbook.chm";
        String outputDir = "E:\\testFolder\\";
        if (!new File(outputDir).exists())
            new File(outputDir).mkdirs();
        FilePreprocess filePreprocess = new FilePreprocess();
        filePreprocess.preprocess(new File(inputFile), outputDir);
    }
}

 

分享到:
评论

相关推荐

    lucene全文检索word2007

    在本示例中,我们讨论的是如何使用Lucene对Word2007文档进行全文检索。 **Lucene核心概念** 1. **索引**:Lucene首先需要创建一个索引,这是一个预处理步骤,将文档内容转换为可搜索的结构。索引包括词项(tokens...

    lucene全文检索全面教程

    1. **多字段搜索**:Lucene允许对多个字段进行搜索,只需在查询构造时指定字段名和查询条件。 2. **评分与排序**:Lucene使用TF-IDF算法计算文档的相关性分数,搜索结果默认按分数排序。 3. **模糊搜索**:支持...

    lucene 全文检索

    在给定的压缩包中,`src` 文件夹可能包含了Lucene的Java源代码示例,`WebRoot` 可能是Web应用程序的根目录,这表明示例可能是如何在Web环境下集成Lucene进行全文检索的。`.classpath`、`.project` 和 `.settings` ...

    SpringMvc+Lucene全文检索

    本文将详细介绍如何使用Spring MVC框架结合Apache Lucene库来构建一个强大的全文检索系统。首先,让我们了解这两个核心组件。 **1. Spring MVC** Spring MVC是Spring框架的一部分,它是一个用于构建Web应用程序的...

    lucene全文检索资源包

    3. **索引(Index)**: 索引是 Lucene 对文档内容进行预处理后的结果,通过倒排索引结构,可以快速定位到包含特定词汇的文档。 4. **分析器(Analyzer)**: 分析器负责将输入的文本进行分词、去除停用词、词形还原...

    Lucene全文检索框架+Solr搜索引擎(2018版.Java)

    2. **强大的文本分析**:Lucene内置了多种分词器,可以根据不同语言进行文本预处理,如分词、去除停用词、词形还原等。 3. **倒排索引**:Lucene采用倒排索引结构,使得查询性能显著提升,能够在极短的时间内返回...

    全文检索Lucene 全文检索Lucene

    以上内容只是Lucene全文检索的基础知识,实际使用中还需要根据具体需求进行调整和优化。在深入学习Lucene的过程中,阅读《全文检索Lucene》这本书将是十分有益的,它将帮助你更好地理解和掌握Lucene的核心概念及其...

    lucene检索新闻数据演示

    【标题】"lucene检索新闻数据演示"涉及的是利用Apache Lucene这个开源全文搜索引擎库,对新闻数据进行索引和搜索的实践操作。Lucene是一个高性能、可伸缩的信息检索库,它提供了一个简单但功能强大的API,可以用于在...

    基于lucene的全文检索系统

    Analyzer是Lucene中处理文本的核心组件,它可以对文本进行预处理,如去除停用词、词干提取等。接着,这些分词被转化为Term对象,作为索引的基础。每个Term包含一个词和一个文档ID,表明这个词在哪个文档中出现过。多...

    lucene检索小例子

    在建立索引后,"lucene检索小例子"中的搜索部分使用Analyzer、Query和IndexSearcher等组件来执行查询。Analyzer用于对查询字符串进行相同的预处理,Query对象代表了用户的查询意图,而IndexSearcher则负责在索引中...

    Lucene实现全文检索

    这篇博文将深入探讨如何使用Lucene来实现全文检索。 **一、Lucene的基本概念** 1. **索引(Indexing)**:Lucene的核心工作流程之一是创建索引。索引是一个结构化的数据存储,类似于图书馆的目录,能够快速定位到...

    一种基于Lucene检索引擎的全文数据库的研究与实现

    ### 一种基于Lucene检索引擎的全文数据库的研究与实现 #### 1. 引言 随着信息技术的飞速发展和互联网的普及,大量的文本信息被数字化存储,这为信息检索带来了前所未有的挑战和机遇。传统的数据库管理系统(DBMS)...

    lucene 全文检索系统 java源码 (信息检索技术)

    **Lucene 全文检索系统:Java 源码与信息检索技术详解** Lucene 是一个高度可定制的全文检索库,由 Apache 软件基金会维护,它为开发人员提供了一个强大的工具来构建搜索功能。这个压缩包包含了 Lucene 的 Java ...

    中文分词及其在基于Lucene的全文检索中的应用

    作者提出对Lucene的数据源进行预处理,以提升检索效率,并对检索结果的处理进行了改进,如引入相关性排序,使得检索结果更加符合用户的期望。 最后,论文作者设计了一个基于改进Lucene的Web全文检索系统,并详细...

    全文检索(Lucene)详解

    - **分析文本**: 使用Analyzer对文档内容进行预处理,生成词元。 - **创建Term**: 对每个词元生成一个Term对象,包含词元文本和字段名。 - **建立Posting**: Term与包含它的文档位置(Posting)关联,形成倒排...

    lucene检索文档、检索大数据量数据

    在Lucene中,被检索的文档首先需要被解析和预处理。这个过程包括分词(Tokenization)、去除停用词(Stopword Removal)、词干提取(Stemming)等步骤,以减少噪音和提高查询效果。此外,每个文档会被赋予一个唯一的...

    基于Lucene的Oracle数据库全文检索.pdf

    基于Lucene的Oracle...此外,需要对Oracle数据库的数据进行预处理,以便于Lucene的索引建立和检索。 基于Lucene的Oracle数据库全文检索可以为企业提供快速、准确、可靠的全文检索功能,满足企业对数据检索的需求。

    paoding+lucene实现全文检索功能简单实例

    搜索器同样使用Paoding进行预处理,将用户的输入转换为分词后的关键词,然后使用Lucene的QueryParser或自定义查询构造器生成查询对象。查询执行后,Lucene会返回匹配的文档,你可以进一步处理这些结果,例如进行高亮...

    利用lucene实现文档关键字检索

    在这个使用案例中,我们将深入探讨如何利用Lucene实现对Word文档中的关键字检索并高亮显示结果。 首先,我们需要理解Lucene的基本工作原理。Lucene通过建立倒排索引(Inverted Index)来加速查询。倒排索引是一种...

    基于Lucene4.8的空间检索

    在本场景中,我们探讨的是基于Lucene 4.8版本的空间检索功能,这是一种允许用户根据地理位置信息进行搜索的技术。下面我们将深入理解这个主题,包括Lucene的空间检索原理、实现步骤以及如何处理给定的CSV文件。 一...

Global site tag (gtag.js) - Google Analytics