`
johnnyhg
  • 浏览: 348072 次
  • 来自: NA
社区版块
存档分类
最新评论

Apache Solr 实现去掉重复的搜索结果

 
阅读更多

 打上SOLR-236_collapsing.patch补丁,实现 solr 搜索结果折叠、除去重复的搜索结果,可以实现类似google搜索结果的“站内的其它相关信息 ”。solr collapsing patch 是用 hash 某个字段来实现折叠重复结果的。下面我演示下应用这个补丁并搜索试用下。

 

其实 solr 上已经有了这功能的实现:solr 1.3 collapse patch, 请看:https://issues.apache.org/jira/browse/SOLR-236 ,我这里下载是了新的:https://issues.apache.org/jira/secure/attachment/12403590/SOLR-236_collapsing.patch

下载 好后就需要打上补丁了,先准备一份源码在D:/apache-solr-1.3.0目录下。没有可以去下载:http: //archive.apache.org/dist/lucene/solr/1.3.0/apache-solr-1.3.0.zip。把SOLR- 236_collapsing.patch文件放在D:/apache-solr-1.3.0目录下, 打补丁有我知道的有两种:用linux工具 patch(windows 下有 cygwin);用 ant 的 patch。

windows cygwin 的 patch:

D:\apache-solr-1.3.0>patch -p0 < SOLR-236_collapsing.patch
patching file src/test/org/apache/solr/search/TestDocSet.java
patching file src/java/org/apache/solr/search/CollapseFilter.java
patching file src/java/org/apache/solr/search/DocSet.java
patching file src/java/org/apache/solr/search/NegatedDocSet.java
patching file src/java/org/apache/solr/search/SolrIndexSearcher.java
patching file src/java/org/apache/solr/common/params/CollapseParams.java
patching file src/java/org/apache/solr/handler/component/CollapseComponent.java

ant patch,把下面的内容保存为 patch-build.xml 放到 D:\apache-solr-1.3.0 目录下:

 
  1. <? xml   version = “1.0″   encoding = “UTF-8″ ?>   
  2. < project   name = “solr-patch”   default = “apply-patch”   basedir = “.” >     
  3.   
  4.     < target   name = “apply-patch”   description = “Apply a patch file.  Set -Dpatch.file” >   
  5.         < patch   patchfile = “${patch.file}”   strip = “0″ />   
  6.     </ target >   
  7. </ project >   

ant 打补丁:

D:\apache-solr-1.3.0>ant -Dpatch.file=SOLR-236_collapsing.patch -f patch-build.xml
Buildfile: patch-build.xml

apply-patch:
[patch] patching file src/test/org/apache/solr/search/TestDocSet.java
[patch] patching file src/java/org/apache/solr/search/CollapseFilter.java
[patch] patching file src/java/org/apache/solr/search/DocSet.java
[patch] patching file src/java/org/apache/solr/search/NegatedDocSet.java
[patch] patching file src/java/org/apache/solr/search/SolrIndexSearcher.java
[patch] patching file src/java/org/apache/solr/common/params/CollapseParams.java
[patch] patching file src/java/org/apache/solr/handler/component/CollapseComponent.java

BUILD SUCCESSFUL
Total time: 0 seconds

源码打上了补丁,然后用 ant 构建源码:

D:\apache-solr-1.3.0>ant dist

在 D:/apache-solr-1.3.0/dist 目录下可以找到编译好的 solr 了。然后把 solr 放到 tomcat 中去运行它,把下面的内容保存在 TOMCAT_HOME/conf/Catalina/localhost/solr.xml 文件中:

 
  1. < Context   docBase = “D:\apache-solr-1.3.0\dist\apache-solr-1.3.0.war”   reloadable = “true”   >   
  2.     < Environment   name = “solr/home”   type = “java.lang.String”   value = “D:\apache-solr-1.3.0\example\solr”   override = “true”   />   
  3. </ Context >   

修改 D:\apache-solr-1.3.0\example\solr\conf\solrconfig.xml 使 solr 可以支持 collapse。

定义搜索组件,在 QueryComponent 附近:

 
  1. < searchComponent   name = “collapse”   class = “org.apache.solr.handler.component.CollapseComponent”   />   

定义一个 handler 使用上面的搜索组件:

 
  1. < requestHandler   name = “collapse”   class = “solr.SearchHandler” >   
  2.   <!– default values for query parameters –>   
  3.    < lst   name = “defaults” >   
  4.      < str   name = “echoParams” > explicit </ str >   
  5.    </ lst >   
  6.   < arr   name = “components” >   
  7.     < str > collapse </ str >   
  8.     < str > debug </ str >   
  9.   </ arr >   
  10. </ requestHandler >   

安装启动 tomcat,现在提交一些数据给它,用官方的示例数据就可以了。运行:

D:\apache-solr-1.3.0\example\exampledocs>java -Durl=http://localhost:8080/solr/update -Dcommit=yes -jar post.jar *.xml
SimplePostTool: version 1.2
SimplePostTool: WARNING: Make sure your XML documents are encoded in UTF-8, other encodings are not currently supported
SimplePostTool: POSTing files to http://localhost:8080/solr/update..
SimplePostTool: POSTing file hd.xml
SimplePostTool: POSTing file ipod_other.xml
SimplePostTool: POSTing file ipod_video.xml
SimplePostTool: POSTing file mem.xml
SimplePostTool: POSTing file monitor.xml
SimplePostTool: POSTing file monitor2.xml
SimplePostTool: POSTing file mp500.xml
SimplePostTool: POSTing file sd500.xml
SimplePostTool: POSTing file solr.xml
SimplePostTool: POSTing file spellchecker.xml
SimplePostTool: POSTing file utf8-example.xml
SimplePostTool: POSTing file vidcard.xml
SimplePostTool: COMMITting Solr index changes..

http://localhost:8080/solr/admin/stats.jsp   有结果了? 有了。然后开始查询试试看。

查询:http://localhost:8080/solr/select/?q=*%3A*&indent=on&qt=collapse&collapse=true&collapse.field=popularity&collapse.threshold=1

结果:

 
  1. <? xml   version = “1.0″   encoding = “UTF-8″ ?>   
  2. < response >   
  3.   
  4. < lst   name = “responseHeader” >   
  5.  < int   name = “status” > 0 </ int >   
  6.  < int   name = “QTime” > 0 </ int >   
  7.  < lst   name = “params” >   
  8.   < str   name = “collapse.field” > popularity </ str >   
  9.   < str   name = “fl” > id </ str >   
  10.   < str   name = “collapse.threshold” > 1 </ str >   
  11.   < str   name = “indent” > on </ str >   
  12.   < str   name = “q” > *:* </ str >   
  13.   < str   name = “qt” > collapse </ str >   
  14.   < str   name = “collapse” > true </ str >   
  15.  </ lst >   
  16. </ lst >   
  17. < lst   name = “collapse_counts” >   
  18.  < str   name = “field” > popularity </ str >   
  19.  < lst   name = “doc” >   
  20.   < int   name = “SP2514N” > 4 </ int >   
  21.   < int   name = “F8V7067-APL-KIT” > 1 </ int >   
  22.   < int   name = “MA147LL/A” > 1 </ int >   
  23.   < int   name = “TWINX2048-3200PRO” > 1 </ int >   
  24.   < int   name = “VS1GB400C3″ > 3 </ int >   
  25.   < int   name = “1″ > 10 </ int >   
  26.  </ lst >   
  27.  < lst   name = “count” >   
  28.   < int   name = “6″ > 4 </ int >   
  29.   < int   name = “1″ > 1 </ int >   
  30.   < int   name = “10″ > 1 </ int >   
  31.   < int   name = “5″ > 1 </ int >   
  32.   < int   name = “7″ > 3 </ int >   
  33.   < int   name = “0″ > 10 </ int >   
  34.  </ lst >   
  35.  < str   name = “debug” > HashDocSet(6) Time(ms): 0/0/0/0 </ str >   
  36. </ lst >   
  37. < result   name = “response”   numFound = “6″   start = “0″ >   
  38.  < doc >   
  39.   < str   name = “id” > SP2514N </ str >   
  40.  </ doc >   
  41.  < doc >   
  42.   < str   name = “id” > F8V7067-APL-KIT </ str >   
  43.  </ doc >   
  44.  < doc >   
  45.   < str   name = “id” > MA147LL/A </ str >   
  46.  </ doc >   
  47.  < doc >   
  48.   < str   name = “id” > TWINX2048-3200PRO </ str >   
  49.  </ doc >   
  50.  < doc >   
  51.   < str   name = “id” > VS1GB400C3 </ str >   
  52.  </ doc >   
  53.  < doc >   
  54.   < str   name = “id” > 1 </ str >   
  55.  </ doc >   
  56. </ result >   
  57. </ response >   

可以看到 collapse_counts 相关的输出:

 
  1. < lst   name = “collapse_counts” >   
  2.  < str   name = “field” > popularity </ str >   
  3.  < lst   name = “doc” >   
  4.   < int   name = “SP2514N” > 4 </ int >   
  5. …  
  6.  </ lst >   
  7.  < lst   name = “count” >   
  8.   < int   name = “6″ > 4 </ int >   
  9.   < int   name = “1″ > 1 </ int >   
  10.   < int   name = “10″ > 1 </ int >   
  11.   < int   name = “5″ > 1 </ int >   
  12.   < int   name = “7″ > 3 </ int >   
  13.   < int   name = “0″ > 10 </ int >   
  14.  </ lst >   
  15.  < str   name = “debug” > HashDocSet(6) Time(ms): 0/0/0/0 </ str >   
  16. </ lst >   

上面的 count 下的内容(它的顺序是result/doc的顺序),表示 popularity=6 相同的结果还有 4 个,与 popularity=1 相同的结果还有 1 个,依此类推。这样就可以显示给用户的界面里提示“相同的其它内容不有N个”。

使用的参数有:

 
  1. #启用 collapse 组件   
  2. collapse=true  
  3. #用那个字段来 hash 去除重量内容   
  4. collapse.field=popularity  
  5. #要结果中可以最多出现几个相同的文档   
  6. collapse.threshold=1  

当然还有其它参数,请看:org.apache.solr.common.params.CollapseParams 类。

原文出处:http://blog.chenlb.com/2009/04/apply-solr-collapsing-patch-remove-duplicate-result.html

分享到:
评论

相关推荐

    apache-solr-ref-guide-7.4(官方英文-文字版本)

    Apache Solr 7.4 是一个功能强大的搜索引擎平台,不仅提供了丰富的文档管理和搜索功能,还支持多种高级特性,如分面搜索、高亮显示和拼写检查等。通过本参考指南的学习,用户可以全面掌握 Solr 的使用方法,并将其...

    solr7.5官方文档

    文档中介绍了 Solr 如何识别并去除重复文档,以提高搜索结果的质量。 #### 内容流 内容流是 Solr 中一种特殊的数据类型,允许用户上传任意格式的数据。文档中提供了如何使用内容流的示例。 #### 搜索 文档详细...

    apache-nutch

    4. **结果排序**:Solr 可以根据相关性、日期等多种因素对搜索结果进行排序。 5. **实时搜索**:Solr 支持实时索引更新,提供近实时的搜索体验。 6. **多字段搜索**:Solr 可以对多个字段进行独立或组合搜索,满足...

    apache-nutch-1.4

    - **Solr和Elasticsearch**:Nutch可以与Apache Solr或Elasticsearch集成,提供高性能的搜索功能。 - **HBase**:Nutch也可与HBase结合,用于存储和检索大规模数据。 7. **社区支持** - **文档**:Nutch项目提供...

    搜索引擎的设计与实现

    这可以使用Apache Lucene或Solr等全文搜索库实现。 4. **查询处理**:接收用户输入的查询,进行查询分析(如拼写纠错、关键词扩展),然后在索引中查找匹配结果。 5. **排序算法**:使用TF-IDF、PageRank等算法计算...

    基于Ruby+Java搜索引擎原理与实现

    《基于Ruby+Java搜索引擎原理与实现》是一部深入探讨搜索引擎技术的书籍,虽然只涵盖了前三个章节,但已足以让我们对搜索引擎的基本运作有初步的理解。在本文中,我们将围绕Ruby和Java这两种编程语言如何应用于搜索...

    apache-nutch-2.1

    Nutch 不仅可以抓取网页,还可以通过 Solr 或 Elasticsearch 等搜索服务器提供搜索服务,让用户能够基于抓取的数据进行查询。 9. **社区支持**: Apache Nutch 有着活跃的社区,用户可以在邮件列表、论坛等平台上...

    用 Lucene 加速 Web 搜索应用程序的开发

    学习如何利用Lucene的分布式搜索框架如Solr或Elasticsearch进行集群部署,以实现大规模数据的高效检索。 8. **错误处理与调试:** 在集成Lucene到Web应用中,可能会遇到各种问题,比如索引损坏、查询错误等。了解...

    一个专业搜索公司关于lucene+solar资料(1)

    - 利用Solr、Elasticsearch等分布式搜索引擎。 - 分布式架构可以有效提高系统的扩展性和可用性。 **6.6 本章小结** - 本章详细介绍了如何使用Lucene创建和管理索引库,包括索引库的设计、创建...

    Lucene+nutch开发自己的搜索引擎 part2

    Lucene是一个全文检索库,由Apache软件基金会开发,它提供了高性能的索引和搜索功能。在Lucene中,主要知识点包括: 1. **索引过程**:Lucene首先对文档进行分析,将其分解为关键词(tokens),然后创建倒排索引,...

    SEO:允许您采用两个输入,一个包含停用词,另一个包含搜索查询,并生成另一个包含所有唯一词的文本文件

    使用Java开发这样的工具,开发者可以利用其丰富的库和框架,如Apache Lucene或Solr进行全文搜索和索引,或者使用NLP(自然语言处理)库如Stanford NLP或OpenNLP进行文本分析。 总之,这个Java程序是SEO工作流程中的...

    华为大数据认证HCIP-Big Data Developer H13-723大数据题库

    filter用于过滤满足条件的行,join用于连接两个DataFrame,dropDuplicates用于去除重复行。因此,答案为C.intersect。 8. HBase表创建必要参数:HBase的createTable方法用于创建表,并且必须传入表名和列族这两个...

    Surfs-Up:先进的数据存储和检索

    此外,全文搜索引擎如Elasticsearch或Solr,能够对文本数据进行高级查询,提供快速的模糊匹配和多字段搜索能力。 在**Jupyter Notebook**方面,它是Python开发者常用的一个工具,允许用户创建包含代码、文本、图像...

Global site tag (gtag.js) - Google Analytics