Lucene索引HTML文档

Question

我想在Lucene中索引100万个html文档。 我需要在一个Lucene文档中索引几个html文件。 最近，我想在搜索响应中知道原始的html文档。

因此，例如，我有：

1.home.html
2.history.html
3.about.html

4.home2.html
...

我想在同一Lucene文档中索引1、2和3。 然后，如果我搜索任何文本，我想知道原始文档（家庭，历史或大约）。

我一直在互联网上搜索，发现Lucene负载 。 因此，我一直在考虑在所有术语中为原始文档的url编制索引。 这是一个好的解决方案吗？ 表演还可以吗？

非常感谢您的帮助。

Answer 1

我认为您需要的是Apache Solr http://lucene.apache.org/solr/ ，它使用Lucene作为索引引擎，并具有查询/ web界面进行搜索。

请在以下网站上查看本教程： http://lucene.apache.org/solr/4_3_1/tutorial.html

Answer 2

我已经在这个问题上工作了两天，我想我找到了解决方案。

我使用ID将一个文档中的每个html页面编入索引，例如：

1.home.html     id1  htmlcontent
2.history.html  id1  htmlcontent
3.about.html    id1  htmlcontent

4.home2.html    id2  htmlcontent
...

最近，我可以使用org.apache.lucene.search.grouping将该结果按此ID分组。

http://lucene.apache.org/core/3_2_0/api/contrib-grouping/org/apache/lucene/search/grouping/package-summary.html

希望这对任何人都有帮助:)

Answer 3

它们是两个不同的lucene功能：

1.分组：允许按指定字段对搜索结果进行分组。 例如，如果按“作者”字段分组，那么“作者”字段中具有相同值的所有文档将归为一个组。 您将有一种树作为输出。

http://lucene.apache.org/core/3_2_0/api/contrib-grouping/org/apache/lucene/search/grouping/package-summary.html

2.facet：此功能不会将文档分组，它只是告诉您有多少文档属于某个facet的特定值。 例如，如果您有一个基于作者字段的构面，那么您将收到所有作者的列表，并且对于每个作者，您将知道该特定作者属于多少个文档。 之后，如果要查看这些文档，则必须再次查询一次，以添加特定的过滤器（作者=任意）。 实际上，分面搜索是基于使用多个过滤器的浏览文档来逐步找到您真正感兴趣的文档。

这是一些教程

http://lucene.apache.org/core/4_3_1/facet/org/apache/lucene/facet/doc-files/userguide.html

http://lucene.apache.org/core/4_3_1/facet/org/apache/lucene/facet/search/package-summary.html

只是通过它，并根据您的需要进行锻炼