如何在不删除文档的情况下保持Lucene索引

Question

这是我关于堆栈溢出的第一个问题，请祝我好运。

我正在使用Java对Lucene索引进行分类，因此我需要更新名为category的文档字段。 为此，我一直在使用带有索引编写器updateDocument（）函数的Lucene 4.2，除了删除部分外，它运行得很好。 即使我在更新后使用forceMergeDeletes（）函数，索引也会向我显示一些已删除的文档。 例如，如果我对具有1000个文档的索引进行分类，则索引中的最终文档数量将保持不变并按预期工作，但是当我将索引文档增加到10000时，索引将显示一些已删除的文档，但不是全部。 那么，如何才能从索引中删除那些删除的文档呢？

这是我的代码片段：

public static void main(String[] args) throws IOException, ParseException {
    ///////////////////////Preparing config data////////////////////////////
    File indexDir = new File("/indexDir");
    Directory fsDir = FSDirectory.open(indexDir);

    IndexWriterConfig iwConf = new IndexWriterConfig(Version.LUCENE_42, new WhitespaceSpanishAnalyzer());
    iwConf.setOpenMode(IndexWriterConfig.OpenMode.APPEND);
    IndexWriter indexWriter = new IndexWriter(fsDir, iwConf);

    IndexReader reader = DirectoryReader.open(fsDir);
    IndexSearcher indexSearcher = new IndexSearcher(reader);
    KNearestNeighborClassifier classifier = new KNearestNeighborClassifier(100);
    AtomicReader ar = new SlowCompositeReaderWrapper((CompositeReader) reader);

    classifier.train(ar, "text", "category", new WhitespaceSpanishAnalyzer());

    System.out.println("***Before***");
    showIndexedDocuments(reader);
    System.out.println("***Before***");

    int maxdoc = reader.maxDoc();
    int j = 0;
    for (int i = 0; i < maxdoc; i++) {
        Document doc = reader.document(i);
        String clusterClasif = doc.get("category");
        String text = doc.get("text");
        String docid = doc.get("doc_id");
        ClassificationResult<BytesRef> result = classifier.assignClass(text);
        String classified = result.getAssignedClass().utf8ToString();

        if (!classified.isEmpty() && clusterClasif.compareTo(classified) != 0) {
            Term term = new Term("doc_id", docid);
            doc.removeField("category");
            doc.add(new StringField("category",
                    classified, Field.Store.YES));
            indexWriter.updateDocument(term,doc);
            j++;
        }
    }
    indexWriter.forceMergeDeletes(true);
    indexWriter.close();
    System.out.println("Classified documents count: " + j);        
    System.out.println();
    reader.close();

    reader = DirectoryReader.open(fsDir);
    System.out.println("Deleted docs: " + reader.numDeletedDocs());
    System.out.println("***After***");
    showIndexedDocuments(reader);
}

private static void showIndexedDocuments(IndexReader reader) throws IOException {
    int maxdoc = reader.maxDoc();
    for (int i = 0; i < maxdoc; i++) {
        Document doc = reader.document(i);
        String idDoc = doc.get("doc_id");
        String text = doc.get("text");
        String category = doc.get("category");

        System.out.println("Id Doc: " + idDoc);
        System.out.println("Category: " + category);
        System.out.println("Text: " + text);
        System.out.println();
    }
    System.out.println("Total: " + maxdoc);
}

我花了很多时间寻找解决方案，有人说索引中被删除的文档并不重要，并且当我们继续向索引中添加文档时，最终它们会被删除，但是我需要以某种方式控制该过程我可以随时遍历索引文档，并且检索到的文档实际上是存在的文档。 Lucene 4.0之前的版本在IndexReader类中名为isDeleted（docId）的函数提供了是否已删除文档的标记，这可能只是我的问题的解决方案的一半，但是我没有找到一种解决方法Lucene的4.2版本。 如果您知道该怎么做，我非常感谢您的分享。

Answer 1

您可以检查是否删除了文档是MultiFields类，例如：

Bits liveDocs = MultiFields.getLiveDocs(reader);
if (!liveDocs.get(docID)) ...

因此，将其处理到您的代码中，可能类似于：

int maxdoc = reader.maxDoc();
Bits liveDocs = MultiFields.getLiveDocs(reader);
for (int i = 0; i < maxdoc; i++) {
    if (!liveDocs.get(docID)) continue;
    Document doc = reader.document(i);
    String idDoc = doc.get("doc_id");
    ....
}

顺便说一句，听起来您以前使用过3.X，现在已经使用4.X。 《 Lucene迁移指南》对于理解这些版本之间的此类更改以及如何解决它们非常有帮助。