java - Lucene：如何存储文件内容？

Question

我正在尝试索引和存储文件内容（纯文本），但似乎使用这种方式是不可能的：

protected Document getDocument(File f) throws Exception {
  Document doc = new Document();
  Field contents = new Field("contents", new FileReader(f));
  Field filename = new Field("filename", f.getName(), Field.Store.YES, Field.Index.ANALYZED);
  doc.add(contents);
  return doc;
}

如何存储纯文本文件的内容（没有任何标签）？

Answer 1

只需读取文件内容并使用另一个 Field 构造函数，例如

protected Document getDocument(File f) throws Exception {
  Document doc = new Document();
  Field contents = new Field("contents", new Scanner(f).useDelimiter("\\A").next(), Store.YES, Index.NO);  // you should actually close the scanner
  Field filename = new Field("filename", f.getName(), Store.YES, Index.ANALYZED);
  doc.add(contents);
  doc.add(filename);
  return doc;
}

Answer 2

看看 Apache Tika (http://tika.apache.org/)。他们有一个很好的库，可以从 HTML 和其他结构化文档中提取文本。这将有助于从 HTML 中提取文本。

至于存储在 lucene 索引中，根据您的需要，您可以在存储之前去掉标签。或者，您可以使用它创建一个分析器，以便在索引时标记标签。