3

我对 Lucene 的术语向量还很陌生——并且想确保我的术语收集尽可能高效。我得到了唯一的术语，然后检索术语的 docFreq() 来执行分面。

我正在使用以下方法从索引中收集所有文档术语：

lindex = SimpleFSDirectory(File(indexdir))
ireader = IndexReader.open(lindex, True)
terms = ireader.terms() #Returns TermEnum

这很好用，但是有没有办法只返回特定字段的术语（在所有文档中）——这不是更有效吗？

如：

 ireader.terms(Field="country")
4

1 回答 1

3

IndexReader.terms() 接受一个可选的 Field() 对象。字段对象由两个参数组成，字段名称和值，lucene 将其称为“术语字段”和“术语文本”。

通过为“术语文本”提供一个带有空值的 Field 参数，我们可以在我们关注的术语处开始术语迭代。

lindex = SimpleFSDirectory(File(indexdir))
ireader = IndexReader.open(lindex, True)
# Query the lucene index for the terms starting at a term named "field_name"
terms = ireader.terms(Term("field_name", "")) #Start at the field "field_name"
facets = {'other': 0}
while terms.next():
    if terms.term().field() != "field_name":  #We've got every value
        break
    print "Field Name:", terms.term().field()
    print "Field Value:", terms.term().text()
    print "Matching Docs:", int(ireader.docFreq(term))

希望其他搜索如何在 PyLucene 中执行 faceting 的人会看到这篇文章。关键是按原样索引术语。只是为了完整起见，这就是字段值的索引方式。

dir = SimpleFSDirectory(File(indexdir))
analyzer = StandardAnalyzer(Version.LUCENE_30)
writer = IndexWriter(dir, analyzer, True, IndexWriter.MaxFieldLength(512))
print "Currently there are %d documents in the index..." % writer.numDocs()
print "Adding %s Documents to Index..." % docs.count()
for val in terms:
    doc = Document()
    #Store the field, as-is, with term-vectors.
    doc.add(Field("field_name", val, Field.Store.YES, Field.Index.NOT_ANALYZED, Field.TermVector.YES))
    writer.addDocument(doc)

writer.optimize()
writer.close()
于 2012-03-03T23:15:42.890 回答