Lucene中Field的类型

最新推荐文章于 2024-08-29 10:53:37 发布
最新推荐文章于 2024-08-29 10:53:37 发布
阅读量426 收藏
点赞数
分类专栏： Lucene.net 文章标签： lucene token string byte 文档 存储

1.       2.0 以前的版本
Keyword: Field 的值将被保存到索引文件，为Field的值建立索引，建立索引时不需要分词。
UnIndexed: Field 的值将被保存到索引文件，不为Field的值建立索引，因此不能通过该Field搜索文档。
UnStored: Field 的值不被保存到索引文件，将Field的值分词后建立索引
Text: Field 的值分词后建立索引。如果参数为String值将被保存，为Reader值不被保存
2.       2.0 版本

用几个内部类的组合来区分Field的具体类型。

Store
²        COMPRESS: 压缩保存。用于长文本或二进制数据

²        YES ：保存

²        NO ：不保存

Index
²        NO ：不 建索引

²        TOKENIZED ：分词， 建索引

²        UN_TOKENIZED ：不分词， 建索引

²        NO_NORMS ：不分词， 建索引。但是Field的值不像通常那样被保存，而是只取一个byte，这样节约存储空间

TermVector
²        NO ： 不保存term vectors

²        YES ： 保存term vectors。

²        WITH_POSITIONS ： 保存term vectors。（保存值和token位置信息）

²        WITH_OFFSETS ： 保存term vectors。（保存值和Token的offset）WITH_POSITIONS_OFFSETS：保存term vectors。（保存值和token位置信息和Token的offset）

atck
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Lucene的Field域、分词器
huangyh技术栈
11-13 1107
1.1 分词器介绍  在对文档（Document）中的内容进行索引前，需要对域（Field）中的内容使用分析对象（分词器）进行分词 。分词的目的是为了索引，索引的目的是为了搜索。过程是先分词，再过滤。 分词：将Document中Field域的值切分成一个一个的单词。具体的切分方法（算法）根据使用的 分词器而不同。 过滤：去除标点符号，去除停用词（的、啊、是、is、the、a等），词的大写转...
Lucene之Field常用类型
小好的博客
01-09 1737
Lucene之Field常用类型
lucene/solr 中Field类（域）的常用类型，以及Field属性解析
mine_song的博客
02-27 6484
lucene/solr 中Field（域）的常用类型，以及Field属性解析
lucene中Field简介
qq_34412985的博客
12-09 367
Lucene 6.1.0中存在的field种类如下（后缀是Field）： 下面介绍几个常用的Field类型： TextField A field that is indexed and tokenized, without term vectors. For example this would be used on a 'body' field, that contains the bul...
Lucene的Field域类型
qq_29188567的博客
05-28 612
Field属性 Field是文档中的域，包括Field名和Field值两部分，一个文档可以包括多个Field，Document只是Field 的一个承载体，Field值即为要索引的内容，也是要搜索的内容。 是否分词(tokenized) 是：作分词处理，即将Field值进行分词，分词的目的是为了索引。 比如：商品名称、商品描述等，这些内容用户要输入关键字搜索，由于搜索的内容格式大、内容多需要 分词后将语汇单元建立索引 否：不作分词处理 比如：商品id、订单号、身份证号等 是否索引(indexed) 是：进
Lucene系列五：Field域
布道
10-19 4913
为何要写这一篇呢？主要是为了补充上一篇《系统架构及核心模块》中的章节，Field是文档中的域，包括Field名和Field值两部分，一个文档可以包括多个Field，Document只是Field的一个承载体，Field值即为要索引的内容，也是要搜索的内容。 1.最基本常用属性 是否分词(tokenized) 是：作分词处理，即将Field值进行分词，分词的目的是为了索引 ...
lucene中Field简析
weixin_30726161的博客
06-12 736
http://blog.csdn.net/zhaoxiao2008/article/details/14180019 先看一段lucene3代码 Document doc = new Document(); doc.add(new Field("fullpath", f.getCanonicalPath(), Field.Store.YES, Field.I...
Lucene中的各种Field字段
qq_28702747的博客
03-10 5388
Lucene的Field说明Lucene存储对象是以document为存储单元，对象中相关的属性值则存放到Field中；lucene中所有Field都是IndexableField接口的实现[html] view plain copyorg.apache.lucene.index.IndexableField      Represents a single field for indexing....
Lucene 中 Field 的类型
diz45481的博客
12-08 118
Lucene 中 Field 的类型 1. 2.0 以前的版本 Keyword: Field 的值将被保存到索引文件，为Field的值建立索引，建立...
lucene学习之Field常用类型
havebeenstand的博客
06-03 4415
Field类数据类型Analyzed是否分词Indexed是否索引Stored是否存储说明StringField(FieldName, FieldValue,Store.YES))字符串NYY或N这个Field用来构建一个字符串Field，但是不会进行分词，会将整个串存储在索引中，比如(订单号,身份证号等)是否存储在文档中用Store.YES或Store.NO决定LongField(FieldNa...
一步一步跟我学习Lucene源码之lucene的各种Field
05-06
1. **Field类型**：Lucene中的Field有多种类型，如TextField、StringField、NumericField等。TextField适合全文检索，StringField则用于存储不可变的非全文数据，NumericField用于存储数值型数据，便于比较和排序。 ...
Lucene 中的 Stored Fields 存储优化
去哪儿网技术沙龙
02-05 653
前言 Qunar 酒店的搜索和 suggest 是基于 Lucene 构建的，在我们的使用场景中，由于召回和排序是作为两个单独的应用，当召回的文档数量比较多的时候，响应速度较慢，Young GC 也比较严重，导致并发量很难上去。经过分析我们发现，主要的问题是因为需要获取大量文档的存储字段，造成反序列化比较多，所以影响速度，GC 也比较多。 Lucene 正常的使用场景是不期望返回这么多文档的，一般是排序完成后只返回其中一页的结果，所以问题不明显，尽管也可以通过一些方法（比如粗排序）减少返回文档的数量，但问题
Lucene应用实战(二)——Field域的使用及索引库的维护
程序员资料站
01-24 478
Field域的使用及索引库的维护 前言 在前面我们对Lucene的使用进行了简单的demo实战，本文我们详细来说明下Lucene中的Field域的使用及索引库维护的相关操作。 Fileld域的使用 简介 Lucene存储对象是以Document为存储单元，对象中相关的属性值则存放到Field中。 Field是文档中的域，包括Field名和Field值两部分，一个文档可以包括多个Field，Document只是Field 的一个承载体，Field值即为要索引的内容，也是要搜索的内容。 Field有三大属性：
【unity实战】使用新版输入系统Input System+Rigidbody实现第三人称人物控制器（附项目源码）
向宇
08-29 999
有的人就会问了，使用Rigidbody要怎么做呢？这不就来了，本文主要是使用新版输入系统Input System+Rigidbody实现第三人称人物控制器，我就不做特别复杂了，其他内容欢迎大家自行补充。因为我也不是很推荐大家使用Rigidbody，CharacterController 其实已经可以满足我们开发中的所有需求了。Rigidbody定义一些CharacterController自带的功能真的非常麻烦，比如爬坡，走楼梯等等，所以我这里主要只是带大家了解一下，并不会深入研究。
完成基于 yolov3 与 TensorRT 的 快速目标检测与基于 sgm 与 cuda 的 双目立体重建
09-05
，发送类别，概率，以及物体在相机坐标系下的xyz.zip目标检测（Object Detection）是计算机视觉领域的一个核心问题，其主要任务是找出图像中所有感兴趣的目标（物体），并确定它们的类别和位置。以下是对目标检测的详细阐述： 一、基本概念 目标检测的任务是解决“在哪里？是什么？”的问题，即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题： 分类问题：判断图像中的目标属于哪个类别。 定位问题：确定目标在图像中的具体位置。 大小问题：目标可能具有不同的大小。 形状问题：目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类： Two-stage算法：先进行区域生成（Region Proposal），生成有可能包含待检物体的预选框（Region Proposal），再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法：不用生成区域提议，直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列（YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等）、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例，YOLO将目标检测视为回归问题，将输入图像一次性划分为多个区域，直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征，使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层，通过卷积层提取图像特征，通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域，为人们的生活带来了极大的便利。以下是一些主要的应用领域： 安全监控：在商场、银行
伪装目标检测评价指标代码及数据集下载链接.zip
09-05
目标检测（Object Detection）是计算机视觉领域的一个核心问题，其主要任务是找出图像中所有感兴趣的目标（物体），并确定它们的类别和位置。以下是对目标检测的详细阐述： 一、基本概念 目标检测的任务是解决“在哪里？是什么？”的问题，即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题： 分类问题：判断图像中的目标属于哪个类别。 定位问题：确定目标在图像中的具体位置。 大小问题：目标可能具有不同的大小。 形状问题：目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类： Two-stage算法：先进行区域生成（Region Proposal），生成有可能包含待检物体的预选框（Region Proposal），再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法：不用生成区域提议，直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列（YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等）、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例，YOLO将目标检测视为回归问题，将输入图像一次性划分为多个区域，直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征，使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层，通过卷积层提取图像特征，通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域，为人们的生活带来了极大的便利。以下是一些主要的应用领域： 安全监控：在商场、银行
基于OpenCV的合成活性粒子跟踪器
09-05
基于OpenCV的合成活性粒子跟踪器。
Tensorflow2.0下运行目标检测网络Centernet（基于see--的keras-centernet）.zip
09-05
目标检测（Object Detection）是计算机视觉领域的一个核心问题，其主要任务是找出图像中所有感兴趣的目标（物体），并确定它们的类别和位置。以下是对目标检测的详细阐述： 一、基本概念 目标检测的任务是解决“在哪里？是什么？”的问题，即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题： 分类问题：判断图像中的目标属于哪个类别。 定位问题：确定目标在图像中的具体位置。 大小问题：目标可能具有不同的大小。 形状问题：目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类： Two-stage算法：先进行区域生成（Region Proposal），生成有可能包含待检物体的预选框（Region Proposal），再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法：不用生成区域提议，直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列（YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等）、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例，YOLO将目标检测视为回归问题，将输入图像一次性划分为多个区域，直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征，使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层，通过卷积层提取图像特征，通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域，为人们的生活带来了极大的便利。以下是一些主要的应用领域： 安全监控：在商场、银行
libqt5sql5-psql-5.11.3+dfsg1-1+deb10u5-arm64.deb
最新发布
09-05
libqt5sql5-psql-5.11.3+dfsg1-1+deb10u5-arm64.deb
Lucene Field使用教程：构建文档索引
"该资源主要介绍了Lucene中的Field类如何用于构建索引文档，并强调了对不同类型的字段进行不同方式的处理。同时提到了半结构化数据的概念及其处理方式。" 在Lucene中，`Field`是构建索引文档的基本元素，它定义了...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值