lucene.net杂项

IndexWriter的常用方法

 IndexWriter的用法很简单，IndexWriter的构造函数很重要，AddDocument方法也很重要，有这两个方法，就可以建立索引了。其它的方法都是对建立索引的过程或者结果进行了优化，或者是提供了一些索引中或者索引后的数据。比如，常用的Optimize方法，就是对索引进行优化，使得搜索能够效率更高。还有一些常用的方法（按字母排序）：

（1）、AddIndexes方法是合并不同部分索引的，这个方法很有用，比如，用5个线程在5个目录下建立索引，然后用这个方法把5个索引合并为一个，这样就能提高索引的效率；
（2）、Close方法是最后使用的方法，除了能够去除对文件的锁定外，还能起到Flush方法的作用。这个方法非常重要，在IndexWriter实例建立后，无论出现什么样的问题，哪怕程序崩溃，都一定要显式调用该方法。要不然索引会处于锁定状态，无法解除；
（3）、DeleteDocuments是用来删除索引的，使用价值不是太高
（4）、Flush方法是把缓冲数据写入的一个方法，在不想关闭索引但是要清空缓冲区的时候使用；

 

 

索引的部署

索引的部署根据索引的大小而趋向复杂，我认为至少是平方增长。复杂度增长的原因在于，索引大小的增长，将会引入更多需要考虑的因素。比如，索引的重建，索引优化时间，多索引部署等，而分布式部署基本上是目前最复杂的部署方案。

一般来说，应该一个索引存储，只应该由一个IndexWriter来控制。一个存储不应该超过2G，即使是2G，每次索引更新都需要10分钟左右来优化索引。至于如何分配索引，要根据实际情况来决定，而且要考虑诸如程序崩溃等情况。

Field

Field类就是数据库里的一列。一个文档有标题，内容，作者，创建时间这四个属性的话，那么就需要四个Field保存这些属性，然后把四个Field加入到Document中，就有了一行记录。在查询的时候，无论查那个列，总能得到一整行记录，是不是和数据库很相似？

Field本身具有一些属性，就和数据库里的列一样。它的属性通过它的三个内嵌类设置，其实这个地方完全可以用枚举，但是很遗憾的是Java里面没有枚举，所以移植过来也没有转换为枚举。

Field的构造函数也比较多，有7个之多。其中Store，Index和TermVector是通过内部类指定的。

（1）、Store 有三个选项，Field.Store.COMPRESS表示被压缩存储；Field.Store.YES表示储存；Field.Store.NO表示不被存储。

（2）、Index的选项有四个，Field.Index.NO表示不建立索引；Field.Index.TOKENIZED表示分词后索引；Index.NO_NORMS表示值存储内容；Field.Index.UN_TOKENIZED表示不分词索引。

（3）、TermVector这个参数也不常用，它有五个选项。Field.TermVector.NO表示不索引Token的位置属性；Field.TermVector.WITH_OFFSETS表示额外索引Token的结束点；Field.TermVector.WITH_POSITIONS表示额外索引Token的当前位置；Field.TermVector.WITH_POSITIONS_OFFSETS表示额外索引Token的当前和结束位置；Field.TermVector.YES则表示存储向量。

 

Field.Index.NO_NORMS

 

效果似乎和Field.Index.UN_TOKENIZED一样，但是它把词条的附加信息全去掉了。比如，它将不再记录词的正太分布数据一类的东西。这样可以减少占用的空间。而且这个用法也有一个条件，就是只要开启，就要全部开启，否则会失效。比如索引了四条数据没使用NO_NORMS，而接下来的两条使用了NO_NORMS，那么接下来的两条数据实际上并没有产生NO_NORMS的效果。

 

 

怎么有效调整得分

（1）、首先，标题的权重一定比内容的要高；

（2）、根据实际情况调整权重；

比如，现在要索引论坛的内容，那完全可以设置内容很少的帖子权重非常低，这个时候直接设置Document的权重就行了；而如果这个帖子的回复或者访问量 又非常高，那么每个回复或者浏览量，给加0.01的基数，让这个总体量不超过0.2；要是这个帖子是精华贴呢？直接加上0.1吧。

实际的调整过程就是你把各种问题想想全面就好了。

（3）、如果要把一个文档的Document的Boost调得非常高，比如调整成2，那么千万要注意，减少它的内容，内容中出现的词越少越好；

比如，像baidu那种的做个广告，那么就在里面放一个商家买的关键词就行了，其它什么也不要。

（4）、宁可设置Field，比设置Document来得好，设置的方法就不用说啦。

要注意的是，越短的帖子，越要降低它的权重。比如它只有两个字，怎么也要把它的权重调到0.1一下。为什么？因为两个字一般是一个词，这个词如果被搜索，得分就是1，你不调？那不是让水贴浮到最上层了么？