【Lucene3.6.2入门系列】第10节_Tika

最新推荐文章于 2017-03-20 15:19:09 发布

hzd_123

最新推荐文章于 2017-03-20 15:19:09 发布

阅读量1.2k

点赞数

分类专栏： lucene

lucene 专栏收录该内容

15 篇文章 0 订阅

订阅专栏

首先贴出来的是演示了借助Tika创建索引的HelloTikaIndex.java

PS：关于Tika的介绍及用法，详见下方的HelloTika.java

[java]view plaincopyprint? 
   
 package com.jadyer.lucene;  
   
 import java.io.File;  
 import java.io.IOException;  
   
 import org.apache.lucene.document.Document;  
 import org.apache.lucene.document.Field;  
 import org.apache.lucene.index.IndexReader;  
 import org.apache.lucene.index.IndexWriter;  
 import org.apache.lucene.index.IndexWriterConfig;  
 import org.apache.lucene.index.Term;  
 import org.apache.lucene.search.IndexSearcher;  
 import org.apache.lucene.search.Query;  
 import org.apache.lucene.search.ScoreDoc;  
 import org.apache.lucene.search.TermQuery;  
 import org.apache.lucene.search.TopDocs;  
 import org.apache.lucene.store.Directory;  
 import org.apache.lucene.store.FSDirectory;  
 import org.apache.lucene.util.Version;  
 import org.apache.tika.Tika;  
   
 import com.chenlb.mmseg4j.analysis.ComplexAnalyzer;  
   
 /** 
  * 【Lucene3.6.2入门系列】第10节_Tika 
  * @create Aug 19, 2013 11:02:21 PM 
  * @author 玄玉<http://blog.csdn.net/jadyer> 
  */  
 public class HelloTikaIndex {  
     private Directory directory;  
     private IndexReader reader;  
       
     public HelloTikaIndex(){  
         try {  
             directory = FSDirectory.open(new File("myExample/myIndex/"));  
         } catch (IOException e) {  
             e.printStackTrace();  
         }  
     }  
       
     /** 
      * 创建索引 
      */  
     public void createIndex(){  
         Document doc = null;  
         IndexWriter writer = null;  
         File myFile = new File("myExample/myFile/");  
         try{  
             //这里的分词器使用的是MMSeg4j(记得引入mmseg4j-all-1.8.5-with-dic.jar)  
             //详见http://blog.csdn.net/jadyer/article/details/10049525中对MMSeg4j的介绍  
             writer = new IndexWriter(directory, new IndexWriterConfig(Version.LUCENE_36, new ComplexAnalyzer()));  
             writer.deleteAll();  
             for(File file : myFile.listFiles()){  
                 doc = new Document();  
 //              //当保存文件的Metadata时,要过滤掉文件夹,否则会报告文件夹无法访问的异常  
 //              if(file.isDirectory()){  
 //                  continue;  
 //              }  
 //              Metadata metadata = new Metadata();  
 //              doc.add(new Field("filecontent", new Tika().parse(new FileInputStream(file), metadata)));  
                 doc.add(new Field("filecontent", new Tika().parse(file)));  
                 doc.add(new Field("filename", file.getName(), Field.Store.YES, Field.Index.NOT_ANALYZED));  
                 writer.addDocument(doc);  
             }  
         }catch(Exception e) {  
             e.printStackTrace();  
         }finally{  
             if(null != writer){  
                 try {  
                     writer.close();  
                 } catch (IOException ce) {  
                     ce.printStackTrace();  
                 }  
             }  
         }  
     }  
       
       
     /** 
      * 获取IndexSearcher实例 
      */  
     private IndexSearcher getIndexSearcher(){  
         try {  
             if(reader == null){  
                 reader = IndexReader.open(directory);  
             }else{  
                 //if the index was changed since the provided reader was opened, open and return a new reader; else,return null  
                 //如果当前reader在打开期间index发生改变,则打开并返回一个新的IndexReader,否则返回null  
                 IndexReader ir = IndexReader.openIfChanged(reader);  
                 if(ir != null){  
                     reader.close(); //关闭原reader  
                     reader = ir;    //赋予新reader  
                 }  
             }  
             return new IndexSearcher(reader);  
         }catch(Exception e) {  
             e.printStackTrace();  
         }  
         return null; //发生异常则返回null  
     }  
       
       
     /** 
      * 执行搜索操作 
      * @param fieldName 域名(相当于表的字段名) 
      * @param keyWords  搜索的关键字 
      */  
     public void searchFile(String fieldName, String keyWords){  
         IndexSearcher searcher = this.getIndexSearcher();  
         Query query = new TermQuery(new Term(fieldName, keyWords));  
         try {  
             TopDocs tds = searcher.search(query, 50);  
             for(ScoreDoc sd : tds.scoreDocs){  
                 Document doc = searcher.doc(sd.doc);  
                 System.out.print("文档编号=" + sd.doc + "  文档权值=" + doc.getBoost() + "  文档评分=" + sd.score + "    ");  
                 System.out.println("filename=" + doc.get("filename"));  
             }  
         } catch (IOException e) {  
             e.printStackTrace();  
         } finally {  
             if(null != searcher){  
                 try {  
                     searcher.close(); //记得关闭IndexSearcher  
                 } catch (IOException e) {  
                     e.printStackTrace();  
                 }  
             }  
         }  
     }  
       
       
     /** 
      * 测试一下效果 
      * @see 测试前记得在myExample/myFile/目录下预先准备几个doc,pdf,html,txt等文件 
      */  
     public static void main(String[] args) {  
         HelloTikaIndex hello = new HelloTikaIndex();  
         hello.createIndex();  
         hello.searchFile("filecontent", "java");  
     }  
 }  

下面是描述Tika的介绍和用法的HelloTika.java

[java]view plaincopyprint? 
   
 package com.jadyer.lucene;  
   
 import java.io.File;  
 import java.io.FileInputStream;  
 import java.io.IOException;  
 import java.io.InputStream;  
   
 import org.apache.tika.Tika;  
 import org.apache.tika.metadata.Metadata;  
 import org.apache.tika.parser.AutoDetectParser;  
 import org.apache.tika.parser.ParseContext;  
 import org.apache.tika.parser.Parser;  
 import org.apache.tika.sax.BodyContentHandler;  
 import org.xml.sax.ContentHandler;  
   
 /** 
  * Tika 
  * @see 官网:http://tika.apache.org/ 
  * @see 用途:打开各种不同的文档,包括PDF、Office、html、txt等等 
  * @see     以往解析PDF时通常使用PDFBox(http://pdfbox.apache.org/),解析Office时使用POI(http://poi.apache.org/) 
  * @see     而Tika则是对它们的封装,使用Tika的API可以直接将PDF,Office等文件解析为文本字符串 
  * @see 用法:1)双击tika-app-1.4.jar竟然打不开,通过命令行[java -jar tika-app-1.4.jar]则可以打开 
  * @see     2)在项目中使用时,直接将tika-app-1.4.jar引入即可 
  * @create Aug 7, 2013 8:57:49 AM 
  * @author 玄玉<http://blog.csdn.net/jadyer> 
  */  
 public class HelloTika {  
     public static String parseToStringByTikaParser(File file){  
         //创建解析器,使用AutoDetectParser可以自动检测一个最合适的解析器  
         Parser parser = new AutoDetectParser();  
         //指定解析文件中的文档内容  
         ContentHandler handler = new BodyContentHandler();  
         //指定元数据存放位置,并自己添加一些元数据  
         Metadata metadata = new Metadata();   
         metadata.set("MyAddPropertyName", "我叫玄玉");  
         metadata.set(Metadata.RESOURCE_NAME_KEY, file.getAbsolutePath());  
         //指定最基本的变量信息(即存放一个所使用的解析器对象)  
         ParseContext context = new ParseContext();  
         context.set(Parser.class, parser);  
         InputStream is = null;  
         try {  
             is = new FileInputStream(file);  
             //InputStream-----指定文件输入流  
             //ContentHandler--指定要解析文件的哪一个内容,它有一个实现类叫做BodyContentHandler,即专门用来解析文档内容的  
             //Metadata--------指定解析文件时,存放解析出来的元数据的Metadata对象  
             //ParseContext----该对象用于存放一些变量信息,该对象最少也要存放所使用的解析器对象,这也是其存放的最基本的变量信息  
             parser.parse(is, handler, metadata, context);  
             //打印元数据  
             for(String name : metadata.names()){  
                 System.out.println(name + "=" + metadata.get(name));  
             }  
             //返回解析到的文档内容  
             return handler.toString();  
         } catch (Exception e) {  
             e.printStackTrace();  
         } finally {  
             if(is != null){  
                 try {  
                     is.close();  
                 } catch (IOException e) {  
                     e.printStackTrace();  
                 }  
             }  
         }  
         return null;  
     }  
       
       
     public static String parseToStringByTika(File file){  
         //据Tika文档上说,org.apache.tika.Tika的效率没有org.apache.tika.parser.Parser的高  
         Tika tika = new Tika();  
         //可以指定是否获取元数据,也可自己添加元数据  
         Metadata metadata = new Metadata();   
         metadata.set("MyAddPropertyName", "我叫玄玉");  
         metadata.set(Metadata.RESOURCE_NAME_KEY, file.getAbsolutePath());  
         try {  
             String fileContent = tika.parseToString(file);  
             //String fileContent = tika.parseToString(new FileInputStream(file), metadata);  
             //打印元数据  
             for(String name : metadata.names()){  
                 System.out.println(name + "=" + metadata.get(name));  
             }  
             return fileContent;  
         } catch (Exception e) {  
             e.printStackTrace();  
         }  
         return null;  
     }  
       
       
     /** 
      * 小测试一下 
      */  
     public static void main(String[] args) {  
         System.out.println(parseToStringByTikaParser(new File("myExample/myFile/Java安全.doc")));  
         System.out.println(parseToStringByTika(new File("myExample/myFile/Oracle_SQL语句优化.pdf")));  
         System.out.println(parseToStringByTika(new File("myExample/myFile/")));  
     }  
 }  