【Lucene3.6.2入门系列】第10节_Tika

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 plain copy print ?

1. package com.jadyer.lucene;  
2.   
3. import java.io.File;  
4. import java.io.IOException;  
5.   
6. import org.apache.lucene.document.Document;  
7. import org.apache.lucene.document.Field;  
8. import org.apache.lucene.index.IndexReader;  
9. import org.apache.lucene.index.IndexWriter;  
10. import org.apache.lucene.index.IndexWriterConfig;  
11. import org.apache.lucene.index.Term;  
12. import org.apache.lucene.search.IndexSearcher;  
13. import org.apache.lucene.search.Query;  
14. import org.apache.lucene.search.ScoreDoc;  
15. import org.apache.lucene.search.TermQuery;  
16. import org.apache.lucene.search.TopDocs;  
17. import org.apache.lucene.store.Directory;  
18. import org.apache.lucene.store.FSDirectory;  
19. import org.apache.lucene.util.Version;  
20. import org.apache.tika.Tika;  
21.   
22. import com.chenlb.mmseg4j.analysis.ComplexAnalyzer;  
23.   
24. /** 
25.  * 【Lucene3.6.2入门系列】第10节_Tika 
26.  * @create Aug 19, 2013 11:02:21 PM 
27.  * @author 玄玉<http://blog.csdn.net/jadyer> 
28.  */  
29. public class HelloTikaIndex {  
30.     private Directory directory;  
31.     private IndexReader reader;  
32.       
33.     public HelloTikaIndex(){  
34.         try {  
35.             directory = FSDirectory.open(new File("myExample/myIndex/"));  
36.         } catch (IOException e) {  
37.             e.printStackTrace();  
38.         }  
39.     }  
40.       
41.     /** 
42.      * 创建索引 
43.      */  
44.     public void createIndex(){  
45.         Document doc = null;  
46.         IndexWriter writer = null;  
47.         File myFile = new File("myExample/myFile/");  
48.         try{  
49.             //这里的分词器使用的是MMSeg4j(记得引入mmseg4j-all-1.8.5-with-dic.jar)  
50.             //详见http://blog.csdn.net/jadyer/article/details/10049525中对MMSeg4j的介绍  
51.             writer = new IndexWriter(directory, new IndexWriterConfig(Version.LUCENE_36, new ComplexAnalyzer()));  
52.             writer.deleteAll();  
53.             for(File file : myFile.listFiles()){  
54.                 doc = new Document();  
55. //              //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  
56. //              if(file.isDirectory()){  
57. //                  continue;  
58. //              }  
59. //              Metadata metadata = new Metadata();  
60. //              doc.add(new Field("filecontent", new Tika().parse(new FileInputStream(file), metadata)));  
61.                 doc.add(new Field("filecontent", new Tika().parse(file)));  
62.                 doc.add(new Field("filename", file.getName(), Field.Store.YES, Field.Index.NOT_ANALYZED));  
63.                 writer.addDocument(doc);  
64.             }  
65.         }catch(Exception e) {  
66.             e.printStackTrace();  
67.         }finally{  
68.             if(null != writer){  
69.                 try {  
70.                     writer.close();  
71.                 } catch (IOException ce) {  
72.                     ce.printStackTrace();  
73.                 }  
74.             }  
75.         }  
76.     }  
77.       
78.       
79.     /** 
80.      * 获取IndexSearcher实例 
81.      */  
82.     private IndexSearcher getIndexSearcher(){  
83.         try {  
84.             if(reader == null){  
85.                 reader = IndexReader.open(directory);  
86.             }else{  
87.                 //if the index was changed since the provided reader was opened, open and return a new reader; else,return null  
88.                 //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  
89.                 IndexReader ir = IndexReader.openIfChanged(reader);  
90.                 if(ir != null){  
91.                     reader.close(); //关闭原reader  
92.                     reader = ir;    //赋予新reader  
93.                 }  
94.             }  
95.             return new IndexSearcher(reader);  
96.         }catch(Exception e) {  
97.             e.printStackTrace();  
98.         }  
99.         return null; //发生异常则返回null  
100.     }  
101.       
102.       
103.     /** 
104.      * 执行搜索操作 
105.      * @param fieldName 域名(相当于表的字段名) 
106.      * @param keyWords  搜索的关键字 
107.      */  
108.     public void searchFile(String fieldName, String keyWords){  
109.         IndexSearcher searcher = this.getIndexSearcher();  
110.         Query query = new TermQuery(new Term(fieldName, keyWords));  
111.         try {  
112.             TopDocs tds = searcher.search(query, 50);  
113.             for(ScoreDoc sd : tds.scoreDocs){  
114.                 Document doc = searcher.doc(sd.doc);  
115.                 System.out.print("文档编号=" + sd.doc + "  文档权值=" + doc.getBoost() + "  文档评分=" + sd.score + "    ");  
116.                 System.out.println("filename=" + doc.get("filename"));  
117.             }  
118.         } catch (IOException e) {  
119.             e.printStackTrace();  
120.         } finally {  
121.             if(null != searcher){  
122.                 try {  
123.                     searcher.close(); //记得关闭IndexSearcher  
124.                 } catch (IOException e) {  
125.                     e.printStackTrace();  
126.                 }  
127.             }  
128.         }  
129.     }  
130.       
131.       
132.     /** 
133.      * 测试一下效果 
134.      * @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 
135.      */  
136.     public static void main(String[] args) {  
137.         HelloTikaIndex hello = new HelloTikaIndex();  
138.         hello.createIndex();  
139.         hello.searchFile("filecontent", "java");  
140.     }  
141. }  

下面是描述Tika的介绍和用法的HelloTika.java

[java]  view plain copy print ?

1. package com.jadyer.lucene;  
2.   
3. import java.io.File;  
4. import java.io.FileInputStream;  
5. import java.io.IOException;  
6. import java.io.InputStream;  
7.   
8. import org.apache.tika.Tika;  
9. import org.apache.tika.metadata.Metadata;  
10. import org.apache.tika.parser.AutoDetectParser;  
11. import org.apache.tika.parser.ParseContext;  
12. import org.apache.tika.parser.Parser;  
13. import org.apache.tika.sax.BodyContentHandler;  
14. import org.xml.sax.ContentHandler;  
15.   
16. /** 
17.  * Tika 
18.  * @see 官网:http://tika.apache.org/ 
19.  * @see 用途:打开各种不同的文档,包括PDF、Office、html、txt等等 
20.  * @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/) 
21.  * @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 
22.  * @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 
23.  * @see     2)在项目中使用时,直接将tika-app-1.4.jar引入即可 
24.  * @create Aug 7, 2013 8:57:49 AM 
25.  * @author 玄玉<http://blog.csdn.net/jadyer> 
26.  */  
27. public class HelloTika {  
28.     public static String parseToStringByTikaParser(File file){  
29.         //创建解析器,使用AutoDetectParser可以自动检测一个最合适的解析器  
30.         Parser parser = new AutoDetectParser();  
31.         //指定解析文件中的文档内容  
32.         ContentHandler handler = new BodyContentHandler();  
33.         //指定元数据存放位置,并自己添加一些元数据  
34.         Metadata metadata = new Metadata();   
35.         metadata.set("MyAddPropertyName", "我叫玄玉");  
36.         metadata.set(Metadata.RESOURCE_NAME_KEY, file.getAbsolutePath());  
37.         //指定最基本的变量信息(即存放一个所使用的解析器对象)  
38.         ParseContext context = new ParseContext();  
39.         context.set(Parser.class, parser);  
40.         InputStream is = null;  
41.         try {  
42.             is = new FileInputStream(file);  
43.             //InputStream-----指定文件输入流  
44.             //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  
45.             //Metadata--------指定解析文件时,存放解析出来的元数据的Metadata对象  
46.             //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  
47.             parser.parse(is, handler, metadata, context);  
48.             //打印元数据  
49.             for(String name : metadata.names()){  
50.                 System.out.println(name + "=" + metadata.get(name));  
51.             }  
52.             //返回解析到的文档内容  
53.             return handler.toString();  
54.         } catch (Exception e) {  
55.             e.printStackTrace();  
56.         } finally {  
57.             if(is != null){  
58.                 try {  
59.                     is.close();  
60.                 } catch (IOException e) {  
61.                     e.printStackTrace();  
62.                 }  
63.             }  
64.         }  
65.         return null;  
66.     }  
67.       
68.       
69.     public static String parseToStringByTika(File file){  
70.         //据Tika文档上说,org.apache.tika.Tika的效率没有org.apache.tika.parser.Parser的高  
71.         Tika tika = new Tika();  
72.         //可以指定是否获取元数据,也可自己添加元数据  
73.         Metadata metadata = new Metadata();   
74.         metadata.set("MyAddPropertyName", "我叫玄玉");  
75.         metadata.set(Metadata.RESOURCE_NAME_KEY, file.getAbsolutePath());  
76.         try {  
77.             String fileContent = tika.parseToString(file);  
78.             //String fileContent = tika.parseToString(new FileInputStream(file), metadata);  
79.             //打印元数据  
80.             for(String name : metadata.names()){  
81.                 System.out.println(name + "=" + metadata.get(name));  
82.             }  
83.             return fileContent;  
84.         } catch (Exception e) {  
85.             e.printStackTrace();  
86.         }  
87.         return null;  
88.     }  
89.       
90.       
91.     /** 
92.      * 小测试一下 
93.      */  
94.     public static void main(String[] args) {  
95.         System.out.println(parseToStringByTikaParser(new File("myExample/myFile/Java安全.doc")));  
96.         System.out.println(parseToStringByTika(new File("myExample/myFile/Oracle_SQL语句优化.pdf")));  
97.         System.out.println(parseToStringByTika(new File("myExample/myFile/")));  
98.     }  
99. }