使用Lucene进行全文检索(二)---得到有效的内容(转载)

转载：http://www.jscud.com/srun/news/viewhtml/3_2005_8/77.htm

 

在使用lucene对相关内容进行索引时,会遇到各种格式的内容,例如html,pdf,word等等,那么我们如何从这么文档中得到我们需要的内容哪?例如html的内容,一般我们不需要对html标签建立索引,因为那不是我们需要搜索的内容.这个时候,我们就需要从html内容中解析出我们所需要的内容.对于pdf,word文档,也是类似的要求.
 
  总之,我们只需要从内容中提取出我们需要的文本来建立索引,这样用户就能搜索到需要的内容,然后访问对应的资源即可.

  lucene本身带的例子中有一个解析html的代码,不过不是纯java的,所以在网上我又找到了另外一个html解析器,网址如下:http://htmlparser.sourceforge.net.
 
  对pdf解析的相关项目有很多,例如pdfbox.在pdfbox里面提出pdf的文本内容只需要一句话即可:  
  
   

document doc = lucenepdfdocument.getdocument( file );

  
  当然如果需要更高级的设置,就要使用pdfbox中pdftextstripper等类来实现更高级的操作了.
 
 
  对word文档解析的相关有poi,网址是 http://jakarta.apache.org/poi/.
 
  htmlparser本身提供的功能很强大,我们下面主要来关注我们需要的功能.首先给出几个函数如下:
 

/**  * 解析一个html页面,返回一个html页面类.  *  * @param resource 文件路径或者网址  */     public static searchhtmlpage parsehtmlpage(string resource)     {         string title = "";         string body = "";         try         {             parser myparser = new parser(resource);             //设置编码:根据实际情况修改             myparser.setencoding("gbk");             htmlpage visitor = new htmlpage(myparser);             myparser.visitallnodeswith(visitor);             title = visitor.gettitle();             body = combinenodetext(visitor.getbody().tonodearray());         }         catch (parserexception e)         {             logman.error("parse html page " + resource + " error!");         }         searchhtmlpage result = new searchhtmlpage(title, body);         return result;     }     /**      * 解析html内容,得到普通文本和链接的内容.      *      * @param content 要解析的内容      * @return 返回解析后的内容      */     public static string parsehtmlcontent(string content)     {         parser myparser;         nodelist nodelist = null;         myparser = parser.createparser(content, "gbk");         nodefilter textfilter = new nodeclassfilter(textnode.class);         nodefilter linkfilter = new nodeclassfilter(linktag.class);         //暂时不处理 meta         //nodefilter metafilter = new nodeclassfilter(metatag.class);         orfilter lastfilter = new orfilter();         lastfilter.setpredicates(new nodefilter[] { textfilter, linkfilter });         try         {             nodelist = myparser.parse(lastfilter);         }         catch (parserexception e)         {             logman.warn("parse content error", e);         }         //中场退出了         if (null == nodelist)         {             return "";         }         node[] nodes = nodelist.tonodearray();         string result = combinenodetext(nodes);         return result;     }  //合并节点的有效内容     private static string combinenodetext(node[] nodes)     {         stringbuffer result = new stringbuffer();         for (int i = 0; i < nodes.length; i++)         {             node anode = (node) nodes[i];             string line = "";             if (anode instanceof textnode)             {                 textnode textnode = (textnode) anode;                 //line = textnode.toplaintextstring().trim();                 line = textnode.gettext();             }             else if (anode instanceof linktag)             {                 linktag linknode = (linktag) anode;                 line = linknode.getlink();                 //过滤jsp标签                 line = stringfunc.replace(line, "", "");             }             if (stringfunc.istrimempty(line)) continue;             result.append(" ").append(line);         }         return result.tostring();     }

  
  其中searchhtmlpage类是表示一个html页面的模型,包含标题和内容,代码如下:
  

package com.jscud.www.support.search;    /**   * 搜索时解析html后返回的页面模型.   *   * @author scud(飞云小侠) http://www.jscud.com   *    */  public class searchhtmlpage  {      /**标题*/      private string title;        /**内容*/      private string body;           public searchhtmlpage(string title, string body)      {          this.title = title;          this.body = body;      }           public string getbody()      {          return body;      }        public void setbody(string body)      {          this.body = body;      }        public string gettitle()      {          return title;      }        public void settitle(string title)      {          this.title = title;      }  }

 
  当然,使用htmlparser解析html资源还有很多其他的方法,可以设置很多的条件来满足用户的解析要求,用户可以阅读其他的文章或者htmlparser的文档来了解,在此不多介绍.
 
  下一节讲解如何进行搜索.