3、学习Lucene3.5之索引创建--域选项

/**
 * Field(String name, String value, Field.Store store, Field.Index index)方法解析:
 * 参数一:key
 * 参数二:value
 * 参数三:是否存储到硬盘(存储域选项)
 *     1.Field.Store.YES:表示把这个域中的内容完全存储到文件中,方便进行文本的还原
 *     2.Field.Store.NO:表示把这个域中的内容不存储到文件中,但是可以被索引。此时内容无法进行完全
 *       还原(无法通过document.get()获取)
 *     一般来说,我们是对id进行索引,然后通过id进数据库中进行搜索,找到对应的url,来获取文章内容,
 * 所以一般对id索引并存储,文章的内容进行索引,但不存储
 * 参数四:索引类型(索引域选项)
 *     1.Field.Index.ANALYZED:进行分词和索引,适用于标题、内容等
 *     2.Field.Index.NOT_ANALYZED:进行索引,但不进行分词,如果身份证号、姓名、ID等,适用于精确搜索
 *     3.Field.Index.ANALYZED_NOT_NORMS:进行分词但是不存储norms信息,这个norms中包括了创建索引的时间和权值等信息
 *     4.Field.Index.NOT_ANALYZED_NOT_NORMS:既不进行分词也不存储norms信息
 *     5.Field.Index.NO:不进行索引
 *
 * 存储域和索引域最佳实践:
 *          索引域                 存储域          案例
 * NOT_ANALYZED_NOT_NORMS           YES         标识符(主键、文件名),电话号码,身份证号,姓名,日期
 *         ANALYZED                 YES         文档标题和摘要
 *         ANALYZED                 NO          文档正文
 *            NO                    YES         文档类型,数据库主键(不进行分词)
 *        NOT_ANALYZED              NO          隐藏关键字
 */
document.add(new Field("fileName", tempFile.getName(), Field.Store.YES, Field.Index.NOT_ANALYZED));//将文件名添加到索引域中
爬虫(Web Crawler)是一种自动化程序,用于从互联网上收集信息。其主要功能是访问网页、提取数据并存储,以便后续分析或展示。爬虫通常由搜索引擎、数据挖掘工具、监测系统等应用于网络数据抓取的场景。 爬虫的工作流程包括以下几个关键步骤: URL收集: 爬虫从一个或多个初始URL开始,递归或迭代地发现新的URL,构建一个URL队列。这些URL可以通过链接分析、站点地图、搜索引擎等方式获取。 请求网页: 爬虫使用HTTP或其他协议向目标URL发起请求,获取网页的HTML内容。这通常通过HTTP请求库实现,如Python中的Requests库。 解析内容: 爬虫对获取的HTML进行解析,提取有用的信息。常用的解析工具有正则表达式、XPath、Beautiful Soup等。这些工具帮助爬虫定位和提取目标数据,如文本、图片、链接等。 数据存储: 爬虫将提取的数据存储到数据库、文件或其他存储介质中,以备后续分析或展示。常用的存储形式包括关系型数据库、NoSQL数据库、JSON文件等。 遵守规则: 为避免对网站造成过大负担或触发反爬虫机制,爬虫需要遵守网站的robots.txt协议,限制访问频率和深度,并模拟人类访问行为,如设置User-Agent。 反爬虫应对: 由于爬虫的存在,一些网站采取了反爬虫措施,如验证码、IP封锁等。爬虫工程师需要设计相应的策略来应对这些挑战。 爬虫在各个领都有广泛的应用,包括搜索引索引、数据挖掘、价格监测、新闻聚合等。然而,使用爬虫需要遵守法律和伦理规范,尊重网站的使用政策,并确保对被访问网站的服务器负责。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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