使用Lucene進行全文檢索(二)---得到有效的內容

 

scud(飛雲小俠) http://www.jscud.com 轉載請註明來源/作者

關鍵字:lucene,html parser,全文檢索,IndexReader,Document,Field,IndexWriter,Term,HTMLPAGE

  在使用lucene對相關內容進行索引時,會遇到各種格式的內容,例如Html,PDF,Word等等,那麼我們如何從這麼文檔中得到我們需要的內容哪?例如Html的內容,一般我們不需要對Html標籤建立索引,因爲那不是我們需要搜索的內容.這個時候,我們就需要從Html內容中解析出我們所需要的內容.對於PDF,Word文檔,也是類似的要求.
 
  總之,我們只需要從內容中提取出我們需要的文本來建立索引,這樣用戶就能搜索到需要的內容,然後訪問對應的資源即可.

  Lucene本身帶的例子中有一個解析Html的代碼,不過不是純JAVA的,所以在網上我又找到了另外一個Html解析器,網址如下:http://htmlparser.sourceforge.net.
 
  對PDF解析的相關項目有很多,例如PDFBox.在PDFBox裏面提出pdf的文本內容只需要一句話即可:  
  
   

Document doc = LucenePDFDocument.getDocument( file );  

  
  當然如果需要更高級的設置,就要使用PDFBox中PDFTextStripper等類來實現更高級的操作了.
 
 
  對Word文檔解析的相關有POI,網址是 http://jakarta.apache.org/poi/.
 
  HtmlParser本身提供的功能很強大,我們下面主要來關注我們需要的功能.首先給出幾個函數如下:
 

 /**
 * 解析一個Html頁面,返回一個Html頁面類.
 *
 * @param resource 文件路徑或者網址
 */
    public static SearchHtmlPage parseHtmlPage(String resource)
    {
        String title = "";
        String body = "";
        try
        {
            Parser myParser = new Parser(resource);

            //設置編碼:根據實際情況修改
            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內容,得到普通文本和鏈接的內容.
     *
     * @param content 要解析的內容
     * @return 返回解析後的內容
     */
    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);

        //暫時不處理 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);
        }

        //中場退出了
        if (null == nodeList)
        {
            return "";
        }

        Node[] nodes = nodeList.toNodeArray();

        String result = combineNodeText(nodes);
        return result;
    }

 //合併節點的有效內容
    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();
                //過濾jsp標籤
                line = StringFunc.replace(line, "<%.*%>", "");
            }

            if (StringFunc.isTrimEmpty(line)) continue;

            result.append(" ").append(line);
        }

        return result.toString();
    }

  
  其中SearchHtmlPage類是表示一個Html頁面的模型,包含標題和內容,代碼如下:
  

 package com.jscud.www.support.search;
 
 /**
  * 搜索時解析Html後返回的頁面模型.
  *
  * @author scud(飛雲小俠) http://www.jscud.com
  * 
  */
 public class SearchHtmlPage
 {
     /**標題*/
     private String title;
 
     /**內容*/
     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;
     }
 }
 

 
  當然,使用HtmlParser解析Html資源還有很多其他的方法,可以設置很多的條件來滿足用戶的解析要求,用戶可以閱讀其他的文章或者HtmlParser的文檔來了解,在此不多介紹.
 
  下一節講解如何進行搜索.