Apache Tika与Apache Lucene

Question

我对分析文件有疑问。 使用Apache Tika，可以获得不同类型的不同文件的内容和元数据。

是否也可以通过Tika获取文件的关键字（即词干）或者我还需要Lucene吗？

Answer 1

我不知道是否可能，但我建议在lucene中进行所有关键字分析。我的个人原因：

• Tika的主要目标是从文件中提取信息
• Lucenes定义了如何分析和索引数据。如何分析数据对你的lucene索引在搜索中的表现有多大影响（找到你期望找到的东西）
• 这是Tika只提取和Lucene关心搜索相关事物的关注点分离

Answer 2

蒂卡（Tika）和露西妮（Lucene）做的事情不同。

Tika的存在是为了从文件中获取数据。例如，您可以使用Tika从PDF中提取文本。

Lucene是一个索引器。因此，当您为Lucene提供Doc1.txt，Doc2.txt和Doc3.txt时，它将为它们建立索引，以便以后您可以搜索单词或短语（例如“ hello”），Lucene会以包含该单词或短语的文档列表作为响应单词，以及每个文档中的次数。

如果要索引任意内容，可以使用Tika首先提取文本，然后使用Lucene对其进行索引。