Question

我希望为HTML文件建立索引，并能够在收到搜索结果后跳转到相应的标题。

我目前使用HTMLStripCharFilter解析文件。

public class MyAnalyzer extends Analyzer {
  public MyAnalyzer() {
    super();
  }

  @Override
  protected Reader initReader(String fieldName, Reader reader) {
    return new HTMLStripCharFilter(reader);
  }

  @Override
  protected TokenStreamComponents createComponents(String fieldName) {
    StandardTokenizer source = new StandardTokenizer();
    TokenStream result = new StandardFilter(source);
    result = new LowerCaseFilter(result);
    return new TokenStreamComponents(source, result);
  }
}

indexMyFile方法获取一个HTML文件的路径并创建索引，但当前仅存储文件名。

private static void indexMyFile(IndexWriter writer, Path file,
  long lastModified) throws IOException {
try (InputStream stream = Files.newInputStream(file)) {
  Document doc = new Document();

  Field pathField = new StringField("path", file.toString(),
      Field.Store.YES);
  doc.add(pathField);
  doc.add(new TextField("contents", new BufferedReader(
      new InputStreamReader(stream, StandardCharsets.UTF_8))));

  writer.addDocument(doc);
}

我的解决方案是在此Lucene文档中添加一个新的TextField，但是目前我不知道代码的标题。有没有使用Lucene的方法，所以我可以将内容链接到当前标题和文件名？还是我必须使用JSoup或JTidy，并在标题后将文本传递给indexMyFile方法，并为每个标题创建一个Lucene文档，类似于this post？

Answer 1

我使用JSoup来解析HTML标签。然后，我没有为整个文件建立索引，而是为每个包含几个字段的标题创建了一个文档：

private void indexString(Path path, String title, String heading,
  String content) throws IOException {
  Document doc = new Document();

  doc.add(new Field("title", title, TextField.TYPE_STORED));
  doc.add(new Field("heading", heading, TextField.TYPE_STORED));
  doc.add(new StringField("path", path.toString(), Field.Store.YES));
  doc.add(new StringField("urlHeading", urlHeading, Field.Store.YES));
  doc.add(new TextField("contents", content, Store.NO));
  writer.addDocument(doc);
}

Lucene索引HTML标题

1 个答案: