Question

我正在从Lucene 3.6升级到Lucene 4.0-beta。在Lucene 3.x中，IndexReader包含方法IndexReader.getTermFreqVectors()，我可以使用它来提取给定文档和字段中每个术语的频率。

此方法现在由IndexReader.getTermVectors()替换，返回Terms。如何利用这个（或可能是其他方法）在文档和字段中提取术语频率？

Answer 1

也许这会对你有所帮助：

// get terms vectors for one document and one field
Terms terms = reader.getTermVector(docID, "fieldName"); 

if (terms != null && terms.size() > 0) {
    // access the terms for this field
    TermsEnum termsEnum = terms.iterator(null); 
    BytesRef term = null;

    // explore the terms for this field
    while ((term = termsEnum.next()) != null) {
        // enumerate through documents, in this case only one
        DocsEnum docsEnum = termsEnum.docs(null, null); 
        int docIdEnum;
        while ((docIdEnum = docsEnum.nextDoc()) != DocIdSetIterator.NO_MORE_DOCS) {
            // get the term frequency in the document 
            System.out.println(term.utf8ToString()+ " " + docIdEnum + " " + docsEnum.freq()); 
        }
    }
}

Answer 2

请参阅此related question，特别是

Terms vector = reader.getTermVector(docId, CONTENT);
TermsEnum termsEnum = null;
termsEnum = vector.iterator(termsEnum);
Map<String, Integer> frequencies = new HashMap<>();
BytesRef text = null;
while ((text = termsEnum.next()) != null) {
    String term = text.utf8ToString();
    int freq = (int) termsEnum.totalTermFreq();
    frequencies.put(term, freq);
    terms.add(term);
}

Answer 3

有关如何使用灵活索引apis的各种文档：

访问文档术语向量的字段/术语与用于访问帖子列表的API完全相同，因为术语向量实际上只是一个文档的微型反向索引。

因此，完全可以使用所有这些示例，尽管您可以制作一些快捷方式，因为您知道在这个“微型倒排索引”中只有一个文档。例如如果你只想获得一个术语的频率，你可以直接找到它并使用像totalTermFreq这样的聚合统计数据（参见https://builds.apache.org/job/Lucene-Artifacts-4.x/javadoc/core/org/apache/lucene/index/package-summary.html#stats），而不是实际打开只能枚举单个文档的DocsEnum。

Answer 4

我在Lucene 4.2索引上工作了。这是一个适合我的小测试程序。

try {
    directory[0] = new SimpleFSDirectory(new File(test1));
    directory[1] = new SimpleFSDirectory(new File(test2));
    directory[2] = new SimpleFSDirectory(new File(test3));
    directoryReader[0] = DirectoryReader.open(directory[0]);
    directoryReader[1] = DirectoryReader.open(directory[1]);
    directoryReader[2] = DirectoryReader.open(directory[2]);

    if (!directoryReader[2].isCurrent()) {
        directoryReader[2] = DirectoryReader.openIfChanged(directoryReader[2]);
    }
    MultiReader mr = new MultiReader(directoryReader);

    TermStats[] stats=null;
    try {
        stats = HighFreqTerms.getHighFreqTerms(mr, 100, "My Term");
    } catch (Exception e1) {
        e1.printStackTrace();
        return;
    }

    for (TermStats termstat : stats) {
        System.out.println("IBI_body: " + termstat.termtext.utf8ToString() +
            ", docFrequency: " + termstat.docFreq);
    }
}

Lucene 4.0中的术语矢量频率

4 个答案: