Question

这是我关于Stack Overflow的第一个问题，祝我好运。

我正在使用java对Lucene索引进行分类处理，我需要更新名为category的文档字段。为了这个目的，我一直在使用Lucene 4.2和索引编写器updateDocument（）函数，除了删除部分外，它的工作非常好。即使我在更新后使用forceMergeDeletes（）函数，索引也会显示一些已经删除的文档。例如，如果我对包含1000个文档的索引运行分类，则索引中的最终文档数量保持不变并按预期工作，但是当我将索引文档增加到10000时，索引会显示一些已删除的文档但不是全部。那么，我怎样才能从索引中删除那些已删除的文档？

以下是我的代码的一些片段：

public static void main(String[] args) throws IOException, ParseException {
    ///////////////////////Preparing config data////////////////////////////
    File indexDir = new File("/indexDir");
    Directory fsDir = FSDirectory.open(indexDir);

    IndexWriterConfig iwConf = new IndexWriterConfig(Version.LUCENE_42, new WhitespaceSpanishAnalyzer());
    iwConf.setOpenMode(IndexWriterConfig.OpenMode.APPEND);
    IndexWriter indexWriter = new IndexWriter(fsDir, iwConf);

    IndexReader reader = DirectoryReader.open(fsDir);
    IndexSearcher indexSearcher = new IndexSearcher(reader);
    KNearestNeighborClassifier classifier = new KNearestNeighborClassifier(100);
    AtomicReader ar = new SlowCompositeReaderWrapper((CompositeReader) reader);

    classifier.train(ar, "text", "category", new WhitespaceSpanishAnalyzer());

    System.out.println("***Before***");
    showIndexedDocuments(reader);
    System.out.println("***Before***");

    int maxdoc = reader.maxDoc();
    int j = 0;
    for (int i = 0; i < maxdoc; i++) {
        Document doc = reader.document(i);
        String clusterClasif = doc.get("category");
        String text = doc.get("text");
        String docid = doc.get("doc_id");
        ClassificationResult<BytesRef> result = classifier.assignClass(text);
        String classified = result.getAssignedClass().utf8ToString();

        if (!classified.isEmpty() && clusterClasif.compareTo(classified) != 0) {
            Term term = new Term("doc_id", docid);
            doc.removeField("category");
            doc.add(new StringField("category",
                    classified, Field.Store.YES));
            indexWriter.updateDocument(term,doc);
            j++;
        }
    }
    indexWriter.forceMergeDeletes(true);
    indexWriter.close();
    System.out.println("Classified documents count: " + j);        
    System.out.println();
    reader.close();

    reader = DirectoryReader.open(fsDir);
    System.out.println("Deleted docs: " + reader.numDeletedDocs());
    System.out.println("***After***");
    showIndexedDocuments(reader);
}

private static void showIndexedDocuments(IndexReader reader) throws IOException {
    int maxdoc = reader.maxDoc();
    for (int i = 0; i < maxdoc; i++) {
        Document doc = reader.document(i);
        String idDoc = doc.get("doc_id");
        String text = doc.get("text");
        String category = doc.get("category");

        System.out.println("Id Doc: " + idDoc);
        System.out.println("Category: " + category);
        System.out.println("Text: " + text);
        System.out.println();
    }
    System.out.println("Total: " + maxdoc);
}

我花了很多时间寻找解决方案，有人说索引中删除的文件并不重要，最后当我们不断向索引添加文档时它们会被删除，但我需要控制这个过程在某种程度上，我可以随时迭代索引文档，并且我检索的文档实际上是活的文档。 4.1之前的Lucene版本在IndexReader类中有一个名为isDeleted（docId）的函数，该函数提供了一个文档是否已被删除，这可能只是我问题的解决方案的一半，但我还没有找到一种方法来做到这一点Lucene的4.2版本。如果你知道怎么做，我真的很感激，如果你分享它。

Answer 1

您可以检查已删除的文档是MultiFields类，如：

Bits liveDocs = MultiFields.getLiveDocs(reader);
if (!liveDocs.get(docID)) ...

所以，在你的代码中使用它，可能是这样的：

int maxdoc = reader.maxDoc();
Bits liveDocs = MultiFields.getLiveDocs(reader);
for (int i = 0; i < maxdoc; i++) {
    if (!liveDocs.get(docID)) continue;
    Document doc = reader.document(i);
    String idDoc = doc.get("doc_id");
    ....
}

顺便说一句，听起来像你之前使用的是3.X，现在是4.X. The Lucene Migration Guide对于理解版本之间的这些变化以及如何解决它们非常有帮助。

如何在没有删除文档的情况下保留Lucene索引

1 个答案: