如何访问Lucene索引中记录的关键字？

Question

我有一个与Lucene（Java + Hibernate + Spring + JSF + Lucene）合作的EDM（电子文档管理/存档）。 处理的文件具有不同的格式：XML，DOCX，JPEG，INDD，PDF等。 所有这些都是在全文索引之后存档的。

搜索可以通过网页完成：用户填写关键字，Lucene + Hibernate显示已编制索引的所有文档，包含这些关键字。

我想知道Lucene索引的所有关键字，以便用户订阅他们感兴趣的关键字。

实际上，如果用户想要知道所有带有“法国”关键字的文件，他将不得不在网页上进行搜索。 我想要的是用户订阅“France”关键字，当有关此关键字的文档被编入索引时，用户将收到通知，告诉他哪些文档包含他订阅的关键字。

但我只是不知道如何查看Lucene索引既没有检测到Lucene对给定关键字的计数发生了变化。

有人可以告诉我该怎么做吗？

感谢名单。

Answer 1

您可以构建一个包含索引中所有术语的Map，映射到它们出现的文档数量。请注意

1. lucene的条款很难被视为关键词。
2. 根据索引的大小，此地图会变得非常大。

根据您的数据，您可能需要手动或通过某种算法（例如最常用的20个术语）选择 n 最佳术语/关键字。

IndexReader reader = ..... // Open your index

// Create a new HashMap, mapping Terms to doc frequency
Map<String,Integer> allTerms = new HashMap<String,Integer>();

// Iterate over all fields of your documents
Fields fields = MultiFields.getFields(reader);
for (String field : fields) {
    Terms terms = fields.terms(field);
    TermsEnum termsEnum = terms.iterator();

    // Iterate over all terms for the current field
    for(BytesRef br = termsEnum.next(); br != null; br = termsEnum.next()) {
        // Put the term and the number of occurrences into the map.
        allTerms.put(br.utf8ToString(), termsEnum.docFreq());
    }
}