使用Java搜索结果预览

Question

假设我有以下文字（来自wiki）：

  

Java是一种编程语言   最初由James Gosling开发   在Sun Microsystems（现在是   甲骨文公司的子公司）和   1995年作为核心组成部分发布   Sun Microsystems的Java平台。   这种语言的大部分来源   来自C和C ++的语法，但有一个   更简单的对象模型   低层设施。 Java的   应用程序通常编译为   可以运行的字节码（类文件）   任何Java虚拟机（JVM）   无论计算机架构如何。   Java是一个通用的，并发的，   基于阶级......

我想将“java”和“编程”匹配解析为google样式结果，如下所示：

  

Java 是一种编程语言   最初由James Gosling开发   在Sun Microsystems ... Java   应用程序通常编译为   可以运行的字节码（类文件）   任何 Java 虚拟机（JVM） ...

1. 我可以使用哪些工具以及如何使用它们来获得上述结果。 Commons，Lucene，指南针？

2. 如果有一个算法会突出显示关键字并注意剪切字符串并在最后添加“...”，请分享。

3. 您如何确定在搜索结果预览中显示的关键字数量和关键字？

Answer 1

看看Lucene这样做，特别是看看它提供的荧光笔，这里有一个很好的例子来构建一个这样的东西：

http://www.cocooncenter.org/articles/lucene.html

Answer 2

我不知道有任何工具可以帮助解决这个问题，但我可以提供一种算法，可以为您提供相当不错的结果。 *编辑：OP要求索引的示例代码。我使用Trove TIntObjectHashMap来存储此信息，但您可以使用Java HashMap执行相同操作。

步骤1：搜索每个搜索词的文本，并在文本中创建每个搜索词的偏移索引。

TIntObjectHashMap<String> matchIndex = new TIntObjectHashMap<String>();
// for each word or other string to highlight
// find each instance of each word in the string
// this is pseudocode -v
for (each instance of String searchString appearing at index int x)
  matchIndex.put(x, searchString);

步骤2：浏览步骤1中每对索引的组合，并记录索引和命中数之间的字符数。

// class to hold a match
private class Match implements Comparable {
  private int x1, x2;
  private int hitCount;

  public Match(int x1, int x2, int hitCount); // does the obvious

  private double sortValue() {
    return (double) hitCount / Math.abs(x1, x2);
  }  

  @Override
  public int compareTo(Match m) {
    double diff = this.sortValue() - m.sortValue();
    if (diff == 0.0) return 0;
    return (diff < 0.0) ? -1 : 1;
  }
}

// go through every combination of keys (string offsets) and record them
// the treeset will automatically sort the results
TreeSet<Match> matches = new TreeSet<Match>();
int[] keys = matchIndex.keys();
for (int x1 = 0; x1 < keys.length; x1++)
  for (int x2 = x1 + 1; x2 < keys.length; x2++)
    matches.put(new Match(keys[x1],
                          keys[x2] + matchIndex.get(keys[x2]).length(),
                          1 + x2 - x1));

步骤3：获取步骤2中生成的列表，并按每个字符长度的点击次数对其进行排序。

// nicely done by the TreeSet

步骤4：从步骤3中列表的顶部开始，将每个项目标记为包含在内。务必将重叠结果组合成一个更大的结果。当下一个项目将字符串的总长度超过255个（或左右）字符时停止。

步骤5：按顺序显示步骤4中的每个选定项目，并在它们之间加上“...”。请务必在每个项目中包含必要的标记，以突出显示实际的搜索词。