liuqiang5151
  BlogJava :: 首页 :: 联系 :: 聚合  :: 管理
  0 Posts :: 23 Stories :: 1 Comments :: 0 Trackbacks
获取关键词出现的频率及位置
终于清楚如何用读Lucene的索引 :-)。本文要介绍一下如何利用IndexReader获取信息。为什么要读索引呢？因为我需要实现这些功能：
(1) 统计term在整个collection中的文档频度(document frequency, DF)；
(2) 统计term在整个collection中出现的词次(term frequency in whole collection)；
(3) 统计term在某个文档中出现的频度(term frequency, TF)；
(4) 列出term在某文档中出现的位置(position)；
(5) 整个collection中文档的个数；

Lucene要加上新的功能，要获取关键词出现的频率，以前都是对Hits进行操作，但是hits只能获取相关的Document id 以及内容。
上网搜了一下，通过IndexReader直接操作索引文件。
public class Search {
    public static void main(String[] args) throws CorruptIndexException, IOException{
        IndexSearcher is = new IndexSearcher("c:\\test");
        IndexReader ir = IndexReader.open("c:\\test");
        Term term = new Term("content","我");
        Query query = new TermQuery(term);
        Hits hits = is.search(query);
        printFreq(ir,hits);
        
    }
    private static void printFreq(IndexReader reader,Hits hits) throws CorruptIndexException, IOException{
        reader.numDocs();
        Term term = new Term("content","我");
        TermPositions termPositions = reader.termPositions(term);
        for(int i=0;i<hits.length()&&termPositions.next();i++){
            Document doc = hits.doc(i);
            System.out.println("'我'在"+"<<"+doc.get("title")+">>"+"里出现的"+"次数是:"+termPositions.freq());
            for(int j=0;j<termPositions.freq();j++)
                System.out.println("出现位置:"+termPositions.nextPosition());
        }
    }
}

输出结果：
'我'在<<2.txt>>里出现的次数是:1
出现位置:1
'我'在<<3.txt>>里出现的次数是:3
出现位置:0
出现位置:5
出现位置:6
posted on 2007-10-15 17:54 刘强 阅读(647) 评论(0)  编辑  收藏 所属分类: Lucene

只有注册用户登录后才能发表评论。
网站导航: