【Lucene3.6.2入门系列】第10节_Tika

首先贴出来的是演示了借助Tika创建索引的HelloTikaIndex.java

PS：关于Tika的介绍及用法，详见下方的HelloTika.java

package com.jadyer.lucene;

import java.io.File;
import java.io.IOException;

import org.apache.lucene.document.Document;
import org.apache.lucene.document.Field;
import org.apache.lucene.index.IndexReader;
import org.apache.lucene.index.IndexWriter;
import org.apache.lucene.index.IndexWriterConfig;
import org.apache.lucene.index.Term;
import org.apache.lucene.search.IndexSearcher;
import org.apache.lucene.search.Query;
import org.apache.lucene.search.ScoreDoc;
import org.apache.lucene.search.TermQuery;
import org.apache.lucene.search.TopDocs;
import org.apache.lucene.store.Directory;
import org.apache.lucene.store.FSDirectory;
import org.apache.lucene.util.Version;
import org.apache.tika.Tika;

import com.chenlb.mmseg4j.analysis.ComplexAnalyzer;

/**
 * 【Lucene3.6.2入门系列】第10节_Tika
 * @create Aug 19, 2013 11:02:21 PM
 * @author 玄玉<http://blog.csdn.net/jadyer>
 */
public class HelloTikaIndex {
	private Directory directory;
	private IndexReader reader;

	public HelloTikaIndex(){
		try {
			directory = FSDirectory.open(new File("myExample/myIndex/"));
		} catch (IOException e) {
			e.printStackTrace();
		}
	}

	/**
	 * 创建索引
	 */
	public void createIndex(){
		Document doc = null;
		IndexWriter writer = null;
		File myFile = new File("myExample/myFile/");
		try{
			//这里的分词器使用的是MMSeg4j(记得引入mmseg4j-all-1.8.5-with-dic.jar)
			//详见http://blog.csdn.net/jadyer/article/details/10049525中对MMSeg4j的介绍
			writer = new IndexWriter(directory, new IndexWriterConfig(Version.LUCENE_36, new ComplexAnalyzer()));
			writer.deleteAll();
			for(File file : myFile.listFiles()){
				doc = new Document();
//				//当保存文件的Metadata时,要过滤掉文件夹,否则会报告文件夹无法访问的异常
//				if(file.isDirectory()){
//					continue;
//				}
//				Metadata metadata = new Metadata();
//				doc.add(new Field("filecontent", new Tika().parse(new FileInputStream(file), metadata)));
				doc.add(new Field("filecontent", new Tika().parse(file)));
				doc.add(new Field("filename", file.getName(), Field.Store.YES, Field.Index.NOT_ANALYZED));
				writer.addDocument(doc);
			}
		}catch(Exception e) {
			e.printStackTrace();
		}finally{
			if(null != writer){
				try {
					writer.close();
				} catch (IOException ce) {
					ce.printStackTrace();
				}
			}
		}
	}

	/**
	 * 获取IndexSearcher实例
	 */
	private IndexSearcher getIndexSearcher(){
		try {
			if(reader == null){
				reader = IndexReader.open(directory);
			}else{
				//if the index was changed since the provided reader was opened, open and return a new reader; else,return null
				//如果当前reader在打开期间index发生改变,则打开并返回一个新的IndexReader,否则返回null
				IndexReader ir = IndexReader.openIfChanged(reader);
				if(ir != null){
					reader.close(); //关闭原reader
					reader = ir;    //赋予新reader
				}
			}
			return new IndexSearcher(reader);
		}catch(Exception e) {
			e.printStackTrace();
		}
		return null; //发生异常则返回null
	}

	/**
	 * 执行搜索操作
	 * @param fieldName 域名(相当于表的字段名)
	 * @param keyWords  搜索的关键字
	 */
	public void searchFile(String fieldName, String keyWords){
		IndexSearcher searcher = this.getIndexSearcher();
		Query query = new TermQuery(new Term(fieldName, keyWords));
		try {
			TopDocs tds = searcher.search(query, 50);
			for(ScoreDoc sd : tds.scoreDocs){
				Document doc = searcher.doc(sd.doc);
				System.out.print("文档编号=" + sd.doc + "  文档权值=" + doc.getBoost() + "  文档评分=" + sd.score + "    ");
				System.out.println("filename=" + doc.get("filename"));
			}
		} catch (IOException e) {
			e.printStackTrace();
		} finally {
			if(null != searcher){
				try {
					searcher.close(); //记得关闭IndexSearcher
				} catch (IOException e) {
					e.printStackTrace();
				}
			}
		}
	}

	/**
	 * 测试一下效果
	 * @see 测试前记得在myExample/myFile/目录下预先准备几个doc,pdf,html,txt等文件
	 */
	public static void main(String[] args) {
		HelloTikaIndex hello = new HelloTikaIndex();
		hello.createIndex();
		hello.searchFile("filecontent", "java");
	}
}

下面是描述Tika的介绍和用法的HelloTika.java

package com.jadyer.lucene;

import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;
import java.io.InputStream;

import org.apache.tika.Tika;
import org.apache.tika.metadata.Metadata;
import org.apache.tika.parser.AutoDetectParser;
import org.apache.tika.parser.ParseContext;
import org.apache.tika.parser.Parser;
import org.apache.tika.sax.BodyContentHandler;
import org.xml.sax.ContentHandler;

/**
 * Tika
 * @see 官网:http://tika.apache.org/
 * @see 用途:打开各种不同的文档,包括PDF、Office、html、txt等等
 * @see     以往解析PDF时通常使用PDFBox(http://pdfbox.apache.org/),解析Office时使用POI(http://poi.apache.org/)
 * @see     而Tika则是对它们的封装,使用Tika的API可以直接将PDF,Office等文件解析为文本字符串
 * @see 用法:1)双击tika-app-1.4.jar竟然打不开,通过命令行[java -jar tika-app-1.4.jar]则可以打开
 * @see     2)在项目中使用时,直接将tika-app-1.4.jar引入即可
 * @create Aug 7, 2013 8:57:49 AM
 * @author 玄玉<http://blog.csdn.net/jadyer>
 */
public class HelloTika {
	public static String parseToStringByTikaParser(File file){
		//创建解析器,使用AutoDetectParser可以自动检测一个最合适的解析器
		Parser parser = new AutoDetectParser();
		//指定解析文件中的文档内容
		ContentHandler handler = new BodyContentHandler();
		//指定元数据存放位置,并自己添加一些元数据
		Metadata metadata = new Metadata();
		metadata.set("MyAddPropertyName", "我叫玄玉");
		metadata.set(Metadata.RESOURCE_NAME_KEY, file.getAbsolutePath());
		//指定最基本的变量信息(即存放一个所使用的解析器对象)
		ParseContext context = new ParseContext();
		context.set(Parser.class, parser);
		InputStream is = null;
		try {
			is = new FileInputStream(file);
			//InputStream-----指定文件输入流
			//ContentHandler--指定要解析文件的哪一个内容,它有一个实现类叫做BodyContentHandler,即专门用来解析文档内容的
			//Metadata--------指定解析文件时,存放解析出来的元数据的Metadata对象
			//ParseContext----该对象用于存放一些变量信息,该对象最少也要存放所使用的解析器对象,这也是其存放的最基本的变量信息
			parser.parse(is, handler, metadata, context);
			//打印元数据
			for(String name : metadata.names()){
				System.out.println(name + "=" + metadata.get(name));
			}
			//返回解析到的文档内容
			return handler.toString();
		} catch (Exception e) {
			e.printStackTrace();
		} finally {
			if(is != null){
				try {
					is.close();
				} catch (IOException e) {
					e.printStackTrace();
				}
			}
		}
		return null;
	}

	public static String parseToStringByTika(File file){
		//据Tika文档上说,org.apache.tika.Tika的效率没有org.apache.tika.parser.Parser的高
		Tika tika = new Tika();
		//可以指定是否获取元数据,也可自己添加元数据
		Metadata metadata = new Metadata();
		metadata.set("MyAddPropertyName", "我叫玄玉");
		metadata.set(Metadata.RESOURCE_NAME_KEY, file.getAbsolutePath());
		try {
			String fileContent = tika.parseToString(file);
			//String fileContent = tika.parseToString(new FileInputStream(file), metadata);
			//打印元数据
			for(String name : metadata.names()){
				System.out.println(name + "=" + metadata.get(name));
			}
			return fileContent;
		} catch (Exception e) {
			e.printStackTrace();
		}
		return null;
	}

	/**
	 * 小测试一下
	 */
	public static void main(String[] args) {
		System.out.println(parseToStringByTikaParser(new File("myExample/myFile/Java安全.doc")));
		System.out.println(parseToStringByTika(new File("myExample/myFile/Oracle_SQL语句优化.pdf")));
		System.out.println(parseToStringByTika(new File("myExample/myFile/")));
	}
}