scud(飞云小侠) http://www.jscud.com 转载请注明来源/作者

关键字:lucene,html parser,全文检索,IndexReader,Document,Field,IndexWriter,Term,HTMLPAGE

  在使用lucene对相关内容进行索引时,会遇到各种格式的内容,例如Html,PDF,Word等等,那么我们如何从这么文档中得到我们需要的内容哪?例如Html的内容,一般我们不需要对Html标签建立索引,因为那不是我们需要搜索的内容.这个时候,我们就需要从Html内容中解析出我们所需要的内容.对于PDF,Word文档,也是类似的要求.
 
  总之,我们只需要从内容中提取出我们需要的文本来建立索引,这样用户就能搜索到需要的内容,然后访问对应的资源即可.

  Lucene本身带的例子中有一个解析Html的代码,不过不是纯JAVA的,所以在网上我又找到了另外一个Html解析器,网址如下:http://htmlparser.sourceforge.net.
 
  对PDF解析的相关项目有很多,例如PDFBox.在PDFBox里面提出pdf的文本内容只需要一句话即可:  
  
   

Document doc = LucenePDFDocument.getDocument( file );

  
  当然如果需要更高级的设置,就要使用PDFBox中PDFTextStripper等类来实现更高级的操作了.
 
 
  对Word文档解析的相关有POI,网址是 http://jakarta.apache.org/poi/.
 
  HtmlParser本身提供的功能很强大,我们下面主要来关注我们需要的功能.首先给出几个函数如下:
 

/**  * 解析一个Html页面,返回一个Html页面类.  *  * @param resource 文件路径或者网址  */     public static SearchHtmlPage parseHtmlPage(String resource)     {         String title = "";         String body = "";         try         {             Parser myParser = new Parser(resource);             //设置编码:根据实际情况修改             myParser.setEncoding("GBK");             HtmlPage visitor = new HtmlPage(myParser);             myParser.visitAllNodesWith(visitor);             title = visitor.getTitle();             body = combineNodeText(visitor.getBody().toNodeArray());         }         catch (ParserException e)         {             LogMan.error("Parse Html Page " + resource + " Error!");         }         SearchHtmlPage result = new SearchHtmlPage(title, body);         return result;     }     /**      * 解析Html内容,得到普通文本和链接的内容.      *      * @param content 要解析的内容      * @return 返回解析后的内容      */     public static String parseHtmlContent(String content)     {         Parser myParser;         NodeList nodeList = null;         myParser = Parser.createParser(content, "GBK");         NodeFilter textFilter = new NodeClassFilter(TextNode.class);         NodeFilter linkFilter = new NodeClassFilter(LinkTag.class);         //暂时不处理 meta         //NodeFilter metaFilter = new NodeClassFilter(MetaTag.class);         OrFilter lastFilter = new OrFilter();         lastFilter.setPredicates(new NodeFilter[] { textFilter, linkFilter });         try         {             nodeList = myParser.parse(lastFilter);         }         catch (ParserException e)         {             LogMan.warn("Parse Content Error", e);         }         //中场退出了         if (null == nodeList)         {             return "";         }         Node[] nodes = nodeList.toNodeArray();         String result = combineNodeText(nodes);         return result;     }  //合并节点的有效内容     private static String combineNodeText(Node[] nodes)     {         StringBuffer result = new StringBuffer();         for (int i = 0; i < nodes.length; i++)         {             Node anode = (Node) nodes[i];             String line = "";             if (anode instanceof TextNode)             {                 TextNode textnode = (TextNode) anode;                 //line = textnode.toPlainTextString().trim();                 line = textnode.getText();             }             else if (anode instanceof LinkTag)             {                 LinkTag linknode = (LinkTag) anode;                 line = linknode.getLink();                 //过滤jsp标签                 line = StringFunc.replace(line, "<%.*%>", "");             }             if (StringFunc.isTrimEmpty(line)) continue;             result.append(" ").append(line);         }         return result.toString();     }

  
  其中SearchHtmlPage类是表示一个Html页面的模型,包含标题和内容,代码如下:
  

package com.jscud.www.support.search;    /**   * 搜索时解析Html后返回的页面模型.   *   * @author scud(飞云小侠) http://www.jscud.com   *    */  public class SearchHtmlPage  {      /**标题*/      private String title;        /**内容*/      private String body;           public SearchHtmlPage(String title, String body)      {          this.title = title;          this.body = body;      }           public String getBody()      {          return body;      }        public void setBody(String body)      {          this.body = body;      }        public String getTitle()      {          return title;      }        public void setTitle(String title)      {          this.title = title;      }  }

 
  当然,使用HtmlParser解析Html资源还有很多其他的方法,可以设置很多的条件来满足用户的解析要求,用户可以阅读其他的文章或者HtmlParser的文档来了解,在此不多介绍.
 
  下一节讲解如何进行搜索.