使用Lucene进行全文检索(二)---得到有效的内容(转载)
转载：http://www.jscud.com/srun/news/viewhtml/3_2005_8/77.htm
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:
documentdoc=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. * *@paramresource文件路径或者网址 */ publicstaticsearchhtmlpageparsehtmlpage(stringresource) { stringtitle=""; stringbody=""; 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(parserexceptione) { logman.error("parsehtmlpage"+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. * *@paramcontent要解析的内容 *@return返回解析后的内容 */ publicstaticstringparsehtmlcontent(stringcontent) { parsermyparser; 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(parserexceptione) { logman.warn("parsecontenterror",e); }//中场退出了 if(null==nodelist) { return""; }node[] nodes = nodelist.tonodearray(); string result = combinenodetext(nodes); returnresult; }//合并节点的有效内容 privatestaticstringcombinenodetext(node[]nodes) { stringbuffer result = new stringbuffer();for (int i = 0; i < nodes.length; i++) { node anode = (node) nodes[i];string line = ""; if(anodeinstanceoftextnode) { textnodetextnode=(textnode)anode; //line=textnode.toplaintextstring().trim(); line=textnode.gettext(); } elseif(anodeinstanceoflinktag) { 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:
packagecom.jscud.www.support.search;
/**
*搜索时解析html后返回的页面模型.
*
*@authorscud(飞云小侠)http://www.jscud.com
*
*/
publicclasssearchhtmlpage
{
/**标题*/
privatestringtitle;
/**内容*/
privatestringbody;
publicsearchhtmlpage(stringtitle,stringbody)
{
this.title=title;
this.body=body;
}
publicstringgetbody()
{
returnbody;
}
publicvoidsetbody(stringbody)
{
this.body=body;
}
publicstringgettitle()
{
returntitle;
}
publicvoidsettitle(stringtitle)
{
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.