如何访问记录在 Lucene 索引中的关键字？

Question

我有一个使用 Lucene（Java + Hibernate + Spring + JSF + Lucene）的 EDM（电子文档管理/归档）。 处理的文件有不同的格式：XML、DOCX、JPEG、INDD、PDF 等。 全部在全文索引后归档。

搜索可以通过网页来完成：用户填写关键字，Lucene + Hibernate 会显示所有已编入索引的包含这些关键字的文档。

我想知道Lucene索引的所有关键字，以便用户订阅他们感兴趣的关键字。

实际上，如果用户想知道所有带有“法国”关键字的文件，他必须在网页上进行搜索。 我想要的是用户订阅“France”关键字，当包含此关键字的文档被索引时，用户将收到一条通知，告诉他哪些文档包含他订阅的关键字。

但我只是不知道如何查找 Lucene 索引，也无法检测到给定关键字的 Lucene 计数已更改。

谁能告诉我该怎么做？

谢谢。

Answer 1

您可以构建一个包含索引中所有术语的 Map，映射到它们出现的文档数量。但是请注意

1. 那个lucene的词几乎不能算关键字。
2. 此地图会变得非常大，具体取决于您的索引的大小。

根据您的数据，您可能需要手动或通过某种算法（例如 20 个最常见的术语）选择 n 个最佳术语/关键字。

IndexReader reader = ..... // Open your index

// Create a new HashMap, mapping Terms to doc frequency
Map<String,Integer> allTerms = new HashMap<String,Integer>();

// Iterate over all fields of your documents
Fields fields = MultiFields.getFields(reader);
for (String field : fields) {
    Terms terms = fields.terms(field);
    TermsEnum termsEnum = terms.iterator();

    // Iterate over all terms for the current field
    for(BytesRef br = termsEnum.next(); br != null; br = termsEnum.next()) {
        // Put the term and the number of occurrences into the map.
        allTerms.put(br.utf8ToString(), termsEnum.docFreq());
    }
}