我正在尝试创建一个搜索引擎，只是为了学习和获得更多 Java 经验。
我的目的是在服务器上存储大约 100 个文件，混合 html、xml、doc、txt，并且每个文件都有元数据。
所以当我搜索关键字时，它应该显示一个带有元描述的文件，如谷歌。
我的问题是，除了html，你能把元数据添加到任何其他文件格式，以便显示元描述。
您能否将我指向一个 Java 搜索引擎，它可以在文件格式（txt、html）中搜索并显示结果。
我正在为此编写自己的代码，但想看看其他人的代码以获得帮助？
【问题讨论】：
标签： java search-engine
Lucene 是规范的 Java 搜索引擎。
要从各种来源添加文档，请查看Apache Tika，以及带有服务/Web 界面的完整系统，solr。
Lucene 允许将任意元数据与其文档相关联。 Tika 会自动从各种格式中剔除元数据。
【讨论】：
1）我的问题是除了html之外，你可以将元数据添加到任何其他文件格式，以便显示元描述。
一般来说，您会使用数据库并将元数据与文档一起存储在那里。 然后，您将使用数据库查询（可能使用 SQL like 或 ilike）进行关键字搜索。
文件可能存储在硬盘驱动器上，仅包含 DB 中的路径，也可能以 CLOB 或 BLOB 的形式放入数据库，具体取决于您是文本文档还是二进制文档。
2) 您能否指出一个 Java 搜索引擎，它可以在文件格式（txt、html）中搜索并显示结果。
【讨论】：
Apache Nutch is an open source web-search software project.
Nutch 构建在 lucene/solr 之上用于索引，tika 用于解析文档，并添加了自己的网络爬虫。
【讨论】：
真正好的是Lucene。有很多插件（例如，您可以从 .doc 中读取），支持多种语言和很多算法（例如 Levenshtein 距离）
【讨论】：
您必须使用多个库。首先，正如前面提到的许多人，您可以使用Lucene 进行实际搜索。但是，Lucene 只处理纯文本，因此您需要从您索引的文件中提取它。 为此，您可以使用Apache Tika。
要开始使用，您可能应该购买本书Lucene in Action 2nd edition。那里的大多数示例仍然是最新的。如果你想成为一个小气鬼，你也可以看看那个页面上提供的源代码。
【讨论】：
Apache Tika 提取元数据。
Apache Tika Apache Tika 工具包是一个 ASFv2 许可的开源 从数字文档中提取信息的工具。蒂卡允许 搜索引擎、内容管理系统和其他应用程序 处理各种数字文档，轻松检测和 从所有主要文件格式中提取元数据和内容。
【讨论】：