最近奉命做一个全文检索程序，用关键字建立文件索引，类似如下结构：
词1 文章号1,文章号2,文章号3,文章号4...
词2 文章号3,文章号4,文章号5,文章号6...
词3 文章号1,文章号2,文章号8,文章号7...
....
有朋友骂我说为何不用lucene，我当然是提出了用，不过被否决了。只好挽起裤脚亲自下田了。
这种存放方式，按照关键字可以快速找到词所在的所有文章，至于多关键字查询就要将结果作一个交集了。我原本打算用gdbm文件数据库存放索引(关系数据库对这种结构不太好用)，找来找去发现java好像无法支持gdbm，我可不希望用jni去访问gdbm，不过好在我在sourceforge找到了jdbm可以代替使用。
如果你的程序需要保存些简单的数据，又不想使用数据库，可以选择jdbm。另外附上二元分词法的程序，用来将文章分词，这个分词没有词表维护，实现简单，将就能用吧。
jdbm很简单，指定一个文件名，就可以当作一个hashtable来使用了：
import jdbm.*;
。。。
JDBMRecordManager newsindex = new JDBMRecordManager(filename);
JDBMHashtable hashtable = newsindex.getHashtable("words");
。。。
//建立索引方法，wordBreaker将文章敲碎成一个个词
public void index(String docid, String body) {
try {
wordBreaker.setText(body);
String[] words = wordBreaker.breakAll();
for (int i = 0; i < words.length; i++) {
if (words[i] != null && words[i].length() != 0) {
String docs = (String) hashtable.get(words[i]);
if (docs == null) {
hashtable.put(words[i], docid);
}
else {
if(docs.indexOf(docid)==-1){
hashtable.put(words[i], docid + "," + docs);
}
}
}
}
}
catch (Exception ex) {
ex.printStackTrace();
}
}
//输出所有数据看看，测试使用的方法
public void show(){
try {
JDBMEnumeration enum = hashtable.keys();
while (enum.hasMoreElements()) {
String aKey= (String)enum.nextElement();
String value= (String)hashtable.get(aKey);
System.out.println(aKey+ ":" + value);
}
}
catch (Exception ex) {
}
}
//记得关闭jdbm文件
public void close(){
try {
hashtable.dispose();
newsindex.close();
}
catch (Exception ex) {
}
}
另外附上二元分词程序WordBreaker：
import java.text.*;
import java.util.*;
public class WordBreaker {
char[] punctuations = new char[] {
'。', '，', '；', '：', '“', '”', '（', '）', '！', '？', '◎', '＃', '￥', '％', '…',
'※', '×', '【', '】', '『', '』', '《', '》', '、'};
public WordBreaker() {
}
public void setText(String text){
this.sourceText = text;
}
private String sourceText = "";
public String[] breakAll() {
StringBuffer enWord = new StringBuffer();
StringBuffer cnWord = new StringBuffer();
boolean lastInsertCn = false;
for (int i = 0; i < sourceText.length(); i++) {
char c = sourceText.charAt(i);
if (c > 255 && isWord(c)) {
cnWord.append(c);
lastInsertCn = true;
}
else if (c < 255) {
if (lastInsertCn) {
enWord.append(' ');
enWord.append(c);
lastInsertCn = false;
}
else {
enWord.append(c);
}
}
}
String str = cnWord.toString();
String[] result = new String[str.length() - 1];
for (int i = 0; i < str.length() - 1; i++) {
char c1 = str.charAt(i);
char c2 = str.charAt(i + 1);
result[i] = "" + c1 + c2;
}
String[] allEnWords = enWord.toString().split("\\p{Punct}|\\s+");
String[] ret = new String[allEnWords.length + result.length];
System.arraycopy(result,0,ret,0,result.length);
System.arraycopy(allEnWords,0,ret,result.length,allEnWords.length);
return ret;
}
public static void main(String[] args) {
WordBreaker wb = new WordBreaker();
wb.setText("在目前的80名发审委员的机制下，监管部门人员不足1/3，没有绝对话语权。发审委的工作等于是完全独立于监管部门之上的。从这个意义上，面对市场的诘责，证监会有替人受过之嫌。");
wb.printArray(wb.breakAll());
}
private void printArray(Object[] os) {
for (int i = 0; i < os.length; i++) {
System.out.println(os[i]);
}
}
private boolean isWord(char c) {
for (int i = 0; i < punctuations.length; i++) {
if (c == punctuations[i]) {
return false;
}
}
return true;
}
}
将文中单词按照2元语法(bigram)方式切分出来，比如：
"北京天安门" ==> "北京 京天 天安 安门"。英语按照空格和标点分词。
下载jdbm:jdbm.sf.net 
|
本类阅读TOP10