使用lucene 3.0.0 索引和检索中文文件

核心提示：一. 我本来的程序其实我本来的程序挺简单, 完全修改自Demo里面的SearchFiles和IndexFiles. 唯一不同的是引用了SmartCN的分词器.我把修改那一点的代码贴出来.IndexhChinese.java:Date start = new Date();try {IndexWriter writer

一. 我本来的程序

　　其实我本来的程序挺简单, 完全修改自Demo里面的SearchFiles和IndexFiles. 唯一不同的是引用了SmartCN的分词器.

　　我把修改那一点的代码贴出来.

　　IndexhChinese.java:

Date start = new Date();try {　IndexWriter writer = new IndexWriter(FSDirectory.open(INDEX_DIR),　　　　　 new SmartChineseAnalyzer(Version.LUCENE_CURRENT), true, IndexWriter.MaxFieldLength.LIMITED);　indexDocs(writer, docDir);　System.out.PRintln("Indexing to directory '" +INDEX_DIR+ "'...");　System.out.println("Optimizing...");　//writer.optimize();　writer.close();　 Date end = new Date();　System.out.println(end.getTime() - start.getTime() + " total milliseconds"); }
　　SearchChinese.java

Analyzer analyzer = new SmartChineseAnalyzer(Version.LUCENE_CURRENT); BufferedReader in = null;if (queries != null) {　in = new BufferedReader(new FileReader(queries));} else {　in = new BufferedReader(new InputStreamReader(System.in, "GBK"));}
　　 在这里, 我制定了输入的查询是采用GBK编码的.

　　 然后我充满信心的运行后......发现无法检索出中文, 里面的英文检索是正常的.



二. 发现问题.

　　 于是我就郁闷了, 由于对于java与lucene都是太熟悉, 而且用的3.0.0版外面的讨论又不是太多, 就瞎折腾了一会儿, 发现我如果把文件的格式另存为ansi就可以检索中文了(以前是utf-8的), 看来是文件编码的问题, 摸索了一下, 在indexChinese.java中发现了如下的代码:

static void indexDocs(IndexWriter writer, File file)　throws IOException {　// do not try to index files that cannot be read　if (file.canRead()) {　　if (file.isDirectory()) {　　　String[] files = file.list();　　　// an IO error could occur　　　if (files != null) {　　　　for (int i = 0; i < files.length; i++) {　　　　　indexDocs(writer, new File(file, files[i]));　　　　}　　　}　　} else {　　　System.out.println("adding " + file);　　　try {　　　　writer.addDocument(FileDocument.Document(file));　　　}　　　// at least on windows, some temporary files raise this exception with an "access denied" message　　　// checking if the file can be read doesn't help　　　catch (FileNotFoundException fnfe) {　　　　;　　　}　　}　}
　　 重点在于这一句:

try {　writer.addDocument(FileDocument.Document(file));}
　　读取文件的代码应该就在这里面, 跟踪进去:

public static Document Document(File f)　　 throws java.io.FileNotFoundException, UnsupportedEncodingException {　Document doc = new Document();　 doc.add(new Field("path", f.getPath(), Field.Store.YES, Field.Index.NOT_ANALYZED));　 doc.add(new Field("modified",　　　DateTools.timeToString(f.lastModified(), DateTools.Resolution.MINUTE),　　　Field.Store.YES, Field.Index.NOT_ANALYZED));　　doc.add(new Field("contents", FileReader(f)));　 // return the document　return doc;} private FileDocument() {}}

　　 这是Lucene的一个内部类, 作用就是从一个文本文件中获取内容, 生成的Document默认有3个域: path, modified, content, 而content就是文件的文本内容了. 看来是FileReader(f), 这个函数出了问题了, 根本没有制定采用什么编码进行读取啊, 于是把这儿简单的修改了一下.

FileInputStream fis=new FileInputStream(f);//　 按照 UTF-8 编码方式将字节流转化为字符流InputStreamReader isr=new InputStreamReader(fis,"UNICODE");//　 从字符流中获取文本并进行缓冲BufferedReader br=new BufferedReader(isr); doc.add(new Field("contents", br));
　　 至于那个"Unicode"可以修改为支持的所有编码, 当我修改为"utf-8"后就可以正常使用了.


三. 一些猜测:

　　 对于Lucene索引文件的时候, 编码是没有关系的, 只要正确指定了, 那么输出的文件都是可以被正常检索到的, 也就是说, 不同的编码文件索引后的结果一样(求证)