中国IT动力,最新最全的IT技术教程
最新100篇 | 推荐100篇 | 专题100篇 | 排行榜 | 搜索 | 在线API文档
首 页 | 程序开发 | 操作系统 | 软件应用 | 图形图象 | 网络应用 | 精文荟萃 | 教育认证 | 硬件维护 | 未整理篇 | 站长教程
ASP JS PHP工程 ASP.NET 网站建设 UML J2EESUN .NET VC VB VFP 网络维护 数据库 DB2 SQL2000 Oracle Mysql
服务器 Win2000 Office C DreamWeaver FireWorks Flash PhotoShop 上网宝典 CorelDraw 协议大全 网络安全 微软认证
硬件维护  CPU  主板  硬盘  内存  显卡  显示器  键盘鼠标  声卡音箱  打印机  机箱电源  BIOS  网卡  C#  Java  Delphi  vs.net2005
  当前位置:> 程序开发 > 编程语言 > Java > J2SE
jdbm开源文件数据库在全文检索中的使用
作者:未知 时间:2005-07-24 21:13 出处:JR 责编:chinaitpower
              摘要:jdbm开源文件数据库在全文检索中的使用
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:
  1. import jdbm.*;
  2. 。。。
  3. JDBMRecordManager newsindex = new JDBMRecordManager(filename);
  4. JDBMHashtable hashtable = newsindex.getHashtable("words");
  5. 。。。
  6. //建立索引方法,wordBreaker将文章敲碎成一个个词
  7. public void index(String docid, String body) {
  8. try {
  9. wordBreaker.setText(body);
  10. String[] words = wordBreaker.breakAll();
  11. for (int i = 0; i < words.length; i++) {
  12. if (words != null && words.length() != 0) {
  13. String docs = (String) hashtable.get(words);
  14. if (docs == null) {
  15. hashtable.put(words, docid);
  16. }
  17. else {
  18. if(docs.indexOf(docid)==-1){
  19. hashtable.put(words, docid + "," + docs);
  20. }
  21. }
  22. }
  23. }
  24. }
  25. catch (Exception ex) {
  26. ex.printStackTrace();
  27. }
  28. }
  29. //输出所有数据看看,测试使用的方法
  30. public void show(){
  31. try {
  32. JDBMEnumeration enum = hashtable.keys();
  33. while (enum.hasMoreElements()) {
  34. String aKey= (String)enum.nextElement();
  35. String value= (String)hashtable.get(aKey);
  36. System.out.println(aKey+ ":" + value);
  37. }
  38. }
  39. catch (Exception ex) {
  40. }
  41. }
  42. //记得关闭jdbm文件
  43. public void close(){
  44. try {
  45. hashtable.dispose();
  46. newsindex.close();
  47. }
  48. catch (Exception ex) {
  49. }
  50. }
  51. 另外附上二元分词程序WordBreaker:
  52. import java.text.*;
  53. import java.util.*; 
  54. public class WordBreaker {
  55. char[] punctuations = new char[] {
  56. '。', ',', ';', ':', '“', '”', '(', ')', '!', '?', '◎', '#', '¥', '%', '…',
  57. '※', '×', '【', '】', '『', '』', '《', '》', '、'};
  58. public WordBreaker() {
  59. }
  60. public void setText(String text){
  61. this.sourceText = text;
  62. }
  63. private String sourceText = "";
  64. public String[] breakAll() {
  65. StringBuffer enWord = new StringBuffer();
  66. StringBuffer cnWord = new StringBuffer();
  67. boolean lastInsertCn = false;
  68. for (int i = 0; i < sourceText.length(); i++) {
  69. char c = sourceText.charAt(i);
  70. if (c > 255 && isWord(c)) {
  71. cnWord.append(c);
  72. lastInsertCn = true;
  73. }
  74. else if (c < 255) {
  75. if (lastInsertCn) {
  76. enWord.append(' ');
  77. enWord.append(c);
  78. lastInsertCn = false;
  79. }
  80. else {
  81. enWord.append(c);
  82. }
  83. }
  84. }
  85. String str = cnWord.toString();
  86. String[] result = new String[str.length() - 1];
  87. for (int i = 0; i < str.length() - 1; i++) {
  88. char c1 = str.charAt(i);
  89. char c2 = str.charAt(i + 1);
  90. result = "" + c1 + c2;
  91. }
  92. String[] allEnWords = enWord.toString().split("\\p{Punct}|\\s+");
  93. String[] ret = new String[allEnWords.length + result.length];
  94. System.arraycopy(result,0,ret,0,result.length);
  95. System.arraycopy(allEnWords,0,ret,result.length,allEnWords.length);
  96. return ret;
  97. public static void main(String[] args) {
  98. WordBreaker wb = new WordBreaker();
  99. 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,"
  100.   + "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。"
  101.   + "从这个意义上,面对市场的诘责,证监会有替人受过之嫌。");
  102. wb.printArray(wb.breakAll());
  103. private void printArray(Object[] os) {
  104. for (int i = 0; i < os.length; i++) {
  105. System.out.println(os); 
  106. }
  107. private boolean isWord(char c) {
  108. for (int i = 0; i < punctuations.length; i++) {
  109. if (c == punctuations) {
  110. return false;
  111. }
  112. }
  113. return true;
  114. }
  115. }

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
关闭本页
 
首页 | 投资与合作 | 服务条款 | 隐私政策 | 收藏本站 | 设为首页 | 新用户注册 | 免责声明 | 使用帮助
Copyright ©2005-2008 chinaitpower.com All rights reserved. www.chinaitpower.com 版权所有