|
|
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 != null && words.length() != 0) {
- String docs = (String) hashtable.get(words);
- if (docs == null) {
- hashtable.put(words, docid);
- }
- else {
- if(docs.indexOf(docid)==-1){
- hashtable.put(words, 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 = "" + 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);
-
- }
-
- }
- private boolean isWord(char c) {
- for (int i = 0; i < punctuations.length; i++) {
- if (c == punctuations) {
- 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
|
|