Индексирование файлов с помощью Lucene

Question

У меня есть набор файлов с различными расширениями .doc .txt .html и т. Д.

Как мне проиндексировать эти файлы для использования с Apache Lucene?

Answer 1

Вы можете использовать библиотеку apache POI , чтобы сначала извлечь из них текст, а затем проиндексировать их, используя код, доступный здесь: Apache Lucene - используйте lucene 3.4.0 для индексирования текстовых файлов

Answer 2

Для индексации полноформатных документов вам понадобится комбинация Apache Lucene и Apache Tika .
Если вы используете lucene, вам нужно будет проанализировать файлы с помощью библиотек Tika и передать содержимое в lucene для индексации.

Apache Tika позволяет легко извлекать apis-файлы, выполняя работу по обнаружению типов файлов и получению содержимого и других атрибутов из файлов.

Вы должны найти пример на них.

Answer 3

Lucene не так легко начать.Возможно, это излишнее чтение книги, но я начал использовать Lucene, прочитав несколько глав из Lucene in Action .

Answer 4

Вы используете что-то вроде Apache Tika для извлечения текста из них.Возможно, вам будет проще начать с Apache Solr, а не с сырой люценой.