高亮功能一直都是全文检索的一项非常优秀的模块,在一个标准的搜索引擎中,高亮的返回命中结果,几乎是必不可少的一项需求,因为通过高亮,我们可以在我们的搜索界面上快速标记出用户的检索关键词,从而减少了用户自己寻找想要的结果,在一定程度上大大提高了用户的体验性和友好度。
那么,今天就来看下我们在Lucene中,怎么实现高亮,以及高亮的几种实现方式。
首先还是喜欢老生常谈的来补充下高亮需要的熟悉的基本知识,当然如果你只是需要实现效果,而不关注它的底层API,那么可以忽略此部分,不过还是要友好的提示一下,如果使用过程中出了点小问题,不会API,可是不容易解决的,除非你愿意各种google。
要使用高亮,首先就得从索引时开始,因为需要高亮的字段,需要准确的获取位置信息,以及一些偏移量,如果信息不准确,那么可能在结果中,就会出现一些莫名其妙的错位,反映到网页上就是标注了不该标注的字,没有标注该标的内容,所以这一点还是需要注意一下,在索引的时候,我们需要使用项向量记录各个token的位置信息,这很简单,代码如下:
1
2
3
4
5
6
|
FieldType type= new FieldType(TextField.TYPE_STORED);
type.setStoreTermVectorOffsets( true ); //记录相对增量
type.setStoreTermVectorPositions( true ); //记录位置信息
type.setStoreTermVectors( true ); //存储向量信息
type.freeze(); //阻止改动信息
Field field= new Field( "字段名" , "值" , type); //示例
|
简单说下,TextField的2个枚举变量的意思
变量名 | 释义 |
TYPE_NOT_STORED | 索引,分词,不存储 |
TYPE_STORED | 索引,分词,存储 |
由此看来,需要进行高亮的内容,是一定要存储的,可能有一些比较大的文本,会比较占索引空间,从而影响检索性能,当然我们也可以使用外部存储,关系型数据库,nosql什么的都可以,此时,高亮可能就需要做另一些处理了,散仙在下文会介绍。
下面我们来看下,高亮的需要用到的一些基本的类
类 | 释义 |
SimpleHTMLFormatter | 常用的格式化Html标签器,提供一个构造函数传入高亮颜色标签,默认使用黑色 |
TokenSources | 提供静态方法,支持从数据源中获取TokenStream,进行token处理 |
Highlighter | 负责获取匹配上的高亮片段 |
QueryScorer | 对命中结果进行评分操作 |
Fragmenter | 将原始字符串拆分成独立的片段 |
NullFragmenter | 对较短的域进行整体高亮 |
FastVectorHighlighter | 基于快速高亮 |
Encoder | 提供一些实现类,对html文本操作,如,去掉一些特殊匹配符号<,> and so on,及一些其他的非ASCII特殊字符。 |
下面我们先来看下散仙的几条测试数据内容:
1
2
3
4
5
|
id: 1 name: 中国是一个伟大的国家,我们中国人都是好样的哈哈,中国永远是强大的 content: 你好人民
id: 2 name: 我们有一个家它的名字是中国 content: 中国的大地,富饶
id: 3 name: 我们的中国,我们的大地都是人民的希望的 content: 如果不在片段中生成一些字段的话
id: 4 name: 2014 年此时此刻你在做什么的啊 content: 哈哈锄禾日当午
id: 5 name: 当你孤单时你会想起谁,你想不想找个人来陪 content: 我永远不孤单啊
|
1,测试普通高亮的核心代码:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
String filed= "name" ;
QueryParser query= new QueryParser(Version.LUCENE_44, filed, new IKAnalyzer( false ));
Query q=query.parse( "伟大的中国" ); //测试字段
TopDocs top=searcher.search(q, 100 );
QueryScorer score= new QueryScorer(q, filed); //传入评分
SimpleHTMLFormatter fors= new SimpleHTMLFormatter( "<span style=\"color:red;\">" , "</span>" ); //定制高亮标签
Highlighter highlighter= new Highlighter(fors,score); //高亮分析器
// highlighter.setMaxDocCharsToAnalyze(1);//设置高亮处理的字符个数
for (ScoreDoc sd:top.scoreDocs){
Document doc=searcher.doc(sd.doc);
String name=doc.get(filed);
TokenStream token=TokenSources.getAnyTokenStream(searcher.getIndexReader(), sd.doc, filed, new IKAnalyzer( true )); //获取tokenstream
Fragmenter fragment= new SimpleSpanFragmenter(score);
highlighter.setTextFragmenter(fragment);
String str=highlighter.getBestFragment(token, name); //获取高亮的片段,可以对其数量进行限制
System.out.println( "高亮的片段 =====>" +str);
}
|
输出结果如下
1
2
3
|
高亮的片段 =====>中国是一个<span style= "color:red;" >伟大</span><span style= "color:red;" >的</span>国家,我们中国人都是好样<span style= "color:red;" >的</span>哈哈,<span style= "color:red;" >中国</span>永远是强大<span style= "color:red;" >的</span>
高亮的片段 =====>我们<span style= "color:red;" >的</span><span style= "color:red;" >中国</span>,我们<span style= "color:red;" >的</span>大地都是人民<span style= "color:red;" >的</span>希望<span style= "color:red;" >的</span>
高亮的片段 =====>我们有一个家它<span style= "color:red;" >的</span>名字是<span style= "color:red;" >中国</span>
|
2,快速高亮,FastVectorHighlighter,这个类可能会消耗更多的存储空间,来换取更好的性能,当然除了性能上提升外,它还有一个非常炫的功能,支持多种颜色标记,高亮关键字,除此之外还支持Ngram的域,以及智能合并相邻高亮短语.
我们来看下散仙快速高亮的3条测试数据:
1
2
3
|
id: 2 name: 中国(China),位于东亚,是一个以华夏文明为主体、中华文化为基础,以汉族为主要种族的统一多民族国家,通用汉语。中国疆域内的各个民族统称为中华民族,龙是中华民族的象征。 content: 中国是世界四大文明古国之一,有着悠久的历史,距今约 5000 年前,以中原地区为中心开始出现聚落组织进而成国家和朝代,后历经多次演变和朝代更迭,持续时间较长的朝代有夏、商、周、汉、晋、唐、宋、元、明、清等
id: 1 name: 中国的自古以来就是一个非常伟大的民族 content: 中国是一个世界人口大国,拥有 13 亿多的人口.
id: 3 name: 没有根的野草,飘忽的命运 content: 谁像你当我宝,什么也做到,旧爱数足一块布,在这一刻写句号,只想跟你终老.
|
核心代码如下:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
|
Query q=query.parse( "伟大的中华民族" );
TopDocs top=searcher.search(q, 100 );
//QueryScorer score=new QueryScorer(q, filed);
//SimpleHTMLFormatter fors=new SimpleHTMLFormatter("<span style=\"color:red;\">", "</span>");//定制高亮标签
//Highlighter highlighter=new Highlighter(fors,score);//高亮分析器
//FastVectorHighlighter fastHighlighter=new FastVectorHighlighter();
FragListBuilder fragListBuilder= new SimpleFragListBuilder();
//注意下面的构造函数里,使用的是颜色数组,用来支持多种颜色高亮
FragmentsBuilder fragmentsBuilder= new ScoreOrderFragmentsBuilder(BaseFragmentsBuilder.COLORED_PRE_TAGS,BaseFragmentsBuilder.COLORED_POST_TAGS);
FastVectorHighlighter fastHighlighter2= new FastVectorHighlighter( true , true , fragListBuilder, fragmentsBuilder);
FieldQuery querys=fastHighlighter2.getFieldQuery(q); //reader是传入的流
// highlighter.setMaxDocCharsToAnalyze(1);//设置高亮处理的字符个数
for (ScoreDoc sd:top.scoreDocs){
String snippt=fastHighlighter2.getBestFragment(querys, reader, sd.doc,filed, 300 );
if (snippt!= null ){
System.out.println( "高亮的片段是:" +snippt);
}
}
|
结果如下,注意有多种颜色标识:
1
2
3
|
高亮的片段是:中国<b style= "background:lawngreen" >的</b>自古以来就是一个非常<b style= "background:yellow" >伟大</b><b style= "background:lawngreen" >的</b>民族
高亮的片段是:中国(China),位于东亚,是一个以华夏文明为主体、中华文化为基础,以汉族为主要种族<b style= "background:lawngreen" >的</b>统一多民族国家,通用汉语。中国疆域内<b style= "background:lawngreen" >的</b>各个民族统称为<b style= "background:aquamarine" >中华民族</b>,龙是<b style= "background:aquamarine" >中华民族</b><b style= "background:lawngreen" >的</b>象征。
高亮的片段是:没有根<b style= "background:lawngreen" >的</b>野草,飘忽<b style= "background:lawngreen" >的</b>命运
|
3.下面来着重说一下,高亮的第三种方式,前台高亮,散仙在上文曾提过,基于高亮的字段,必须的存储,否则无法实现高亮标注,当然这种说法,只是对于后台高亮而言的,那么对于大文本情况下,存储到索引里是非常浪费空间的,而且还有可能会影响到检索速度,所以就提出了,第三种方式。
在前台进行高亮,然后大文本字段,可以存储在外部其他的数据源里面,需要标记时,可以直接根据ID,或者某个字段,读取数据然后通过JS正则在前端替换检索的关键词即可,在这之前需要做的一步就是,使用ajax把检索的关键词,传入后台进行分词,然后将结果返回前台,进行对分词后的数据,进行匹配替换,再加上颜色标记,就可以在前台实现高亮了,这也是前台高亮的实现原理,这种做法,在某些业务场景下,可以大大减少服务器压力,通过客户端减压,以及不用再存储一些向量信息,从而对系统的性能的提高,也是有很大帮助的。
下面给出一个前台高亮的截图,注意用的是快速高亮的索引。
附上前台高亮的核心代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
|
$.ajax({
type : "post" ,
url: "getContent" ,
data: "str=" +str,
dataType: "json" ,
async: false ,
success: function (msg){
// alert(msg);
$( "#div" ).empty();
$.each(msg, function (i, n) {
var temp= "" ;
for ( var i=0;i<shu.length;i++){
if (shu[i]!= "" ){
n.name=n.name.replace( new RegExp(shu[i], 'g' ), "<span style=\"color:red;\">" +shu[i]+ "</span>" );
}
}
$( "#div" ).append( "[*]" +n.name+ "
" );
$( "#div" ).append( "[*]===============================
" )
});
}
});
|
至此,有关Lucene的高亮部分的内容,散仙就总结到这里了,如果有什么不足之处,欢迎各位道友指出。大部分场景下,使用普通高亮就可以完成了,当然无论使用那种方式,只要能满足我们的业务就好了,很简单的道理,会抓住老鼠的猫,就是好猫。
感谢耐下心读到此处的朋友^_^, Lucene交流群:324714439
http://my.oschina.net/MrMichael/blog/220952
相关推荐
lucene4.7官方完整包
Lucene4.7+IK Analyzer中文分词入门教程
lucene4.7开发实例,包括索引创建、修改、删除、排序、分页、优化、高亮显示、常见几种分词器等。实例加全jar包
Struts2.3+spring4+hibernate4+Lucene4.7+IKAnalyzer,中文分词,高亮显示,附带MySQL8000条测试数据。仅供学习参考
谷嫂Lucene4.7-Web例子[SpringMVC+MyBatis3],仅供学习参考使用
lucene4.7相关jar包 以及IKAnalyzer分词jar包
Lucene 4.7 测试案例,最新版本测试,使用详解
lucene4.7所需jar包 IKAnalyzer2012FF 最好的中文分词器
apache Lucene4.7 最全最新的jar包,很实用,很方便,可以下载后直接导入项目工程中即可。
Lucene 4.7 常用jar集合,官方原始集合太多,传不上来,现精选了一些常用的核心包
Lucene索引工具全套jar包,版本4.7.0
NULL 博文链接:https://huyana-town.iteye.com/blog/2197476
lucene 4.7版本 可以下载下来使用,而不用自己编写了。自然语言处理,搜索引擎
lucene3.5高亮
ReadMe里面有与运行介绍。 TextFileIndexer.java 用来建立索引,支持选择不同的分析器analyzer。 Demo.java用来运行搜索引擎。 由于版权问题,拿来建立索引的Json文件这里就不提供了,可以自行编写几条来建立索引。
java全文索引,高亮显示,lucene-4.7.0工具类
lucene 4.7.2支持java 6 ,之后的版本需要java 7以上,创建、删除、修改索引,搜索支持通用对象(可以根据对象类型搜索),可以范围搜索、排序、高亮,希望有所帮助
lucene高亮显示
lucene-4.7.0.zip,包含lucene4.7.0开发的所有jar包。
基于SpringBoot编写的一个Lucene测试Demo把匹配到的结果高亮摘要显示在前端jsp上