Lucene - 随笔分类 - 何婧

Eclipse 6.0.0 + Heritrix 1.12.1 的配置

摘要：从控制台配置Heritrix，使之能运行之后，完成获取信息的基本功能是没问题的。但是Heritrix默认的功能，比较类似于离线浏览器，把所有的信息都抓下来了。尽管Heritrix提供有可定制的处理链，但可能不够灵活，有时需要自己定制Crawler类调试运行。于是开始找在Eclipse中配置的方法。网上搜到的配置方法有些很繁琐，有的不完整，看着头很大。所以对比了下他们的描述，想了想照着做总是出现错误... 阅读全文

posted @ 2009-01-27 01:44 何婧阅读(1804) 评论(0) 推荐(0)

终于让一个Heritrix能爬了……不用Eclipse的简单配置方法

摘要：几天前配置Eclipse +Heritrix，配了一天头晕脑胀，也没能让它跑起来。确切的说，WebUI登陆就不成功。中间几天想起来就倒胃，于是扔那不睬它忙了些其他的事情。春节晚会的全程都在翻论坛查银行卡和宿舍等资料，差点忘了零点之前回复大量的祝福短信，我真是勤奋……今天大年初一没事做，上午爬起来看看论坛和JUNJIN的反转剧，调节了调节心情，下午接着折腾Heritrix&#... 阅读全文

posted @ 2009-01-26 18:30 何婧阅读(4714) 评论(4) 推荐(0)

使用POI来处理Excel文件格式

摘要：使用的POI包是poi-2.5.1-final-20040804.jar，用讯雷搜的。也可以到http://apache.justdn.org/jakarta/poi/下载src。加入到Java Build Path中。把Excel的内容抽取出来，输出到控制台的代码：[代码] 阅读全文

posted @ 2009-01-20 16:27 何婧阅读(1194) 评论(0) 推荐(1)

使用PDFBox处理PDF文档

摘要：前面的介绍文本是转载的，实际上和一本书上的内容大致相同（除了代码）。 1、使用PDFBox处理PDF文档 PDF全称Portable Document Format，是Adobe公司开发的电子文件格式。这种文件格式与操作系统平台无关，可以在Windows、Unix或Mac OS等操作系统上通用。 PDF文件格式将文字、字型、格式、颜色及独立于设备和分辨率的图形图像等封装在一个文件中。如果要抽取其中... 阅读全文

posted @ 2009-01-19 16:06 何婧阅读(33799) 评论(8) 推荐(4)

java通过jacob调用word

摘要：word或Excel程序是以一种COM组件的形式存在的。如果能从Java中调用word的COM组件，就能够使用它的方法获取Word文档中的文本信息，目前网上也有很多提供这种操作的工具。使用jacob前应确保本机安装有Word的应用程序，否则无法建立Java-COM桥，进而无法解析。jacob的下载地址为http://sourceforge.net/project/showfiles.php?gro... 阅读全文

posted @ 2009-01-19 14:38 何婧阅读(2650) 评论(0) 推荐(0)

发一个Lucene 2.4.0对搜索结果高亮显示的代码

摘要：使用高亮显示时，需要单独引入lucene-highlighter-2.4.0.jar。这个jar包在目录lucene-2.4.0\contrib\highlighter中，把它复制到项目的bin文件夹，并在Java Build Path中添加其引用。可以参考下面几个网页：http://www.javaeye.com/wiki/topic/73588http://hi.baidu.com/lotus... 阅读全文

posted @ 2009-01-18 18:44 何婧阅读(2553) 评论(0) 推荐(1)

Unknown encoding for 'UniGB-UCS2-H'

摘要：在txt里写入一些测试文本，用Adobe Acrobat 7.0 Professional里的create PDF生成的PDF文档。然后用pdfbox读取测试，编译时崩出错误提示java.io.IOException: Unknown encoding for 'UniGB-UCS2-H'。而用pdfbox读取别的中文文档的话，编译就正常了。无语了。（实际上把txt转成PDF本来的显示效果就不正常... 阅读全文

posted @ 2009-01-14 15:06 何婧阅读(3034) 评论(0) 推荐(0)

我只是想用Sort排个序……为什么一定跟我要四个参数……不厚道……

摘要：本想把Sort类的对象作参数，传给IndexSearcher类的search方法，对查询结果按多个Field排序。但是发现Lucene 2.4.0的Searcher类API中，下面两个方法都被Deprecated了： Hits search(Query query, Sort sort) ... 阅读全文

posted @ 2009-01-12 17:07 何婧阅读(560) 评论(1) 推荐(0)

用Lucene写的一个HelloWorld

摘要：下面是今天初次看的一点Lucene，整理出笔记备忘~~ 下载这个文件lucene-2.4.0.zip到任意目录并解压，得到lucene-core-2.4.0.jar。这里有Lucene的API：http://hudson.zones.apache.org/hudson/job/Lucene-trunk/javadoc//index.html 注意:Lucene 2.0以上使用的JDK版本不能... 阅读全文

posted @ 2009-01-08 21:45 何婧阅读(878) 评论(0) 推荐(1)

Lucene 2.4.0 一些过期方法的解决方案

摘要：Lucene 2.4.0 是2008年10月8日发布的版本，许多之前版本中的方法和类被声明为过期(@deprecated)，且某些方法和类被声明在3.0引擎中将被删除。以下是常用的几个方法和类，在网上搜索到的替换为新版本的方法。 1 IndexWriter 的构造器 IndexWriter writer = new IndexWriter(indexPath, getAnalyzer(), tr... 阅读全文

posted @ 2009-01-08 16:13 何婧阅读(847) 评论(0) 推荐(0)

随笔分类 - Lucene