java - Lucene 8.5.1 中 IndexReader.getTermVector(int docID ,String field) 中的 docID 是什么以及它是如何工作的？

Question

我正在尝试从 Lucene 的文档字段中获取所有名为 Terms 的术语和相关帖子(即如何计算 Lucene 中的术语频率？)。根据documentation有一种方法可以做到这一点:

公共(public)最终术语 getTermVector​(int docID, String field) 抛出 IOException

Retrieve term vector for this document and field, or null if term vectors were not indexed. The returned Fields instance acts like a single-document inverted index (the docID will be 0).

有一个名为int docID的字段。这是什么？？对于给定的文档，它的 id 字段是什么？Lucene 如何识别它？根据Lucene的文档，我使用了StringField作为id，它不是int。

import org.apache.lucene.document.*;
Document doc = new Document();
Field idField = new StringField("id",post.Id,Field.Store.YES);
Field bodyField = new TextField("body", post.Body, Field.Store.YES);
doc.add(idField);
doc.add(bodyField);

我有五个问题:

1. Lucene 如何识别 id 字段用作此文档的 docId？甚至 Lucene 是否这样做？？
2. 我使用String作为id，但这个方法给出了int。它会引起问题吗？
3. 有没有合适的方法来获取帖子？
4. 我使用了 TextField 。有没有办法检索该字段的术语 vector (Terms)？我不想按照解释重新索引我的文档 here ，因为它太大(35 GB)。
5. 有没有办法从 TextField 获取术语计数并获取每个术语频率？

Answer 1

要计算术语频率，我们可以使用IndexReader.getTermVector(int docID ,String field)。 int docID 是一个字段，引用 Lucene 创建的文档 ID。您可以通过以下代码检索docID:

String index = "index/AIndex/";
String query = "the query text"

IndexReader reader = DirectoryReader.open(FSDirectory.open(Paths.get(index)));
IndexSearcher searcher = new IndexSearcher(reader);
Analyzer analyzer = new StandardAnalyzer();

QueryParser parser = new QueryParser("docField", analyzer);
Query lQuery = parser.parse(query);

]TopDocs results = searcher.search(lQuery ,  requiredHits);
ScoreDoc[] hits = results.scoreDocs;
int numTotalHits = (int) results.totalHits.value;

for (int i = start; i < numTotalHits; i++)
 {
   int docID = hits[i].doc;
   Terms termVector = reader.getTermVector(docID, "docField");
 }

每个 termVector 对象都具有与文档字段相关的术语和频率，您可以通过以下代码检索它:

private HashMap<String,Long> termsFrequency = new HashMap<>();
TermsEnum itr = termVector.iterator();
int allTermFrequency=0;
BytesRef term;

while ((term = itr.next()) != null){
  String termText = term.utf8ToString();
  long tf = itr.totalTermFreq();
  termsFrequency.put(termText, tf);
  allTermFrequency += itr.totalTermFreq();
}

注意:不要忘记按照我的解释设置存储术语 vector here (或 this one )当您索引文档时。如果您索引文档时未设置存储术语 vector ，则 getTermVector 方法将返回 null。默认情况下，所有类型的预定义 Lucene Field 都禁用此选项。所以你需要设置它。