解决在lucene中应用高亮显示所遇到的问题
原文链接：http://www.zihou.me/2009/04/16/314
对于搜索引擎而言，如果是提供一个类似于Google那样的web界面搜索的话，那对搜索结果进行高亮显示就很重要且必要了，不然将是非常不友好的，本篇 文章就是介绍在lucene中应用HighLighter时的一些方面；文章分两部分，第一部分是介绍如何在lucene中应用Highlighter进 行高亮显示而不影响到搜索速度，第二部分则是对一些高亮错误进行分析并给出解决方法，总之，这篇文章就是希望能彻底解决在lucene中应用高亮显示所遇 到的一切问题！
第一部分：在lucene中应用高亮显示而不影响到搜索的速度
淑珍分词器写好后，我做了些测试，这其中就包括对搜索结果进行命中的测试，当时我就发现了一个问题，那就是如果按照常规应用方法，比如按照目前市面上流行 的介绍lucene的书籍中介绍的高亮显示方法，那搜索的速度就会降低，原因很简单，那是因为在进行高亮显示的时候，又进行了一次搜索，所以导致了搜索速 度慢的问题，当时我对这个问题并没有深究，因为在平常中我用不着进行高亮处理，但前段时间有个朋友给我反馈1.1.4版本中存在的一个bug时，虽然这个 bug与高亮无关，但却使我决定把1.1.4版本再完善一下，顺便解决这个高亮问题。
对于这个问题，我还是先搜索了一番，因为我想如果别人已经有很好的解决方法了，那我再自己费神去想就很没必要了，但搜索一番后，结果却是令自己不甚满意的，的确是有关于这方面的解决方法，但我觉得是并没有说得很清楚，首先这个思路应该是这样的：
1、在索引创建的时候，应当记录被索引的文字在被索引的内容中的确切位置，这个位置就是文字的开始位置和截止位置（比如“电脑”在内容“我们用电脑可以做很多事情”中的位置，我们可以得知起始是3，结束位置是5）。
2、然后在搜索得到结果的时候，应当将这些信息保存到内存中，以便高亮的时候不用再次遍历就可以很快地从内存中得到。
3、高亮的时候直接从内存中得到要被高亮文字的位置信息。
据说是lucene从1.4.3版本开始就支持在内存中记录搜索结果的位置信息了，依上处理为：
1、创建索引时：
在Field类中，有
public static final TermVector WITH_POSITIONS_OFFSETS = new TermVector(“WITH_POSITIONS_OFFSETS”);
注释说明是：Store the term vector + Token position and offset information，就是做这个事的
常规的写法是没有Field.TermVector.WITH_POSITIONS_OFFSETS这个参数的
2、在HighlighterTest.java(你也可以新建一个类或改名，我是新建的一个类)中拷贝doStandardHighlights()的内容新建一个方法，将以下的
TokenStream tokenStream = analyzer.tokenStream(FIELD_NAME,new StringReader(text));
改为：
2 if (reader==null){
3 reader = IndexReader.open(indexPath);
4 }
5 //docNumber是文档ID,FIELD_NAME是索引字段
6 TermPositionVector tpv = (TermPositionVector)reader.getTermFreqVector(docNumber,FIELD_NAME);
7 //如果没有stop words去除还可以改成 TokenSources.getTokenStream(tpv,true); 进一步提速。
8 if (tpv!=null){
9 tokenStream=TokenSources.getTokenStream(tpv,true);
10 }
关于TermPositionVector类，不是必定全包含被搜索到的结果的位置和偏移位置，但至少会包含一项，这是对英文的直译，听来有点拗口，其实可以简单理解就是要得到结果的位置信息得找它！
好了，在lucene中应用高亮显示而不影响到搜索的速度介绍完了，但是，这样子高亮就一定正确吗？在接下来的第二部分中我会说明这还并不能百分百保证高亮正确，这也是我为什么考虑将两部分合在一起讲述的原因。
第二部分：影响高亮显示正确的因素
因素1：所使用的分词器不满足分词标准
现在的淑珍分词器最新版本是1.1.6，1.1.6与1.1.4版本相比较修正了两个Bug（之间还有1.1.5版本，修正了一个Bug），而这两个 Bug都会导致在某种情况下高亮显示不正确，虽然这种情况并不常见，甚至比Google的高亮显示Bug还不常见，但这毕竟是两个Bug。我在上一篇博文 中提到过分词标准这个概念，我提到如果一个分词器不符合分词标准，那么在与高亮器一起使用时会导致高亮错误，这个提出也是基于我对分词器原理的一种较为深刻的理解而得出的吧，如果说上次提出的时候还只是很大可能推测的话，那么现在我却是敢肯定这点：那就是不满足分词标准的分词器必定会导致高亮错误。
在修正淑珍分词器这两个Bug的过程中，我发现原因都是我在写的过程中有两处地方没有符合分词标准的规范所导致的，而当我使之符合分词标准后，这两个Bug也没有了。
我在网上看到有些文章在碰到高亮错误的时候，没有想到是分词器的错误，而是去修改HighLighter等高亮器，我想这是错误的，这把一种原本正确的东西改错了，这也算是一种以讹传讹吧，我希望我的这篇文章能纠正这种错误的看法，不要让这种以讹传讹再继续下去了。
因素2：假设这个时候分词器也符合了分词标准的规范，但还有个情况我现在所发现会导致高亮错误，那就是所使用的高亮CSS样式，我碰到这种错误的时候，刚 开始我以为是分词器还有其他地方没有符合分词标准的规范，但后来我确证百分百我的分词器没有问题了，而这个错误还是显示，这个时候我才意识到了是其他错 误，以下是我搜索关键词“异界”，前后两次所使用的代码：
显示错误的：
如图：
错误地方：界<
改后没问题的：
（至于其他代码可以参看HighlighterTest.java）
如图：
当然，这个错误原因具体如何，我没有深究，有兴趣的同学可以去深入研究一下。。。
最新的淑珍分词器ShuzhenAnalyzer-1.1.7下载地址见：
For JDK1.6:
http://www.blogjava.net/Files/bbmonkey62/ShuzhenAnalyzer-1.1.7-jdk1.6.0.rar
For JDK1.5:
http://www.blogjava.net/Files/bbmonkey62/ShuzhenAnalyzer-1.1.7-jdk1.5.0.rar
关于分词器的详细介绍请参见：
http://www.shuzhen.net
另外，我在网上找了个Jsp免费空间，搭建了一个演示网站，不过由于是免费的，那家空间提供商会每隔6小时停掉服务，所以可能不是经常能访问到搭建的演示页面，地址见：
http://zihou.com.cn
如无转载说明，则均为本站原创文章，转载请注明：来源：子猴博客
影响高亮显示正确的第二个因素，也就是css的因素，那是因为在做显示文字截取的时候将css样式中途截断所致，比如<b>例子</b>，这个时候如果刚好截取的末端是这个样式之间，这个时候高亮显示肯定会有问题了，所以要在截取的时候做下处理，在此说明一下
如果用solr的话高亮还有这个问题否？请教一下博主，如果你试过滴话。
真是抱歉，我没有试过，对solr也不懂