Solr4：利用Filter实现两组关键词组合查询

本文参考：Lucene4.1：利用Filter实现两组关键词组合查询

1. 需求

根据客户名称，查询客户网络上面的负面信息。如客户名称为”盐城 盐城市“，并自定义负面关键词“贪污 受贿 被曝 曝光 小三 裸照”等，则是要求将包含这些负面关键词且包含客户名称的信息查询出来。注意事项：客户名称可定义多个（10个以内），负面关键词可以定义多个（300个以内）。

分析

如果只用一个参数q去定义查询，很可能查询字符串长度会溢出，查询q应该形如：

((盐城 OR 盐城市) AND 贪污) OR ((盐城 OR 盐城市) AND 受贿)...... 

所以本文采用Filter的形式来解决这一问题。

2. 解决步骤 

步骤一：将所需要查询的客户名称、负面关键词加入到中文分词器词典文件中；（本文略）
         只有中文能够将这些关键词正确分词，其它各项操作才能顺利进行。
步骤二：用爬虫工具将网络上的信息抓取下来后，在创建Lucene索引的时候， 将包含负面关键词的文档自定义分值（包含负面关键词越多，分值越高）；（说明略，可以参考：Lucene4.1：运用中文分词器创建索引，给指定文本增加boost值）
         这样可以保证查询时，包含负面关键词越多的文档，查询时排在越前面。
步骤三：按客户名称查询（如：盐城 盐城市）；
         正常查询输入。
步骤四：查询时加入过滤器（Filter），过滤器的输入就是负面关键词列表；
         加入过滤器后，实现的查询结果类似于：((盐城 OR 盐城市) AND 贪污) OR ((盐城 OR 盐城市) AND 受贿)......
步骤五：自定义高亮结果。
         因为客户名称需要高亮，负面关键词也需要高亮，所以需要自定义高亮显示。

3. SlorJ实现代码

package com.clzhang.sample.solr;

import java.io.*;
import java.util.*;

import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.TokenStream;
import org.apache.lucene.queryparser.classic.QueryParser;
import org.apache.lucene.search.Query;
import org.apache.lucene.search.highlight.Highlighter;
import org.apache.lucene.search.highlight.QueryScorer;
import org.apache.lucene.search.highlight.SimpleSpanFragmenter;
import org.apache.lucene.search.highlight.TokenSources;
import org.apache.lucene.util.Version;
import org.apache.solr.client.solrj.SolrQuery;
import org.apache.solr.client.solrj.impl.HttpSolrServer;
import org.apache.solr.client.solrj.response.QueryResponse;
import org.apache.solr.common.SolrDocumentList;
import org.apache.solr.common.SolrDocument;

import org.junit.After;
import org.junit.Before;
import org.junit.Test;

import com.chenlb.mmseg4j.Dictionary;
import com.chenlb.mmseg4j.analysis.ComplexAnalyzer;

/**
 * 综合：按客户名称查询客户网络上面的负面信息
 * @author Administrator
 *
 */
public class SlorJHighlightTest {
    // mmseg4j字典路径
    private static final String MMSEG4J_DICT_PATH = "C:\\solr\\mm4jdic";
    private static Dictionary dictionary = Dictionary.getInstance(MMSEG4J_DICT_PATH);

    private HttpSolrServer server;
    private static final String DEFAULT_URL = "http://localhost:8080/solr/news";

    @Before
    public void init() {
        // 初始化Solr服务器句柄
        server = new HttpSolrServer(DEFAULT_URL);
        server.setMaxRetries(1); // defaults to 0. > 1 not recommended.
        server.setConnectionTimeout(5000); // 5 seconds to establish TCP
        server.setSoTimeout(1000); // socket read timeout
        server.setDefaultMaxConnectionsPerHost(100);
        server.setMaxTotalConnections(100);
        server.setFollowRedirects(false); // defaults to false
        server.setAllowCompression(true);
    }

    @After
    public void destory() {
        server = null;
        System.runFinalization();
        System.gc();
    }

    @Test
    public void queryCase() {
        // 步骤一：查询关键词
        String keyword = "(盐城 盐城市)";
        SolrQuery params = new SolrQuery("webTitle:" + keyword);
        params.set("start", 0);
        params.set("rows", 5);
        params.set("fl", "objectId,webTitle,webContent");
//        params.set("sort", "webTime desc");

        // 步骤二：负面关键词
        String negativeWord = "(贪污 受贿 被曝 曝光 小三 裸照)"; 
        params.addFilterQuery("webTitle:" + negativeWord);

        try {
            // 步骤三：需要高亮的关键词，默认等于查询关键词+负面关键词
            String hlKeywords = keyword + " " + negativeWord;
            
            // 查询
            QueryResponse response = server.query(params);
            Analyzer analyzer = new ComplexAnalyzer(dictionary);
            QueryScorer scorer = new QueryScorer(new QueryParser(
                    Version.LUCENE_41, null, analyzer).parse(hlKeywords), null);
            Highlighter highlighter = new Highlighter(scorer);
            highlighter.setTextFragmenter(new SimpleSpanFragmenter(scorer));

            // 输出
            SolrDocumentList list = response.getResults();
            System.out.println("返回：" + list.getNumFound() + "条记录\t耗时：" + response.getElapsedTime() + "毫秒");
            for (int i = 0; i < list.size(); i++) {
                SolrDocument doc = (SolrDocument)list.get(i);
                String objectId = doc.get("objectId").toString();
                String title = doc.get("webTitle").toString();
                String content = doc.get("webContent").toString();
                StringBuilder sbTitle = new StringBuilder();
                
                // 有高亮结果则用高亮结果；没有则用无高亮查询结果。
                // 仅对标题（webTitle）高亮，内容（webContent）忽略
                TokenStream streamContent = TokenSources.getTokenStream("", title, analyzer);
                String[] fragContent = highlighter.getBestFragments(streamContent, title, 5000);
                if(fragContent != null && fragContent.length > 0) {
                    for(String str: fragContent) {
                        sbTitle.append(str);
                    }
                }else {
                    sbTitle.append(title);
                }
                System.out.println(sbTitle.toString());
//                System.out.println(content);
            }
        } catch (Exception e) {
            e.printStackTrace();
        } 
    }
}

输出：

返回：13条记录 耗时：94毫秒
[<B>曝光</B>台]实名举报江苏<B>盐城市</B>阜宁县吴滩镇派出所办案无能
<B>盐城</B>质监局长冯建东贪@污糜烂<B>被曝</B>光:包二奶、玩小姐&nbsp;还找黑客删帖遭<B>曝光</B>
<B>盐城</B>质监局长冯建东“包二奶、招小姐、淫下属”丑行<B>曝光</B>
江苏<B>盐城市</B>中级人民法院是什么鸟人？居然造出一个<B>贪污</B>大犯赵作海
[爆 猛 料]<B>盐城市</B>亭湖农委下属单位领导<B>贪污</B>特种苗木补助款