Indri入门系列1.1 & 1.2——建立能够为IndexUI.jar理解的TRECWeb格式的文档

这篇文档算不上一篇完整的blog，只是作为一个小Bug的记录而已，所以取名1.1~

在使用IndexUI.jar建立索引的过程中，笔者选择使用了TRECWeb的数据格式，但是发现总是出现一些小问题，不是无法建立索引就是建立的索引只包含一个文档。经过若干轮的折磨，最终发现问题在于，Indri理解的TRECWeb必须是以“\n”来结尾的。。。

 

这是今天的1.2，哈哈

笔者使用Indri自带的图形界面IndexUI.jar来建立索引，在编程对索引进行处理时，发现总是无法获得到域内（fields）的值，最开始以为是Indri与Lucene中域的概念不同造成的，并没有进行深入的理解。今天突发奇想，对IndexUI进行了调试，发现在IndexUI.jar中，在设置域的时候，不仅要在Field是面板上进行设置，而且需要在Index面板的Collection Fileds中填写域名，并以逗号隔开。这样就可以在编程过程中使用诸如：

env.documentMetadata(docIds, "table")

这样的代码了。不过值得注意的是，在Indri的域中，只会提取域名的子节点。不知道有没有可以更改的地方？

 

转载请注明出处：http://www.cnblogs.com/supakito/archive/2012/12/01/2797687.html