Apache Tika 与 Apache Lucene
Apache Tika vs. Apache Lucene
我有一个关于分析文档的问题。
使用 Apache Tika，可以获取不同类型的不同文件的内容和元数据。
是否也可以使用 Tika 获取文件的关键字（即词干提取），或者我还需要 Lucene 吗？
我不知道这是否可行，但我建议在 lucene 中进行所有关键字分析。我的个人原因：
- Tika 的主要目标是从文件中提取信息
- Lucenes 定义了数据的分析和索引方式。如何分析数据对你的 Lucene 索引在搜索中的表现有很大影响（找到你期望找到的东西）
- 这是一种关注点分离，Tika 只提取而 Lucene 关心搜索相关的东西
Tika 和 Lucene 做不同的事情。
Tika 的存在是为了从文件中获取数据。例如，您可以使用 Tika 从 PDF 中提取文本。
Lucene 是一个索引器。因此，当您向 Lucene 提供 Doc1.txt、Doc2.txt 和 Doc3.txt 时，它会为它们编制索引，以便稍后您可以搜索像 'hello' 这样的单词或短语，Lucene 会做出响应以及包含该词的文档列表，以及每个文档中的次数。
如果您要索引任意内容，您可以先使用 Tika 提取文本，然后使用 Lucene 对其进行索引。
我有一个关于分析文档的问题。 使用 Apache Tika，可以获取不同类型的不同文件的内容和元数据。
是否也可以使用 Tika 获取文件的关键字（即词干提取），或者我还需要 Lucene 吗？
我不知道这是否可行，但我建议在 lucene 中进行所有关键字分析。我的个人原因：
- Tika 的主要目标是从文件中提取信息
- Lucenes 定义了数据的分析和索引方式。如何分析数据对你的 Lucene 索引在搜索中的表现有很大影响（找到你期望找到的东西）
- 这是一种关注点分离，Tika 只提取而 Lucene 关心搜索相关的东西
Tika 和 Lucene 做不同的事情。
Tika 的存在是为了从文件中获取数据。例如，您可以使用 Tika 从 PDF 中提取文本。
Lucene 是一个索引器。因此，当您向 Lucene 提供 Doc1.txt、Doc2.txt 和 Doc3.txt 时，它会为它们编制索引，以便稍后您可以搜索像 'hello' 这样的单词或短语，Lucene 会做出响应以及包含该词的文档列表，以及每个文档中的次数。
如果您要索引任意内容，您可以先使用 Tika 提取文本，然后使用 Lucene 对其进行索引。