In Lucene, some commonly used Filter usage

Lucene中，一些常用Filter的用法和例子，今天，我们在来看下不在Filter家族中的一个特殊的filter，属于Lucene捐赠模块的特殊包中的类DuplicateFilter，这个filter的作用是用来对某个字段进行去重操作的，类似数据库中的Distinct关键字，可以实现对某个列的结果集去重，这个去重的字段，一般情况下是不建议分词的，因为分词后，可能去重效果不准确.


举个例子，来说明分词后去重，会造成什么情况，假如我们的索引name一列中有中国，和伟大的中国，那么就对这个name列去重后，就会发现lucene只保留了伟大的中国这个字段，为什么呢？因为切词后伟大的中国会被分成伟大|的|中国，进行去重时，Lucene认为中国是重复的，而伟大的中国是不重复的，又因为伟大的中国里包含中国，所以最后的结果就会只保留伟大的中国，而没有中国。所以无论使用这个过滤器去重，还是使用grouping或fact去重，大多数情况下操作的字段是不能分词的，这一点需要注意！


下面我们来具体看下DuplicateFilter这个特殊的过滤器，怎么使用。在这之前我们先来看下我们简单的测试数据.




Java代码 复制代码 收藏代码
1.name===type 
2.a===>中国 
3.a===>法国 
4.b===>中国 
5.c===>英国 
6.d===>英国 
7.b===>英国 



分别对对name和type去重后的效果(注意一次只能去重一个字段)



Java代码 复制代码 收藏代码
1.a 
2.c 
3.d 
4.b 





Java代码 复制代码 收藏代码
1.法国 
2.中国 
3.英国 


下面给出具体的代码实现，需要额外导入的包



Java代码 复制代码 收藏代码
1.org.apache.lucene.sandbox.queries 


核心代码



Java代码 复制代码 收藏代码
1.      //群交流 324714439 
2.      //String field="name"; 
3.          String field="type"; 
4.DuplicateFilter filter=new DuplicateFilter(field);//去重过滤 
5.Query q=new MatchAllDocsQuery();//对所有结果去重 
6.TopDocs s=search.search(q, filter, 100); 



可以看出，核心的代码量很少，却可以高效的完成去重工作，去重技术在我们的实际运用中也是一项很常用的技术，有时候我们可能只需要查看不重复的记录，而没有一些类似统计的功能，如果需要去重并统计个数，那么就需要使用分组功能或分面功能了,当然，如果我们只需要简单的对字段去重，那么就可以使用DuplicateFilter简洁高效的来完成这项任务。