北邮信息检索实验

现代信息检索，北京邮电大学，文档、代码。用luncene实现的信息检索，提供索引，支持PPT，word，Excel等格式的索引。

/**
 * Licensed to the Apache Software Foundation （ASF） under one or more
 * contributor license agreements.  See the NOTICE file distributed with
 * this work for additional information regarding copyright ownership.
 * The ASF licenses this file to You under the Apache License Version 2.0
 * （the “License“）; you may not use this file except in compliance with
 * the License.  You may obtain a copy of the License at
 *
 *     http://www.apache.org/licenses/LICENSE-2.0
 *
 * Unless required by applicable law or agreed to in writing software
 * distributed under the License is distributed on an “AS IS“ BASIS
 * WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND either express or implied.
 * See the License for the specific language governing permissions and
 * limitations under the License.
 */

import java.io.File;
import java.io.FileReader;

import org.apache.lucene.document.DateTools;
import org.apache.lucene.document.Document;
import org.apache.lucene.document.Field;
import org.htmlparser.*;
import org.htmlparser.visitors.*;
import org.htmlparser.util.*;
import org.apache.pdfbox.*;
import org.apache.pdfbox.pdmodel.*;
import java.io.*;
import org.apache.pdfbox.util.*;
import org.apache.pdfbox.searchengine.lucene.*;
import org.apache.poi.hwpf.extractor.*;
import org.apache.poi.hslf.usermodel.*;
import org.apache.poi.hslf.*;
import org.apache.poi.hslf.model.*;
import org.apache.poi.hssf.usermodel.*;
import java.util.*;
import org.apache.poi.ss.usermodel.*;

/** A utility for making Lucene Documents from a File. */

public class FileDocument {
    /** Makes a document for a File.
      

      The document has three fields:
      

      
path--containing the pathname of the file as a stored
      untokenized field;
     
modified--containing the last modified date of the file as
      a field as created by       href=“lucene.document.DateTools.html“>DateTools; and
      
contents--containing the full contents of the file as a
      Reader field;
     */
    public static Document Document（File f） throws java.io.
            FileNotFoundException {

        // make a new empty document
        Document doc = new Document（）;
        String[] encoding = {“UTF-8“ “GBK“ “GB2312“ “UTF-8“ “ISO8859_1“};
        // Add the path of the file as a field named “path“.  Use a field that is
        // indexed （i.e. searchable） but don‘t tokenize the field into words.
        doc.add（new Field（“path“ f.getPath（） Field.Store.YES
                          Field.Index.NOT_ANALYZED））;

        // Add the last modified date of the file a field named “modified“.  Use
        // a field that is indexed （i.e. searchable） but don‘t tokenize the field
        // into words.
        doc.add（new Field（“modified“
                          DateTools.timeToString（f.lastModified（）
                                                 DateTool

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2011-12-26 14:07  检索课程设计上交内容\
     目录           0  2011-12-26 14:08  检索课程设计上交内容\可执行程序\
     文件     9272335  2009-12-21 23:28  检索课程设计上交内容\可执行程序\InfRetrW2.2.exe
     文件         215  2011-12-26 16:57  检索课程设计上交内容\可执行程序\Retrieve.log
     目录           0  2009-12-13 11:35  检索课程设计上交内容\源代码\
     文件        9743  2009-12-13 09:41  检索课程设计上交内容\源代码\FileDocument.java
     文件        2359  2009-12-13 08:35  检索课程设计上交内容\源代码\IndexFiles.java
     文件        4064  2009-12-13 11:27  检索课程设计上交内容\源代码\LuceneProc.java
     文件       17678  2009-12-13 11:03  检索课程设计上交内容\源代码\Mainframe.java
     文件        1070  2009-12-30 21:23  检索课程设计上交内容\源代码\MyTable.java
     目录           0  2009-12-24 10:15  检索课程设计上交内容\设计与说明文档\
     文件       52736  2009-12-13 11:27  检索课程设计上交内容\设计与说明文档\使用说明文档.doc
     文件       35328  2009-12-24 10:15  检索课程设计上交内容\设计与说明文档\程序设计说明书.doc
     文件       67584  2009-10-20 10:06  检索课程设计上交内容\设计与说明文档\课程设计要求.doc