如何获得Lucene索引中文档子集的顶部条款？

理想情况下，应该有一个实用工具来做到这一点，但我不知道。但是，以合理高效的方式“手动”操作并不难。我假设您已经有一个Query和/或Filter对象，您可以使用它来定义感兴趣的子集。

首先，在您的索引子集中的内存中建立所有文档ID。您可以使用IndexSearcher.search(Query, Filter, HitCollector)快速完成此操作; HitCollectordocumentation包括一个看起来应该起作用的示例，或者您可以使用其他容器来存储您的文档ID。

接下来，初始化一个空的HashMap（或其他）以将术语映射到总频率，并通过为每个感兴趣的文档和字段调用IndexReader.getTermFreqVector方法之一来填充映射。三个参数的形式似乎更简单，但要么应该没问题。对于三参数表单，您可以制作一个TermVectorMapper，其map方法检查term是否在地图中，如果不是，则将其与frequency关联，或者如果是，则将frequency添加到现有值。请确保在此过程中跨getTermFreqVector的所有调用使用相同的TermVectorMapper对象，而不是为循环中的每个文档实例化一个新对象。你也可以通过重写isIgnoringPositions()和isIgnoringOffsets()来加快速度;你的对象应该返回true这两个。它看起来像你的TermVectorMapper也可能被迫定义一个setExpectations方法，但那个不需要做任何事情。

一旦你建立了你的地图，只需按降序对地图项进行排序，然后读出你喜欢的许多顶级字词。如果您事先知道您需要多少条款，您可能更喜欢使用某种基于堆的算法，以线性时间的形式查找顶级项目，而不是使用O（n n n）sort 。我想在实践中这种普通的旧类型会很快。但这取决于你。

如果您愿意，可以通过让您的HitCollector直接调用getTermFreqVector来结合前两个阶段。这当然应该产生同样正确的结果，并且直观地看起来会更简单和更好，但是文档似乎警告说这样做可能比两遍方法慢很多（与HitCollector示例相同的页面上以上）。否则我可能会误解他们的警告。如果你觉得雄心勃勃，你可以尝试两种方式，比较，并让我们知道。

计算TermVectors将会起作用，但如果有大量文档需要迭代，将会变慢。另外请注意，如果您是通过排名靠前的术语来表示docFreq，那么请不要使用TermFreqVector中的计数将这些术语计为二进制。

或者，您可以迭代像facet counts这样的术语。每学期使用cached filter;他们的BitSets可用于快速交点计数。