Java 如何计算一组文档的术语频率？

我有一个包含以下文档的Lucene索引：

doc1 := { caldari, jita, shield, planet }
doc2 := { gallente, dodixie, armor, planet }
doc3 := { amarr, laser, armor, planet }
doc4 := { minmatar, rens, space }
doc5 := { jove, space, secret, planet }

因此，这5份文件使用了14个不同的术语：

[ caldari, jita, shield, planet, gallente, dodixie, armor, amarr, laser, minmatar, rens, jove, space, secret ]

每个术语的频率：

[ 1, 1, 1, 4, 1, 1, 2, 1, 1, 1, 1, 1, 2, 1 ]

为了便于阅读：

[ caldari:1, jita:1, shield:1, planet:4, gallente:1, dodixie:1, 
armor:2, amarr:1, laser:1, minmatar:1, rens:1, jove:1, space:2, secret:1 ]

我现在想知道的是，如何获得一组 文件

例如：

Set<Documents> docs := [ doc2, doc3 ]

termFrequencies = magicFunction(docs); 

System.out.pring( termFrequencies );

删除所有零：

[ planet:2, gallente:1, dodixie:1, armor:2, amarr:1, laser:1 ]

请注意，result vetor只包含一组 文件。不是整个索引的总频率！ “行星”一词在整个索引中出现了4次，但源集合 的文档只包含它2次

一个幼稚的实现将是只迭代数据库中的所有文档

docs

设置、创建地图并计算每个术语。 但我需要一个解决方案，该解决方案还可以处理大小为的文档集 10万或50万

Lucene中是否有我可以用来获得这个术语向量的特征？ 如果没有这样的特性，数据结构会是什么样子 有人可以在索引时创建这样一个术语向量 轻松快速

我不是Lucene的专家，所以如果解决方案是显而易见的或琐碎的，我很抱歉

---

也许值得一提的是：对于应用于客户端搜索查询的web应用程序，该解决方案的运行速度应该足够快；如果您不一次性将整个文档读入内存（即使用在线解析器），您的天真实现将可以扩展。英文文本大约有83%的冗余，因此您最大的文档将有一个包含85000个条目的地图。每个线程使用一个映射（每个文件使用一个线程，显然是池化的），您将可以很好地进行缩放

更新：如果您的术语表没有频繁更改；您可以尝试用术语列表中的字符构建一个搜索树，或者构建一个完美的哈希函数（）来加速文件解析（从搜索术语到目标字符串的映射）。可能只是一个大的HashMap也可以执行。

转到这里：检查这个方法

org.apache.lucene.index.IndexReader.getTermFreqVectors(int docno);

您必须知道文档id。这是一个内部lucene id，通常在每次索引更新时都会更改（删除：-））

---

我相信lucene 2.x.x也有类似的方法，所以你有50万个文档，你的术语表有多大？我完全知道你想要完成什么，可惜我没有答案：）@Justin:我有大约2000个不同的术语，几年内绝对最大值可能是10.000，但肯定不会更多。嗨，ManBugra，我也有类似的要求。你有没有找到解决一组文档计数问题的方法？@ManBugra:你能分享一下吗，如何计算术语频率？我们如何获得这个内部id？当我们不知道id时，如何使用

getTermFreqVectors

？？？

org.apache.lucene.index.IndexReader.getTermFreqVectors(int docno);