使用solr构建标签云
亲爱的stackoverflow社区：
鉴于一些文本，我希望在文本中获得前50个最常用的单词，并从中创建一个标签云，从而以图形方式显示文本的主要内容。
该文本实际上是一组100左右的评论PER每个ITEM（一张图片）有大约120个项目，我还希望保持云更新 – 通过保持评论索引，并使用云生成代码每次运行新的网络请求出现了。
我决定使用Solr索引文本，现在想知道如何从Solr TermsVectorComponant中获得前50个单词。 以下是术语矢量组件返回的结果示例，在您通过说tv.tf="true"打开术语频率后：
MA147LL/A 5 3 10 11 3007WFP 5 4
如你所见，我有两个问题：
- 我获得了该文档中的所有条款，不仅仅是前100名
- 并且它们没有按频率排序，因此我必须得到术语并将其排序在内存中以执行即时尝试。
有没有更好的办法？ （或者）我可以告诉solr termvector组件以某种方式对它进行排序并为我提取100个吗？ （或）我可以使用其他一些框架吗？ 我需要保留新的评论标记，因此标签云始终是最新的 – 对于云生成器，它需要一个加权单词的字典，并使其成为一个很好的图像。
这个答案没有帮助。
编辑 – 尝试jpountz和paige厨师的答案
这是我为此查询得到的结果：
select?q=Id:d4439543-afd4-42fb-978a-b72eab0c07f9&facet=true &facet.field=Post_Content&facet.minCount=1&facet.limit=50 1 1 1 1 1 1 1 1 1 1 1 1 1 1
我有50个这样的元素，@ jpountz感谢帮助限制结果，但为什么单个元素的所有FIFTY都保持值1 ？ 我的想法是：数字1表示与我的查询匹配的文档的数量（自我通过Id：Guid查询后，它只能是一个）并且它们不代表Post_Content单词的频率
为了certificate这一点，我从查询中删除了Id：GUID，结果是：
33 17 16 16 16 15 15 14 14 14
我的问题是如何在文档中获取术语频率，而不是许多术语的文档频率。 例如，我知道可引导的是一个在Post_content中使用了6次的单词，所以我希望对一组文档进行排序，如（6，“可引导”），（5，“光盘”）。
这篇文章描述了如何设置标签云 – 使用Solr和PHP创建标签云 。 虽然PHP部分可能不适用于您，但我认为标签云的实际生成是……
本文介绍了一种使用空白标记生成器创建文本字段的方法，以返回单个单词，然后对该字段执行构面搜索。 我知道您可以设置方面限制，因此在您的情况下，您只能获得前100个结果。
如果Lucene文档是注释，则可以使用分面来执行此操作。 例如，以下请求http://solr:port/solr/select?q={!lucene}uniqueKey:(MA147LL/A OR 3007WFP)&facet=true&facet.field=includes&facet.minCount=1&facet.limit=50会有所帮助为评论MA147LL/A和3007WFP构建标签云。
但是，这种方法会：
- make Solr为
includes字段实例化一个UnInvertedField实例，该实例需要内存， - 计算与术语匹配的文档数，而不是此术语的总出现次数。
我想出了一个STOPGAP解决方案:(我为每个solr文档调用一个“post”为例）
Solr中有一个术语组件，其目的似乎是公开任何给定字段的所有索引术语。 它主要用于实现自动完成等function，以及在术语级别运行的其他function。 默认情况下，它按频率排序 – 首先出现的字段中出现的频率更高。
我所做的是创建一个名为content_的动态字段，并根据类别在自己的字段中索引每个post-set。 这意味着将有数百个动态字段实例，每个实例包含一个post-set，我可以使用该字段上的terms组件来获取该postset的TOP TERMS。
如图：
content_postSetOne : contains indexed version of a set of posts content_postSetTwo : contains indexed version of another set of posts content_postSetThree : contains indexed version of a third set of posts
这个解决方案对我来说很有用，如果需要，你也可以轻松地为每个Post创建一个字段。 我也有兴趣知道使用这样的动态字段的含义：这会是一个问题吗？
这与Paige和jPountz的答案有何不同：
- 术语频率是“A”或“A文档集”中的单词计数，而不是包含该术语的文档数。
- 我可以从一个文档中获取最常出现的术语，如果需要也可以从一组文档中获得。
- 我没有使用刻面，因为它主要根据文档数量给出频率，而不是根据文档出现的次数而不管哪个文档。