Solr edismax 支持哪些正则表达式功能？答案

【问题标题】：What regular expression features are supported by Solr edismax?Solr edismax 支持哪些正则表达式功能？
【发布时间】：2012-03-09 02:15:57
【问题描述】：

正则表达式允许使用如下所示的模式匹配语法。我正在尝试实现一个功能强大的搜索工具，尽可能多地实现这些功能。我听说 edismax 是最灵活的工具。下面哪些模式匹配表达式可以用 edismax 完成？我能比edismax做得更好吗？您能否建议我可以使用哪些过滤器和解析器补丁来实现此功能？如果我认为 Solr 可以在这些类型的搜索中实现可接受的性能（即服务器端处理时间），我是不是在做梦？

来自mysql的正则表达式语法和示例

^ 匹配字符串的开头。 'fofo' REGEXP '^fo' => true
$ 匹配字符串结尾。 'fo\no' REGEXP '^fo\no$' => true
* 0-无限通配符。 'Baaaan' REGEXP 'Ba*n' => true
? 0-1 通配符。 'Baan' REGEXP '^Ba?n => false'
+ 1-无限通配符。 'Bn' REGEXP 'Ba+n' => false
|要么。 'pi' REGEXP 'pi|apa' => true
()* 序列匹配。 'pipi' REGEXP '^(pi)*$' => true
[a-dX], [^a-dX] 字符范围/集'aXbc' REGEXP '[a-dXYZ]' => true
{n} 或 {m,n} 基数符号'abcde' REGEXP 'a[bcd]{3}e' => true
[:character_class:] 'justalnums' REGEXP '[[:alnum:]]+' => true

【问题讨论】：

标签： regex solr edismax

【解决方案1】：

Lucene 4.0 版将使用特殊语法直接在标准查询解析器中支持正则表达式查询。我验证了它可以在我正在运行的 Solr 实例上运行，该实例是在 2 月份从 subversion 主干构建的。

Jira ticket 2604 描述了标准查询解析器使用特殊正则表达式语法的扩展，使用正斜杠来分隔正则表达式，类似于 Javascript 中的语法。它似乎正在使用底层的 RegexpQuery 解析器。

一个简单的例子：

body:/[0-9]{5}/

将匹配我索引的文本语料库中的五位数邮政编码。但是，奇怪的是，body:/\d{5}/ 对我不起作用，^ 也失败了。

正则表达式方言必须是 Java 方言，但我不确定其中的所有内容是否有效，因为我只是粗略检查了一下。可能需要仔细查看RegexpQuery 代码才能了解哪些有效，哪些无效。

【讨论】：

我挖得更远了。有一个page that describes the supported syntax。正则表达式引擎毕竟不是 Java 的，而是在 Lucene 的 org.apache.lucene.util.automaton 包中实现的。另请参阅RegexpQuery 的文档。
刚刚在 Solr 4.0 中的字符串字段上尝试了\d{4}。这是行不通的。看来我们只能使用[0-9]{4}。但是我猜 ^ 是不需要的，因为像 /[0-9]{5}/ 这样的任何查询实际上都等同于 Perl-Compatible RegEx /^[0-9]{5}$/ 即不使用 .* 作为前缀意味着您从第一个字符开始强制匹配。
@RonaldWood 您发布的两个链接现在都已失效。
Lucene 项目移动了它的 javadocs。他们自己的一些链接也被破坏了。试试这些更新的链接：RegExp 和 RegexpQuery
ElasticSearch 有一个good overview of the query syntax

【解决方案2】：

正则表达式和 (e)dismax 没有可比性。 Dismax 旨在直接处理常见的最终用户输入，而正则表达式不是典型的最终用户输入。

另外，用 dismax 匹配类似正则表达式的东西很大程度上取决于text analysis settings 和模式设计，而不是 dismax 本身。使用 Solr，您通常可以根据具体搜索需求定制模式和文本分析，可能在索引时完成大部分工作。正则表达式与此不一致，甚至与 Lucene 倒排索引的基本结构不一致。

不过，Lucene 提供了RegexQuery 和更新的RegexpQuery。据我所知，这些没有与 Solr 集成，但它们可以集成。在Solr issue tracker 中开始一个新项目并快乐编码！ :)

请记住，正则表达式查询可能总是很慢...但在您的情况下它们可能具有可接受的性能。

【讨论】：