如何在 SOLR 中获取每个文档的总字数？

Question

我想从我在 Solr 中索引的文本文档中检索一些摘要统计信息。特别是每个文档的字数。

例如，我对以下三个文档进行了索引：

{
 "id":"1",
 "text":["This is the text in document 1"]},
{
 "id":"2",
 "text":["some text in document 2"]},
{
 "id":"3",
 "text":["and document 3"]}

我想获取每个文档的总字数：

"1",7,
"2",5,
"3",3,

我可以使用什么查询来获得这样的结果？

我是 Solr 的新手，我知道我可以使用构面来获取所有文档中单个单词的计数，例如：
http://localhost:8983/solr/corename/select?q=*&facet=true&facet.field=text&facet.mincount=1
但是我不清楚如何获得每个文档的总字数。

感谢您的帮助！

Answer 1

如果您对 id 进行分面搜索并在文本上进行内部分面，则内部分面计数将给出该文档中具有该 id 的单词数。但是文本字段类型必须是 text_general 或等效的（标记化的）。

如果您只想计算每个文档 id 的“不同”单词，实际上要容易得多：

{
"query": "*:*",
"facet": {
    "document": {
        "type": "terms",
        "field": "id",
        "facet": {
            "wordCount": "unique(message)"
        }
    }
}
}

为每个文档提供不同的字数。以下给出了每个文档的所有单词和所有计数，但您可以将它们相加以获得总金额（这也是一个昂贵的电话）

{
"query": "*:*",
"facet": {
    "document": {
        "type": "terms",
        "field": "id",
        "facet": {
            "wordCount": {
                "type": "terms",
                "field": "message",
                "limit": -1
            }
        }
    }
}
}

@MatsLindth 的评论也值得考虑。 Solr 和您可能不同意什么是“单词”。 Tokenizer 在一定程度上是可配置的，但根据您的需要，它可能不是很容易。