为什么 Lucene 有时与 InChIKeys 不匹配？答案

【问题标题】：Why is Lucene sometimes not matching InChIKeys?为什么 Lucene 有时与 InChIKeys 不匹配？
【发布时间】：2011-03-29 08:46:19
【问题描述】：

我已经使用 Hibernate Search 为我的数据库建立了索引。我使用自定义分析器，用于索引和查询。我有一个名为 inchikey 的字段不应被标记化。示例值为：

BBBAWACESCACAP-UHFFFAOYSA-N
KEZLDSPIRVZOKZ-AUWJEWJLSA-N

当我使用 Luke 查看我的索引时，我可以确认它们没有按要求进行标记。

但是，当我尝试使用网络应用程序搜索它们时，会找到一些 inchikeys，而另一些则没有。奇怪的是，对于这些 inchikeys，当我在没有最后一个连字符的情况下进行搜索时，搜索确实有效，如下所示：BBBAWACESCACAP-UHFFFAOYSA N

我无法在未找到的 inchikeys 中找到共同元素。

知道这里发生了什么吗？

我使用 MultiFieldQueryParser 搜索数据库中的不同字段：

    String[] searchfields = Compound.getSearchfields();
    MultiFieldQueryParser parser = new MultiFieldQueryParser(Version.LUCENE_29, Compound.getSearchfields(), new ChemicalNameAnalyzer());
    //Disable the following if search performance is too slow
    parser.setAllowLeadingWildcard(true);
    FullTextQuery fullTextQuery = fullTextSession.createFullTextQuery(parser.parse("searchterms"), Compound.class);
    List<Compound> hits = fullTextQuery.list();

Tim 和 I 已在 here 上发布了有关我们设置的更多详细信息。

【问题讨论】：

一些背景信息：“InChIKey，有时称为散列 InChI，是 InChI 的固定长度（25 个字符）压缩数字表示，人类无法理解。InChIKey 规范有助于 Web搜索化合物，因为这些对于全长 InChI 来说是有问题的。”

标签： java lucene hibernate-search hyphen

【解决方案1】：

原来输入文件中的最后一个条目没有被正确索引。这些正在被标记化。事实上，它们似乎被索引了两次：一次没有被标记化，一次被标记化。当我搜索时，我找不到未标记的。

我还没有找到原因，但我认为这可能与我们的解析器结束有关，而 Lucene 仍在索引最后的条目，结果 Lucene 恢复为默认分析器（StandardAnalyzer）。当我找到罪魁祸首时，我会在这里报告。

将@Analyzer(impl = ChemicalNameAnalyzer.class) 添加到字段可以解决问题，但我想要的是我的原始设置，在配置中定义一次默认分析器，如下所示：

<property name="hibernate.search.analyzer">path.to.ChemicalNameAnalyzer</property>

【讨论】：