使用标准分析器清理 Lucene 搜索词

Question

我们正在从搜索词字符串中构建一个布尔查询来搜索我们的 Lucene 索引。我希望使用标准分析器来分析这些字符串，标准分析器是我们用于索引的分析器。例如，foo-bar 1-2-3 应该分解为foo、bar、1-2-3，因为 Lucene 文档指出连字符会导致数字保持在一起，但单词会被标记化。最好的方法是什么？

目前我正在通过 QueryParser 运行我的搜索词字符串。

QueryParser parser = new QueryParser("", new StandardAnalyzer()); 
Query query = parser.parse(aSearchTermString);

这样做的问题是插入了引号。例如，foo-bar 1-2-3 变为 "foo bar"、1-2-3，它不会返回任何内容，因为 Lucene 会将 foo-bar 标记为 foo 和 bar。

我绝对不想通过删除带有replace 的引号来解决这种情况，因为我觉得我可能遗漏了什么或做错了什么。

Answer 1

我实际上得到了 StandardAnalyzer 的不同结果。考虑这段代码（使用 Lucene v4）：

public class Tokens {

    private static void printTokens(String string, Analyzer analyzer) throws IOException {
        System.out.println("Using " + analyzer.getClass().getName());
        TokenStream ts = analyzer.tokenStream("default", new StringReader(string));
        OffsetAttribute offsetAttribute = ts.addAttribute(OffsetAttribute.class);
        CharTermAttribute charTermAttribute = ts.addAttribute(CharTermAttribute.class);

        while(ts.incrementToken()) {
            int startOffset = offsetAttribute.startOffset();
            int endOffset = offsetAttribute.endOffset();
            String term = charTermAttribute.toString();
            System.out.println(term + " (" + startOffset + " " + endOffset + ")");
        }
        System.out.println();
    }

    public static void main(String[] args) throws IOException {
        printTokens("foo-bar 1-2-3", new StandardAnalyzer(Version.LUCENE_40));
        printTokens("foo-bar 1-2-3", new ClassicAnalyzer(Version.LUCENE_40));

        QueryParser standardQP = new QueryParser(Version.LUCENE_40, "", new StandardAnalyzer(Version.LUCENE_40));
        BooleanQuery q1 = (BooleanQuery) standardQP.parse("someField:(foo\\-bar\\ 1\\-2\\-3)");
        System.out.println(q1.toString() + "     # of clauses:" + q1.getClauses().length);
    }
}

上图：

Using org.apache.lucene.analysis.standard.StandardAnalyzer
foo (0 3)
bar (4 7)
1 (8 9)
2 (10 11)
3 (12 13)

Using org.apache.lucene.analysis.standard.ClassicAnalyzer
foo (0 3)
bar (4 7)
1-2-3 (8 13)

someField:foo someField:bar someField:1 someField:2 someField:3     # of clauses:5

所以上面的代码证明StandardAnalyzer 与ClassicAnalyzer 不同，应该将1-2-3 拆分为不同的标记——完全按照你的意愿。对于查询，你需要对每个关键字进行转义，包括空格，否则 QP 认为这有不同的含义。

如果您不想转义查询字符串，您始终可以手动对其进行标记（如上面的printTokens 方法），然后用TermQuery 包装每个标记并将所有术语查询堆叠到BooleanQuery 中。