使用 Lucene 4 正则表达式搜索社会安全号码答案

【问题标题】：Searching for Social security number using Lucene 4 regexp使用 Lucene 4 正则表达式搜索社会安全号码
【发布时间】：2014-03-29 02:14:39
【问题描述】：

我正在尝试使用 Lucene 4 Regexp 查询来查找社会保险号。如果使用 StandardAnalyzer 或 EnglishAnalyzer 分析该字段，是否还有一些方法可以匹配 222-33-4444 或 222 33 4444 等字符串。

据我所知，这些分析器标记了 SSN 的组件，然后无法捕获 3 个组件的连续匹配。理想情况下，我希望222 33 4444 匹配"/[0-9]{3}/ /[0-9]{2}/ /[0-9]{4}/" 之类的内容，但这似乎不是因为短语查询不适用于正则表达式（是吗？）有什么建议吗？

【问题讨论】：

我们可以知道为什么您要查找 SSN 吗？
它是一种取证类型的软件，供人们查找和编辑敏感信息。

标签： regex lucene

【解决方案1】：

如果您只有一个标识符字段或类似的字段，请使用 StringField 或其他一些未标记的字段，在这种情况下，简单的 RegExpQuery 很容易定义。

如果您尝试将它们从必须标记化的全文字段中提取出来（我假设是这种情况），您可以使用SpanQuery API 来构造适当的查询：

SpanQuery span1 = new SpanMultiTermQueryWrapper(new RegexpQuery(new Term("text", "[0-9]{3}")));
SpanQuery span2 = new SpanMultiTermQueryWrapper(new RegexpQuery(new Term("text", "[0-9]{2}")));
SpanQuery span3 = new SpanMultiTermQueryWrapper(new RegexpQuery(new Term("text", "[0-9]{4}")));

Query query = new SpanNearQuery({span1, span2, span3}, 0, true);

searcher.search(query, maxResults)

【讨论】：

【解决方案2】：

您可以使用 INTERVAL 标志：

/<000-999>/ /<00-99>/ /<0000-9999>/

> INTERVAL

【讨论】：

不幸的是，这将匹配任何具有 2、3 或 4 位数字字符串的任何文档。我需要匹配 3、2、4 位的连续字符串。
那为什么不/<000-999><00-99><0000-9999>/
与 222 33 4444 不匹配
它应该匹配222 33 4444吗？在您的问题中，您说您希望 222 33 4444 匹配正则表达式 - 它是什么？你试过带空格的间隔吗？ /<000-999> <00-99> <0000-9999>/，这可能会有所帮助。

【解决方案3】：

我不知道 lucene，但这个正则表达式有效：

'\d{3}[ \-]\d{2}[ \-]\d{4}'

两者都匹配：

222 33 4444 和 222-33-4444

【讨论】：

很遗憾，在 Lucene 中无法使用已分析的字段。通常，打赌你并不真正需要知道附带的详细信息是足够安全的，因为正则表达式是正则表达式，但在这种情况下不是。
@femtoRgon SpanQuery 在我的情况下确实有效。非常感谢。从最近几天开始，我一直在寻找解决方案，如果您昨天没有添加评论，我无法得到您的答案。 stackoverflow.com/questions/27942207/…