Solr 用数字索引短连字符

Question

我已经为这个问题搜索了堆栈溢出，但没有一个解决特定模式的字母连字符号，这似乎是 Solr 遇到问题的特定情况。

我们的产品带有短连字符字母数字词，需要在 Solr 中编入索引并可供搜索。例如标题为“aimpoint t-2”的产品。用户应该能够查询“t-2”或“aimpoint t-2”以获得结果。

我已经尝试了所有可能的标记器和过滤器组合，但无法做到这一点，希望这是我错过的简单事情。

schema.xml (Solr 6.5) 的相关部分：

<field name="product_name" type="text_en" indexed="true" stored="true" multiValued="false" />

<fieldType name="text_en" class="solr.TextField" positionIncrementGap="100">
        <analyzer type="index">
            <tokenizer class="solr.ClassicTokenizerFactory"/>
            <filter class="solr.LowerCaseFilterFactory"/>
            <filter class="solr.WordDelimiterGraphFilterFactory" preserveOriginal="1"/>
            <filter class="solr.FlattenGraphFilterFactory"/>
        </analyzer>
        <analyzer type="query">
            <tokenizer class="solr.ClassicTokenizerFactory"/>
            <filter class="solr.LowerCaseFilterFactory"/>
            <filter class="solr.WordDelimiterGraphFilterFactory" preserveOriginal="1"/>
        </analyzer>
    </fieldType>

提前致谢

更新 1：

根据 MatsLindh 的回答，我有以下更新的 schema.xml

<fieldType name="text_en" class="solr.TextField">
        <analyzer type="index">
            <tokenizer class="solr.WhitespaceTokenizerFactory"/>
            <filter class="solr.LowerCaseFilterFactory"/>
        </analyzer>
        <analyzer type="query">
            <tokenizer class="solr.WhitespaceTokenizerFactory"/>
        </analyzer>
    </fieldType>

这是分析选项卡的输出：

这里是调试查询数据：

https://gist.githubusercontent.com/jordotech/d73fecfe6e6c0ee8c2177ea2bd9d5ff2/raw/6969686eef7a43f2072849138a7178b41692e6a8/query_debug.json

它与调试 json 的这一部分有关吗？

"parsedquery":"+(+SynonymQuery(Synonym(text:t text:t2)) +text:2)",
    "parsedquery_toString":"+(+Synonym(text:t text:t2) +text:2)",

好像去掉了连字符

Answer 1

Solr 在索引过程中没有关于- 的任何特殊问题 - 任何处理都将由标记器和过滤器中的规则确定，您可以使用 Solr 管理界面中的Analysis 选项卡来准确查看您的文本是如何通过链中的每个步骤处理的。

您将需要一个 WhitespaceTokenizer 来仅拆分 （而不是 -，StandardTokenizer 或 ClassicTokenizer 将拆分。经典标记器应该不理会t-2，但您的后续步骤不会）。

您还将删除WordDelimiterGraphFilterFactory，除非您想进一步拆分它（即，如果您需要支持仅搜索t 而不仅仅是t-2。

来自word delimiter graph filter的描述：

非字母数字字符（丢弃）：“hot-spot” -> “hot”、“spot”

.. 如果您想将令牌保留为 t-2，这不是您想要的。