使用标准分析仪擦洗Lucene搜索词

Question

我们正在用搜索词字符串构建bool查询来搜索Lucene索引。我希望使用标准分析器分析这些字符串，我们使用的分析器用于索引。例如，foo-bar 1-2-3应该分解为foo，bar，1-2-3，因为Lucene文档声明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运行我的搜索项字符串。

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，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一些东西或做了一些不正确的事情。

Answer 1

我实际上得到了不同的结果Standard ardAnalyzer。考虑以下代码（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);
    }
}

以上印刷品：

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

因此，上面的代码证明了StandardAnalyzer，与例如ClassicalAnalyzer不同，应该将1-2-3拆分为不同的标记-完全按照您的需要。对于查询，您需要转义每个关键字，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，则始终可以手动将其标记化（如上面的printTokens方法），然后使用TermQuery包装每个标记，并将所有TermQuery堆叠到BooleanQuery中。