Lucene查詢：bla〜*（匹配的單詞以模糊的東西開頭），怎麼樣？

Question

在Lucene的查詢語法，我想結合*和〜類似有效的查詢： BLA〜* //無效的查詢

含義：請匹配以「喇嘛」開頭的單詞或類似的東西「喇嘛」。

更新： 我現在所做的工作，適用於小的輸入，是使用以下（SOLR模式的片段）：

<fieldtype name="text_ngrams" class="solr.TextField"> 
    <analyzer type="index"> 
     <tokenizer class="solr.WhitespaceTokenizerFactory"/> 
     <filter class="solr.WordDelimiterFilterFactory" generateWordParts="1" generateNumberParts="1" catenateWords="1" catenateNumbers="1" catenateAll="0" splitOnCaseChange="0"/> 
     <filter class="solr.LowerCaseFilterFactory"/> 
     <filter class="solr.EdgeNGramFilterFactory" minGramSize="2" maxGramSize="15" side="front"/> 
    </analyzer> 
    <analyzer type="query"> 
     <tokenizer class="solr.WhitespaceTokenizerFactory"/> 
     <filter class="solr.WordDelimiterFilterFactory" generateWordParts="1" generateNumberParts="1" catenateWords="0" catenateNumbers="0" catenateAll="0" splitOnCaseChange="0"/> 
     <filter class="solr.LowerCaseFilterFactory"/> 
    </analyzer> 

如果你不使用SOLR，這做了以下。

索引時間：通過創建包含我的（短）輸入的所有前綴的字段索引數據。

搜索時間：僅使用〜運算符，因爲索引中明確存在前綴。

Answer 1

我不相信Lucene支持這樣的事情，我也不相信它有一個微不足道的解決方案。

「模糊」搜索不會對固定數量的字符進行操作。例如bla~可以匹配blah，因此它必須考慮整個術語。

你可以做的是實現一個拿着查詢bla~*，並把它轉換成一系列或查詢

bla* OR blb* OR blc OR .... etc. 

查詢擴展算法但是，這確實是唯一可行的，如果字符串很短，或者如果您可以根據一些規則縮小擴展範圍。

或者，如果前綴的長度是固定的，您可以添加一個字段與子字符串並對其執行模糊搜索。這會給你你想要的，但只會在你的用例足夠窄的時候纔會起作用。

你沒有確切地說明你爲什麼需要這個，也許這樣做會引出其他解決方案。

我能想到的一種情況是處理不同形式的單詞。例如。找到car和cars。

這是很容易的英文，因爲有詞幹提供。在其他語言中，如果不是不可能的話，實施詞幹分析者可能相當困難。

然而，在這種情況下，您可以（假設您有權訪問一本好字典）查找搜索詞並以編程方式展開搜索以搜索該詞的所有形式。

E.g.搜索cars被翻譯成car OR cars。至少在一個搜索引擎中，這已經成功地應用於我的語言，但顯然不是很容易實現。

Answer 2

你的意思是你想結合通配符和模糊查詢？你可以使用一個布爾查詢與OR條件結合起來，例如：

BooleanQuery bq = new BooleanQuery(); 

Query q1 = //here goes your wildcard query 
bq.Add(q1, BooleanClause...) 

Query q2 = //here goes your fuzzy query 
bq.Add(q2, BooleanClause...) 

Answer 3

這是一個地址搜索服務，在這裏我想建議基於地址部分類型和可能的錯誤輸入街道名稱/ citynames的/ etc（任組合）。 （想AJAX，用戶鍵入的文本字段部分街道地址）

對於這種情況，建議查詢擴展也許不是那麼可行，因爲部分字符串（街道地址）可能會變得長於「短」 :)

歸我能想到的

一種可能性是使用字符串「正常化」，而不是模糊搜索，並簡單地結合起來，與通配符查詢。街道地址

"miklabraut 42, 101 reykjavík"，歸一化時將變爲"miklabrat 42 101 rekavik"。

因此，建築指數這樣：

1）建立與含街道名稱，城市名稱等的「正常化」的版本記錄索引，每個文件（1個或幾個領域一個街道地址）。

和搜索這樣指數：

2）歸一化inputstrings（例如mikl reyk）用於形成查詢（即mik rek）。 3）使用通配符op來執行搜索（即mik* AND rek*），留下模糊部分。

這將飛翔，提供標準化的算法是在Lucene的發展幹線（尚未釋放）足夠好:)

Answer 4

，有代碼來支持的用例這樣，通過AutomatonQuery。警告：API在發佈之前可能會/會發生變化，但它給了你這個想法。

這裏是你的情況的一個例子：

// a term representative of the query, containing the field. 
// the term text is not so important and only used for toString() and such 
Term term = new Term("yourfield", "bla~*"); 

// builds a DFA that accepts all strings within an edit distance of 2 from "bla" 
Automaton fuzzy = new LevenshteinAutomata("bla").toAutomaton(2); 

// concatenate this DFA with another DFA equivalent to the "*" operator 
Automaton fuzzyPrefix = BasicOperations.concatenate(fuzzy, BasicAutomata.makeAnyString()); 

// build a query, search with it to get results. 
AutomatonQuery query = new AutomatonQuery(term, fuzzyPrefix);