Lucene中的模糊查询

Question

我在JAVA中使用Lucene，并根据公司名称为数据库中的表建立索引。 索引之后，我希望对要输入到数据库中的值进行模糊匹配（Levenshtein距离）。 原因是我们不希望因为拼写错误而输入重复字符。

例如，如果我的公司名称为“ Widget Makers XYZ”，则我不想插入“ Widget Maker XYZ”。

根据我的阅读，Lucene的模糊匹配算法应该给我一个介于0到1之间的数字，我想进行一些测试，然后确定一个适当的值来确定有效或无效。

问题是我被困住了，在搜索互联网上似乎无处不在的东西之后，需要StackOverflow社区的帮助。

就像我说的那样，我已经在公司名称上索引了数据库，然后有以下代码：

IndexSearcher searcher = new IndexSearcher(directory);  

new QueryParser(Version.LUCENE_30, "company", analyzer);

Query fuzzy_query = new FuzzyQuery(new Term("company", "Center"));

之后我遇到了问题，基本上我不知道如何获得模糊匹配值。 我知道代码必须类似于以下内容，但是似乎没有任何收集器可以满足我的需求。 （正如您现在所看到的，我只能计算比赛的次数，这对我来说是没有用的）

TopScoreDocCollector collector = TopScoreDocCollector.create(10, true);

searcher.search(fuzzy_query, collector);

System.out.println("\ncollector.getTotalHits() = " + collector.getTotalHits());

我也无法使用Lucene文档中显示的ComplexPhraseQueryParser类。 我在做：

import org.apache.lucene.queryParser.*;

有谁知道为什么它无法访问或我在做什么错？ 对问题的长度表示歉意。

Answer 1

您不需要Lucene即可获得分数。 看一下Simmetrics库 ，它使用起来非常简单。 只需添加罐子并按以下方式使用它：

Levenstein ld = new Levenstein ();
float sim = ld.GetSimilarity(string1, string2);

还要注意，根据数据类型（例如，更长的字符串，＃空格等），您可能希望查看其他算法，例如Jaro-Winkler，Smith-Waterman等。

您可以使用上面的方法确定将模糊重复的字符串折叠为一个“主”字符串，然后进行索引。

Answer 2

您可以通过以下方式获取匹配值：

TopDocs topDocs = collector.topDocs();
for(ScoreDoc scoreDoc : topDocs.scoreDocs) {
    System.out.println(scoreDoc.score);
}