使用标准分析仪擦洗Lucene搜索词

Question

我们正在根据搜索字词字符串构建布尔查询，以搜索我们的Lucene索引。 我希望使用标准分析器（我们用于索引的分析器）分析这些字符串。 例如， foo-bar 1-2-3应该被分解为foo ， bar ， 1-2-3因为Lucene文档指出连字符导致数字保持在一起但单词被标记化。 做这个的最好方式是什么？

目前，我正在通过QueryParser运行搜索词字符串。

QueryParser parser = new QueryParser("", new StandardAnalyzer()); 
Query query = parser.parse(aSearchTermString);

问题是插入了引号。 例如， foo-bar 1-2-3变为"foo bar" （ 1-2-3 ，它不会返回任何内容，因为Lucene会将foo-bar标记为foo和bar 。

我绝对不希望通过用replace删除引号来解决这种情况，因为我觉得我可能丢失了一些东西或做错了什么。

Answer 1

实际上，对于StandardAnalyzer我得到了不同的结果。 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，以上代码证明StandardAnalyzer （与ClassicAnalyzer不同）应该将1-2-3拆分为不同的令牌-完全按照您的意愿。 对于查询，您需要转义每个关键字，包括空格，否则QP认为这具有不同的含义。

如果您不想转义查询字符串，则始终可以手动将其标记化（如上述printTokens方法中的标记），然后用TermQuery包装每个标记并将所有TermQueries堆叠到BooleanQuery 。