Lucene - Caratteri jolly in frasi

Question

Attualmente sto tentando di utilizzare Lucene per cercare i dati inseriti in un indice.

Posso abbinare su frasi esatte racchiudendolo tra parentesi (cioè "Elaborazione documenti"), ma non riesco a trovare Lucene per trovare quella frase facendo alcun tipo di "Documento di elaborazione *".

La differenza evidente è il carattere jolly alla fine.

Attualmente sto tentando di utilizzare Luca per visualizzare e cercare l'indice. (Cade l'asterisco alla fine della frase durante l'analisi)

Aggiungendo le virgolette attorno i dati sembra essere il principale colpevole come la ricerca di documenti * funzionerà, ma "documento *" non lo fa

Qualsiasi l'assistenza sarebbe molto apprezzata

Answer 1

Non solo il QueryParser non supporta i caratteri jolly nelle frasi, PhraseQuery stesso supporta solo i Termini. MultiPhraseQuery si avvicina, ma come dice il suo sommario, è comunque necessario enumerare IndexReader.terms per abbinare il carattere jolly.

Answer 2

Sembra che QueryParser predefinito non sia in grado di gestirlo. È possibile creare un QueryParser personalizzato per i caratteri jolly nelle frasi. Se il tuo esempio è rappresentativo, stemming potrebbe risolvere il tuo problema. Si prega di leggere la documentazione per PorterStemFilter per vedere se si adatta.

Answer 3

Lucene 2.9 ha ComplexPhraseQueryParser che può gestire i caratteri jolly nelle frasi.

Answer 4

Quello che stai cercando è FuzzyQuery che consente di cercare risultati con parole simili basate su Levenshtein distance. In alternativa potresti anche prendere in considerazione l'utilizzo di slop of PhraseQuery (disponibile anche in MultiPhraseQuery) se l'ordine delle parole non è significativo.

Answer 5

Un'altra alternativa è l'utilizzo di NGrams e in particolare di EdgeNGram. http://wiki.apache.org/solr/AnalyzersTokenizersTokenFilters#solr.EdgeNGramFilterFactory

Ciò creerà gli indici per ngram o parti di parole. Documenti, con una dimensione Ngram min di 5 e le dimensioni Ngram massimo di 8, sarebbe indice: Docum Docume Documento Documenti

c'è un po 'di un compromesso per la dimensione e il tempo di indice. Uno dei libri Solr fornisce una guida approssimativa: L'indicizzazione richiede 10 volte più tempo Utilizza 5 volte più spazio su disco Crea termini 6 volte più distinti.

Tuttavia, EdgeNGram farà meglio di così.

È necessario assicurarsi di non inviare caratteri jolly nelle query. Dato che non stai facendo una ricerca con caratteri jolly, stai abbinando un termine di ricerca su ngrams (parti di parole).

Answer 6

Anche io stavo cercando la stessa cosa e quello che ho trovato è PrefixQuery che fornisce una combinazione di alcune cose come questo "Documento di elaborazione *". Ma la cosa è il campo che stai cercando dovrebbe essere askenizzato e memorizzarlo in minuscolo (motivo per cui dal momento che è indicizzatore non modificato non salverà i valori del campo in lettere minuscole) affinché funzioni.Ecco il codice per PrefixQuery che ha funzionato per me: -

List<SearchResult> results = new List<SearchResult>(); 
Lucene.Net.Store.Directory searchDir = FSDirectory.GetDirectory(this._indexLocation, false); 
IndexSearcher searcher = new IndexSearcher(searchDir); 
Hits hits; 

BooleanQuery query = new BooleanQuery(); 
query.Add(new PrefixQuery(new Term(FILE_NAME_KEY, keyWords.ToLower())), BooleanClause.Occur.MUST); 
hits = searcher.Search(query); 
this.FillResults(hits, results); 

Answer 7

Utilizzare un SpanNearQuery con uno slop 0.

Purtroppo non c'è SpanWildcardQuery in Lucene.Net. O devi usare SpanMultiTermQueryWrapper, o con poco sforzo puoi convertire il java version in C#.