Algorithm 对于我的数据集，我的模糊搜索方法会比使用Lucene更好吗？

我想在我目前正在开发的web应用程序中实现一个模糊搜索功能。后端是用Java编写的，碰巧大家推荐的搜索引擎也是用Java编写的。一、 然而，出于以下几个原因，我不敢使用它：

我会觉得自己有成就感

Lucene有太多的功能，我不认为自己在使用这些功能；我想尽量减少浮肿

据我所知，Lucene的模糊搜索实现手动评估每个索引项的编辑距离。我觉得我想采取的方法（详见下文）会更有效率

要编入索引的数据可能是英语中的一整套名词和专业名词，因此你可以看到Lucene的模糊搜索方法让我感到厌倦

我想做的是采用一种基于n-gram的方法来解决这个问题：从数据库中读取并标记每个项目，并将它们保存到磁盘中，保存在由给定n-gram及其位置命名的文件中

例如：假设

n=3

，我的文件命名方案类似于：

[n-gram]\uu[n-gram\u在字符串中的位置].txt

文件

bea_0.txt

将包含：

bear
beau
beacon
beautiful
beats by dre

当我收到要搜索的术语时，我可以简单地将其标记为n-gram，并使用它们及其相应的位置来读入相应的n-gram文件（如果存在）。然后，我可以对这组数据执行任何过滤操作（消除不在给定长度范围内的过滤操作，执行编辑距离计算等），而不是对整个数据集执行过滤操作

我的问题是。。。我想我有几个问题

Lucene的模糊搜索是否有任何改进，但我不知道这会使我的方法变得不必要

这是一种实现模糊搜索的好方法（考虑到我正在处理的数据集），还是有一些我过于简单化/遗漏的地方

---

作为记录，当你处理英语语料库时，Lucene（或Solr，但我想你可以在vanilla Lucene中使用它们）有一些可能有用的语音分析器

Lucene 4.0 alpha刚刚发布，现在很多东西更容易定制，因此您还可以在此基础上创建自定义模糊搜索

---

在任何情况下，Lucene都有多年的性能改进，因此您很难实现相同的性能。当然，对于您的情况来说，它可能已经足够好了……

Lucene 3.x模糊查询用于评估查询项和每个索引项之间的距离（蛮力方法）。鉴于这种方法效率很低，Lucene spellchecker过去常常依赖于类似于您所描述的东西：Lucene首先搜索与查询词具有类似n-gram的词，然后根据字符串距离（例如Levenshtein或）对这些词进行评分

然而，这在Lucene 4.0（）中发生了很大变化：。这是如此之快，现在有一个新的，不需要一个专门的索引，并直接与一个自动机相交的术语词典，类似于FuzzyQuery