如何在SOLR/lucene中匹配搜索字符串的子集

我有一个不寻常的情况。通常，当您搜索文本索引时，您是针对包含大量术语的文档搜索少量关键字

例如，您可能会搜索“快速棕色”，并期望匹配“快速棕色狐狸跳过懒狗”

我的文档库中有很多小短语，我希望将它们与较大的查询短语进行匹配

例如，如果我有一个查询：

• “敏捷的棕色狐狸跳过懒惰的狗”

文件呢

• “快速棕色”
• “狐狸过来”
• “懒狗”

我想查找查询中出现短语的文档。在本例中，“quick brown”和“lazy dog”（但不是“fox over”，因为尽管标记匹配，但它不是搜索字符串中的短语）

---

SOLR/lucene可以进行这种查询吗？

听起来像是需要Demax“最小匹配”参数。我在这里写了一篇关于这个概念的博客文章：。还有一个问题

“最小匹配”概念应用于查询中的所有“可选”术语——未使用+/-明确指定的术语，无论它们是“+强制”还是“-禁止”。默认情况下，最小匹配为100%，这意味着必须存在100%的可选术语。换句话说，你的所有条款都是强制性的

这就是为什么较长的查询当前不匹配包含该短语较短片段的文档。较长搜索短语中的其他关键字被视为必填项

如果您将最小匹配项降到

1

，则只有一个可选条款将被视为强制性条款。在某些方面，这与100%的违约相反。这就像你查询的

quickbrownfox…

变成

quick或brown或fox或…

等等

如果将最小匹配项设置为

2

，则搜索短语将分成两个词组。搜索

quickbrownfox

会变成

（quickbrown）或（brownfox）或（quickfox）.

等等。（请原谅我的假想问题，我相信你明白了。）

---

最小匹配参数还支持百分比，比如说，

20%

，有些甚至支持。因此有相当多的可调整性。

仅设置mm参数将无法满足您的需要，因为

“敏捷的棕色狐狸跳过懒惰的狗”

将匹配所有三个文档

• “快速棕色”
• “狐狸过来”
• “懒狗”

正如你所说：

我想找到那些 有一个短语出现在句子中 查询在本例中，“快速棕色”和 “懒狗”（但不是“狐狸过来”，因为 虽然标记匹配，但它不是一个 搜索字符串中的短语）

---

听起来您想在分析中使用ShingleFilter，以便为单词bigrams编制索引：所以在查询和索引时都添加ShingleFilterFactory

在编制索引时，您的文档将按如下方式编制索引：

• “快速棕色”->快速棕色
• “fox over”->fox_over
• “懒狗”->懒狗

查询时，您的查询变成：

• “敏捷的棕色狐狸跳过懒狗”->“敏捷的棕色狐狸跳过懒狗”

这仍然不好，默认情况下，它将形成一个短语查询。 因此，在您的查询分析器中，仅在ShingleFilterFactory之后添加PositionFilterFactory。这将“展平”查询中的位置，以便queryparser将输出视为同义词，这将生成一个包含这些子项的布尔查询（所有应子句，因此基本上是OR查询）：

布尔查询：

• 快还是快
• 快走棕色还是棕色
• 棕色狐狸

---

这应该是最有效的方法，因为它实际上只是一个术语查询的布尔查询。

谢谢Robert。我仍在理解你的答案，但似乎是合理的。它似乎假设一个固定的单一大小。如果你有一个文档有3个或更多的令牌，它能适应吗？如果你有一个文档有3个令牌，我所描述的将索引两个bigram（quick brown fox->quick\u brown\u fox）。因此，它通常也可以正常工作？由于您只对bigrams进行索引，它可能会返回一些误报（想象一下像“brown fox quick brown dog”这样的查询，这将匹配3-token文档，尽管它实际上不包含“quick brown fox”，但确实包含两个单词bigrams），但这很可能是罕见的？