最簡單的Apache Lucene查詢TermQuery匹配包含指定術(shù)語的任何文檔，無論該術(shù)語出現(xiàn)在每個文檔中的何處 。 使用BooleanQuery可以將多個TermQuery組合在一起，并完全控制哪些術(shù)語是可選的（ SHOULD ）和哪些是必需的（ MUST ）或不應(yīng)該存在（ MUST_NOT ），但是匹配仍然忽略每個術(shù)語在。文獻。

有時您確實在乎術(shù)語的位置，在這種情況下，Lucene具有各種所謂的鄰近查詢。

最簡單的鄰近查詢是PhraseQuery ，以匹配特定的令牌序列，例如“ Barack Obama”。 如圖所示， PhraseQuery是一條簡單的線性鏈：

默認情況下，短語必須精確匹配，但是如果您設(shè)置非零傾斜系數(shù) ，則即使標(biāo)記不完全按順序排列，只要編輯距離在指定的傾斜范圍內(nèi)，文檔仍然可以匹配。 例如，傾斜系數(shù)為1的“巴拉克·奧巴馬”還將與包含“巴拉克·侯賽因·奧巴馬”或“巴拉克·H·奧巴馬”的文檔匹配。 如下圖所示：

現(xiàn)在，圖中有多個路徑，包括任意 （ * ）轉(zhuǎn)換以匹配任意標(biāo)記。 （注意：雖然圖形無法正確表達它，但此查詢還會匹配一個文檔，該文檔的令牌Barack和Obama彼此位于同一位置，這有點奇怪！）

通常，鄰近查詢在CPU和IO資源上的開銷都更大，因為對于每個潛在的文檔命中而言，鄰近查詢必須加載，解碼并訪問另一個維度（位置）。 也就是說，對于精確的匹配（無斜率），使用通用語法，帶狀皰疹和ngram來索引索引中的其他“鄰近項”可以在某些情況下極大地提高性能，但要以增加索引大小為代價。

MultiPhraseQuery是另一個鄰近查詢。 它通過在每個位置允許多個令牌來概括PhraseQuery ，例如：

這與包含domain name system或domain name service任何文檔匹配。 MultiPhraseQuery還接受坡度因數(shù)以允許非精確匹配。

最后，范圍查詢（例如SpanNearQuery ， SpanFirstQuery ）走得更遠，允許您基于每個子句匹配的位置來構(gòu)建復(fù)雜的復(fù)合查詢。 它們的獨特之處在于您可以任意嵌套它們。 例如，您可以先構(gòu)建一個與SpanNearQuery = 1的巴拉克·奧巴馬（Barack Obama）匹配的SpanNearQuery ，然后再另一個與喬治·布什（George Bush）匹配的對象，然后再創(chuàng)建一個SpanNearQuery ，將這兩個都作為子條款，如果它們出現(xiàn)在彼此的10個術(shù)語之內(nèi)，則進行匹配。

TermAutomatonQuery簡介

從Lucene 4.10開始，將有一個新的鄰近查詢，以進一步概括MultiPhraseQuery和span查詢：它允許您直接構(gòu)建一個任意自動機，表達術(shù)語必須按順序出現(xiàn)的方式，包括處理斜率的任何過渡。 這是一個例子：

這是一個非常專業(yè)的查詢，可讓您精確控制組成匹配的令牌順序。 您將按狀態(tài)和按過渡構(gòu)建自動機，包括顯式添加任何過渡（對不起，尚無QueryParser支持，歡迎使用補丁！）。 完成之后，查詢將確定自動機，然后使用與諸如FuzzyQuery之類的查詢用于快速術(shù)語匹配的相同基礎(chǔ)結(jié)構(gòu)（例如CompiledAutomaton ），但將其應(yīng)用于術(shù)語位置而不是術(shù)語字節(jié)。 該查詢像短語查詢一樣天真的得分，在某些情況下可能不理想。

除了此新查詢之外，還有一個簡單的實用程序類TokenStreamToTermAutomatonQuery ，該類將任何圖TokenStream轉(zhuǎn)換為等效的TermAutomatonQuery 。 這很強大，因為它意味著即使是任意令牌流圖也將在搜索時正確表示，并保留一些令牌化程序現(xiàn)在設(shè)置的PositionLengthAttribute 。

盡管這意味著您最終可以在查詢時正確地應(yīng)用任意令牌流圖同義詞，因為索引仍未存儲PositionLengthAttribute ，索引時同義詞仍不完全正確 。 這就是說，它是簡單的建立一個TokenFilter寫入位置長度為有效載荷，然后延長新TermAutomatonQuery從有效載荷讀取和匹配過程中采用的是長度（補丁歡迎！）。

該查詢可能非常慢，因為它假定每個術(shù)語都是可選的； 在許多情況下，確定所需的條件（例如上例中的奧巴馬）并優(yōu)化此類情況將很容易。 如果查詢是從令牌流派生的，因此它沒有周期并且不使用任何過渡，則枚舉自動機接受的所有短語可能會更快（Lucene已經(jīng)具有g(shù)etFiniteStrings API可以對任何自動機），然后根據(jù)這些詞組查詢構(gòu)造布爾查詢。 這將匹配同一組文檔，也將正確保留PositionLengthAttribute ，但是將分配不同的分數(shù)。

該代碼非常新，并且肯定有一些令人興奮的錯誤！ 但是對于任何需要精確控制術(shù)語在文檔中出現(xiàn)位置的應(yīng)用程序來說，這都是一個不錯的開始。

翻譯自: https://www.javacodegeeks.com/2014/08/a-new-proximity-query-for-lucene-using-automatons.html

總結(jié)

以上是生活随笔為你收集整理的使用自动机的Lucene新的邻近查询的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。