Lucene：从索引中挖掘电子邮件地址，名称和标识符

Question

我有一个lucene指数约。 100万份文件。从这些文件中，我想了解

1. 电子邮件地址
2. 签名 - （ [whitespace] / s / [whitespace] john doe [whitespace] ）
3. 来自每个文档的特定标识符（遵循正则表达式模式“\ s [0-9] {3} [a-zA-Z0-9] {6} \ s”） 。

我理解理想情况下使用solr，在索引构建期间，它更容易，但是如何从构建的lucene索引中做到这一点？

我正在使用java。对于电子邮件地址搜索，我尝试 .setAllowLeadingWildcard（true），然后搜索 @ 以查找所有电子邮件地址 - 但实际上我没有结果。如果我在卢克搜索 @ ，我得到零结果。如果我在卢克搜索 @ hotmail.com ，我会收到大量有效电子邮件地址的结果，例如aaaaa@hotmail.com。

索引是使用 StandardAnalyzer 创建的。不确定是否重要，但我相信文字是UTF-8。

任何有用的建议，指针都很棒！请注意，这不适用于前端，因此查询不必接近实时。

Answer 1

分析确实很重要，是的。标准分析器会将空格和标点符号（如@）视为将输入拆分为标记的位置。因此，您不会期望它们中的任何一个实际存在于索引数据中。

您可以使用Lucene的正则表达式查询，尤其是第三种情况。我认为，PhraseQuery似乎适用于第二种，尽管我对你想要在那里实现的目标略微感到困惑。

通常，您可能希望对电子邮件字段使用不同的分析器，以便将其用作单个令牌。您应该在搜索特定电子邮件地址时获得合理的结果，因为尽管分析器会删除标点符号，但是在短语中连续搜索电子邮件的三个（通常）标记可能会获得良好的匹配。但是，像\w*@\w*\.\w*这样的正则表达式搜索不会特别有效，因为标点符号实际上不会被编入索引和搜索，并且正则表达式搜索不会跨越索引中的多个术语。除了搜索已知的一组电子邮件域或类似的东西之外，您还希望根据您需要搜索它的方式重新编制使用分析的索引，以便按照您的要求进行操作。