使用精确的编辑距离搜索Lucene

Question

我想用编辑距离搜索Lucene索引。例如，有一个包含字段FIRST_NAME的文档;我希望所有文件的名字距离一个编辑距离，例如'john'。

我知道Lucene支持模糊搜索（FIRST_NAME：john~）并使用0到1之间的数字来控制模糊性。问题（对我来说）是这个数字不直接转换为编辑距离。当文档中的值是短字符串（少于3个字符）时，模糊搜索很难找到它们。例如，如果有一个FIRST_NAME'J'的文档，我搜索FIRST_NAME：I~0.0我没有收到任何回复。

Answer 1

在Lucene的FuzzyQuery中，您无法指定extact距离。您可以在0和1之间指定“模糊”的值，其中接近0的值表示广泛匹配，而接近1的值表示窄匹配。 “模糊性”的公式如下。 （来自Lucene in Action）

http://bit.ly/9hDVuF

从这个公式中，您可以回到给定距离值的近似模糊性。因此，StackOverflow与StackUnderflow匹配，距离为3，所需的模糊度约为0.77。

Answer 2

如果您只需要1个编辑距离，并且结果可以包含完全匹配，那么您可以在查询语言中使用单个字符通配符。如果名称是

john

然后匹配它的查询和1个编辑距离内的任何术语看起来像

?john OR j?ohn OR jo?hn OR joh?n OR john? OR ohn OR jhn OR joh OR ?ohn OR j?hn OR jo?n OR joh?

对于更复杂的案例，您可能需要获取索引中的术语列表（使用IndexReader.term()），保留距离为1的编辑距离，并搜索任何这些术语。