Question

我对Solr比较新，所以如果我错过了一些明显的东西，请原谅我。我有一个应用程序，允许用户搜索音乐艺术家。索引来自一个具有正确拼写的只读数据库，因此在索引方面我已经弄明白了。

在查询方面，我需要预测各种拼写错误/差异，并希望帮助solr找到这些实例。从我们原有的本土搜索解决方案中，我有一个正则表达式列表和他们适用的艺术家。当我试图使用PatternReplaceCharFilterFactory将它们转换为solr时，我注意到有些工作完美，而其他人根本没有工作......看起来没有押韵也没有理由。

例如：

<charFilter class="solr.PatternReplaceCharFilterFactory" pattern="em[ei]n[ei]m" replacement="Eminem"/>

准确地捕捉了Eminem的常见拼写错误。但对于乐队311：

<charFilter class="solr.PatternReplaceCharFilterFactory" pattern="[Tt]hree [Ee]leven" replacement="311"/>

不起作用。另一个例子是Nine Inch Nails：

<charFilter class="solr.PatternReplaceCharFilterFactory" pattern="((nine|9).*inch.*nails\b)|(n\.? ?i\.? ?n\.?\b)" replacement="Nine Inch Nails"/>

非常适合寻找乐队名称的最常见模式。但是对于Eve 6：

       <charFilter class="solr.PatternReplaceCharFilterFactory" pattern="[Ee]ve.{0,4}([Ss]ix|6)" replacement="Eve 6"/>

在使用此过滤器时，我是否缺少一些基本的东西？我已经尝试了上面提到的正则表达式的一些变体（即使使用像'三十一'这样的文字），但仍然没有成功。我已经尝试将有问题的过滤器作为分析器中唯一的PatternReplaceCharFilterFactory。我也确定这些项目在索引中是正确的，因为当我搜索正确的拼写时，它会返回正确的结果。

有什么建议吗？

Snowdall

Answer 1

我怀疑问题不在于您的Char Factory，而是因为毕竟是什么，特别是令牌化器。如果您使用标准标记器，它将删除您刚刚放入流中的数字。如果您不需要将文本拆分为令牌，则可以改为KeywordTokenizerFactory。

通常，在Solr 4+中解决此问题的最佳方法是管理WebUI中的“分析”屏幕。它允许您根据特定字段类型输入文本，并查看分析链中每个组件之后发生的情况。

Answer 2

我建议将SynonymFilter用于您描述的应用程序类型。它允许您提供一个外部文件，您可以在其中列出单词及其同义词，如：

eminem <=> emenem
nine <=> 9

如果您在此之前使用LowerCaseFilter，则不必在同义词中对案例规范化大惊小怪。只要你没有标记化，你就应该能够处理311案例（即使用像Alexander Rafalovitch所建议的KeywordTokenizer）。

solr PatternReplaceCharFilterFactory意外工作

2 个答案: