Question

我想使用Lucene（特别是Lucene.NET）来搜索电子邮件地址域。

E.g。我想搜索“@ gmail.com”以查找发送到Gmail地址的所有电子邮件。

对“*@gmail.com”运行Lucene查询会导致错误，星号不能位于查询的开头。运行“@ gmail.com”的查询不会返回任何匹配项，因为“foo@gmail.com”被视为一个完整的单词，并且您无法仅搜索单词的某些部分。

我该怎么做？

Answer 1

没有人给出满意的答案，所以我们开始探索Lucene文档并发现我们可以使用自定义分析器和标记符来完成此任务。

答案是这样的：创建一个WhitespaceAndAtSymbolTokenizer和一个WhitespaceAndAtSymbolAnalyzer，然后使用这个分析器重新创建你的索引。执行此操作后，搜索“@ gmail.com”将返回所有gmail地址，因为我们刚刚创建的Tokenizer将其视为单独的单词。

这是源代码，它实际上非常简单：

class WhitespaceAndAtSymbolTokenizer : CharTokenizer
{
    public WhitespaceAndAtSymbolTokenizer(TextReader input)
        : base(input)
    {
    }

    protected override bool IsTokenChar(char c)
    {
        // Make whitespace characters and the @ symbol be indicators of new words.
        return !(char.IsWhiteSpace(c) || c == '@');
    }
}


internal class WhitespaceAndAtSymbolAnalyzer : Analyzer
{
    public override TokenStream TokenStream(string fieldName, TextReader reader)
    {
        return new WhitespaceAndAtSymbolTokenizer(reader);
    }
}

就是这样！现在您只需要重建索引并使用这个新分析器进行所有搜索。例如，要将文档写入索引：

IndexWriter index = new IndexWriter(indexDirectory, new WhitespaceAndAtSymbolAnalyzer());
index.AddDocument(myDocument);

执行搜索也应该使用分析器：

IndexSearcher searcher = new IndexSearcher(indexDirectory);
Query query = new QueryParser("TheFieldNameToSearch", new WhitespaceAndAtSymbolAnalyzer()).Parse("@gmail.com");
Hits hits = query.Search(query);

Answer 2

我看到你有你的解决方案，但是我本可以避免这种情况，并在你正在索引的文件中添加了一个名为email_domain的字段，我将在其中添加已解析的电子邮件地址域。这可能听起来很愚蠢，但与此相关的存储量非常小。如果您想要变得更有魅力，可以说某个域有很多子域，您可以改为生成反向域所在的字段，这样您就可以存储com.gmail，com.company.department或ae.eim，这样您就可以找到所有阿拉伯联合酋长国相关地址的前缀查询为'ae。'

Answer 3

还有setAllowLeadingWildcard

但要小心。这可能会非常昂贵（这就是默认情况下禁用的原因）。也许在某些情况下这可能是一个简单的解决方案，但我更喜欢Judah Himango所述的自定义Tokenizer。

Answer 4

您可以使用单独的字段来索引电子邮件地址：索引'foo@gmail.com'为'moc.liamg@oof' 这使您可以查询“moc.liamg@*”

使用Lucene搜索电子邮件地址

4 个答案: