我正在使用索引，其中包含多种文档，有些可能包含自定义标记，如：
“一些长句
<custom-tag attr="value" />在此结束”“一些长句
<custom-tag attr="value" />在<custom-tag-2 attr="value2" />结束”- “另一个长句
<another-custom-tag attr="value" />结束<another-custom-tag attr=value />此处”
我应该找到与标签的名称和属性完全无关的完全匹配。 构建这样一个假设的查询，我想到的第一件事是正则表达式，例如：
- “一些长句
regex(<[^>]*>?以此结尾”
将返回第一个文档，
- “一些长句
regex(<[^>]*>?结束了regex(<[^>]*>?”
会返回第二份文件。
这是我能用 Lucene 3.x 实现的吗？我甚至考虑迁移到 Lucene 4.8 Beta ，如果它合理的话。
任何人处理类似的事情？我应该考虑陷阱吗？
我想最简单的方法是存储相同的文本，但是会从第二个字段上的标记中删除，而是在该字段上执行搜索。 我很感激任何意见或建议。
答案 0 :(得分：1)
您最好的选择（在任何版本中）都是创建一个TokenFilter，它可以识别标记/正则表达式并从令牌流中省略它们。
btw：我发现永远不会存储字段（可能除了“标识符”字段之外“很好”。然后将对象序列化为二进制字段。这将“索引”与“数据”分开。在搜索速度和IO要求方面有一些好处