Solr / Lucene-以数字结尾的字符串的前缀查询

Question

我注意到一些我在solr（7.5版）中无法解释的行为。我有两个文档，每个文档都包含一个具有完整文件路径的字段。

doc1: {
    path: ["/home/kyle/filea.txt"]
},
doc2: {
    path: ["/home/kyle/file1.txt"]
}

• 如果我发出查询：path:filea.*，则正确返回doc1。
• 如果我发出查询：path:file1*，则正确返回doc2。
• 如果我发出查询：path:"file1.*"，则正确返回doc2。
• 如果我发出查询：path:file1.*，则不返回doc2。

我在索引分析器和查询分析器上具有默认的TokenizerChain，并且该字段是多值的。

所以我的问题：solr / lucene在幕后做什么导致查询：

• <string><number>.*

在以下其他通用情况下，不返回我期望的文档：

• <string>.*（无尾号），
• <string><number>*（查询中没有点）
• "<string><number>.*"（用引号查询）

所有人都返回我认为应该的东西？

Answer 1

您的分析器根据UAX#29中指定的规则将字符串拆分为令牌。此处感兴趣的规则是WB6- WB12。它不会在一个句点（例如一个缩写）或数字组（例如一个十进制数字）之间拆分字母组，但是会拆分字母后跟数字（反之亦然）。

也就是说：

• “ one.two”成为一个标记：“ one.two”。在doc1中，您将获得令牌：“ filea.txt”
• “ 1.2”成为一个令牌：“ 1.2”
• “ one.2”成为两个标记：“ one”和“ 2”。在doc2中，您将获得令牌：“ file1”和“ txt”
• “ 1.two”成为两个标记：“ 1”和“ two”

要理解的另一件事是，通配符查询没有被标记化，因此它们将无法找到经过分析后会跨越两个标记的模式，或者在这种情况下，不会在标记化中消除字符。

因此，您的查询：

• path:filea.*查找“ filea”。作为前缀。之所以找到它，是因为“ filea.txt”是索引中存在的令牌。
• path:file1*查找“ file1”作为前缀。之所以找到它，是因为““ file1”是索引中的标记。
• path:"file1.*"是短语查询，短语查询中没有通配符。因此，“ file1。*”经过分析，从而消除了标点符号，并变成了“ file1”，可以在索引中找到它。
• path:file1.*查找“ file1”。作为前缀。 “ file1”和“ txt”在索引中，但“ file1”。不是，所以找不到任何东西。