获取与Solr / Lucene中匹配内容关联的元数据

Question

我有一大堆文本文档，我将使用Solr进行索引，其格式是每行文本都有关联的元数据。例如：

#metadata1
A line of text.
#metadata2
Another long, broken line of
#metadata3
text that should be searchable.

我想对此进行索引，以便内容可搜索，包括跨越多行的词组匹配，但不包含元数据。但是，我无法丢弃元数据：我希望任何匹配仍然具有关联的元数据。

E.g。对“文本行”的查询将返回2个匹配，一个是第一行（及其关联的元数据“metadata1”），另一个是第二行和第三行（分别具有关联的“metadata1”和“metadata2”）。

任何人都可以描述如何做到这一点，或者参考一个可以让我开始的教程吗？

Answer 1

由于Solr在封面下使用Lucene，您应该从Lucene文档模型开始：

• index是文档集合
• 文档是一系列字段。
• 字段是一个命名的术语序列。
• 术语是一个字符串。

搜索遍历一个或多个字段并将文档作为结果返回。因此，如果您希望跨多行进行跨度查询，则必须将它们放入一个文档中，但“文本行”查询将只匹配一个文档。

更新：似乎可以使用FieldMaskingSpanQuery搜索多个文件。

如果您不想搜索可行的元数据行（您根本不会将它们编入索引）。还要将元数据包含在结果中（我猜你想在搜索时索引和检索时存储它）。

Answer 2

使用PatternReplaceCharFilterFactory配置fieldType，以便在索引时检测并删除元数据，并存储该字段，以便在匹配时返回元数据。