Bigramas del token de indexación en Lucene

Question

Necesito indexar bi-gramos de palabras (tokens) en Lucene. Puedo producir n-grams y luego indexarlos, pero me pregunto si hay algo en Lucene que pueda hacer esto por mí. Descubrí que Lucene solo indexa n-gramas de caracteres. Alguna idea?

Answer 1

Dependiendo de por qué necesita indexar bi-grams, SpanQuery y/o SnowballAnalyzer pueden ser útiles.

Answer 2

Uso del NGramTokenizer:

http://lucene.apache.org/java/2_3_2/api/contrib-analyzers/org/apache/lucene/analysis/ngram/NGramTokenizer.html

Answer 3

La clase que se busca es la ShingleFilter: http://lucene.apache.org/java/2_4_0/api/org/apache/lucene/analysis/shingle/ShingleFilter.html