¿Cómo hacer búsquedas parciales de palabras en Lucene.NET?

Question

Tengo un índice relativamente pequeño que contiene alrededor de 4.000 ubicaciones. Entre otras cosas, lo estoy usando para rellenar un campo de autocompletar en un formulario de búsqueda.

Mi índice contiene documentos con un campo de Ubicación que contiene valores como

• Ohio
• Dayton, Ohio
• Dublin, Ohio
• Columbus, Ohio

quiero estar puedo escribir "ohi" y todos estos resultados aparecen y en este momento no aparece nada hasta que escriba la palabra completa "ohio".

estoy usando v2.3.2.1 Lucene.NET y la parte correspondiente de mi código es el siguiente para la creación de mi consulta ....

BooleanQuery keywords = new BooleanQuery(); 
QueryParser parser = new QueryParser("location", new StandardAnalyzer()); 
parser.SetAllowLeadingWildcard(true); 
keywords.Add(parser.Parse("\"*" + location + "*\""), BooleanClause.Occur.SHOULD); 
luceneQuery.Add(keywords, BooleanClause.Occur.MUST); 

En resumen, me gustaría conseguir este trabajo como una cláusula LIKE similar a

SELECT * from Location where Name LIKE '%ohi%' 

¿Puedo hacer esto con Lucene?

Answer 1

Intentar esta consulta:

parser.Parse(query.Keywords.ToLower() + "*") 

Answer 2

es más una cuestión de poblar su índice con palabras parciales en primer lugar. su analizador debe incluir las palabras clave parciales en el índice mientras analiza (y esperemos que las pondere más abajo que las palabras clave completas).

Los árboles de búsqueda de índice lucene funcionan de izquierda a derecha. si desea buscar en medio de una palabra clave, la divide a medida que la analiza. el problema es que las palabras clave parciales explotarán sus tamaños de índice generalmente.

personas generalmente usan analizadores realmente creativos que rompen palabras en palabras raíz (que quitan prefijos y sufijos).

profundice en la comprensión de lucene. es bueno. :-)

Answer 3

Sí, esto se puede hacer. Pero, comodín líder puede dar lugar a consultas lentas. Compruebe el documentation. Además, si está indexando toda la cadena (por ejemplo, "Dayton, Ohio") como un token único, la mayoría de las consultas se degenerarán en consultas de prefijos. Usar un tokenizer como StandardAnalyzer (que supongo que ya está haciendo) disminuirá el requisito de comodín principal.

Si no desea prefijos iniciales por motivos de rendimiento, puede probar la indexación de ngrams. De esta forma, no habrá ninguna consulta comodín principal. El tokenizador ngram (suponiendo solamente de longitud 4) creará tokens para "Dayton Ohio" como "dayt", "ayto", "yton", y así sucesivamente.