java - 使用 Lucene 的 RegexQuery 时匹配的片段

Question

我正在使用 RegexQuery 对 Lucene 索引执行查询操作。例如，我使用 new RegexQuery(new Term("text", "https?://[^\\s]+") 执行 RegexQuery 来获取包含 URL 的所有文档(I要知道，正则表达式过于简化了)。

现在我想检索实际上与我的查询匹配的文本片段，例如http://example.com。 Lucene 是否提供了一种有效的可能性？或者我是否使用 Java 的 RegEx 匹配器再次处理整个文本？

Answer 1

我认为你真正想要的东西是不可能的，但这里有一种不同的方法，具有类似的效果:

打开索引阅读器，获取“http”之后的所有术语(按字典顺序 1 排序)，直到它们不再以“http://”或“https://”开头:

    final IndexReader reader = IndexReader.open(IndexHelper.DIRECTORY, true);
    final TermEnum termEnum = reader.terms(new Term("text", "http"));
    final List<Term> terms = new ArrayList<Term>();
    Term foundTerm = termEnum.term();

    // if the first term does not match url pattern: advance until it first matches
    if (!(foundTerm.text().startsWith("https://") || foundTerm.text().startsWith("http://"))) {
        while (termEnum.next()) {
            foundTerm = termEnum.term();
            if (foundTerm.text().startsWith("https://") || foundTerm.text().startsWith("http://")) {
                break;
            }
        }
    }
    // collect all terms
    while ((foundTerm.text().startsWith("https://") || foundTerm.text().startsWith("http://")) && termEnum.next()) {
        foundTerm = termEnum.term();
        terms.add(foundTerm);
    }

生成的 URL 将出现在“terms”列表中，作为 lucene 术语。

这当然有一个缺点，即您无法获得找到这些 URL 的文档，但您可以随后使用找到的术语再次查询它们。

我在这里布置的方式不是很灵活(但可能更快地完成任务)，但是您当然可以返回到模式以实现更大的灵 active 。然后你将替换所有 foundTerm.text().startsWith("https://") || foundTerm.text().startsWith("http://") 与 yourPattern.matches(foundTerm.text())。

抱歉我写了这么多^^。

希望对您有所帮助。