pdfbox - Lucene-有效的文本搜索

Question

我有一个由pdfbox api类LucenePDFDocument生成的索引。由于索引仅包含文本内容，因此我希望有效地搜索该索引。

我将使用搜索字符串搜索“目录”字段，结果顺序必须是从最相关到​​最不相关。下面给出的代码确实显示了包含所搜索文本单词的文件，例如“您的国籍是什么”，但结果未包含包含此完整句子的文件。

在上述情况下，应使用哪种查询解析器和查询进行搜索。

      Query query = new MultiFieldQueryParser(Version.LUCENE_30, fields,
                new StandardAnalyzer(Version.LUCENE_30))
                .parse(searchString);

      TopScoreDocCollector collector = TopScoreDocCollector.create(5,
                false);
        searcher.search(query, collector);
        ScoreDoc[] hits = collector.topDocs().scoreDocs;
        System.out.println("count " + hits.length);
        for (ScoreDoc scoreDoc : hits) {
            int docId = scoreDoc.doc;
            Document d = searcher.doc(docId);
            System.out.println(d.getField("path"));
        }

Answer 1

这与程序部分无关，而与Lucene quesry syntax有关。要搜索整个短语，只需将其用双引号引起来，即不要搜索

What is your nationality

搜索

"What is your nationality"

不带引号的Lucene会找到所有带有单独单词的文档，即“ what”，“ is”，“ your”和“ nationality”（“ is”和“ your”可能会省略为 stop words），并按不仅在该词组中出现在doc中。由于您将 TopScoreDocCollector中找到的文档数设置为5，因此结果中可能不会出现带有该短语的文件。添加引号可使Lucene忽略所有其他不带确切短语的文档。

同样，如果仅在“目录”字段中搜索，则无需 MultiFieldQueryParser，而可以使用简单的 QueryParser。