使用自动机的Lucene新的邻近查询

最简单的Apache Lucene查询TermQuery匹配包含指定术语的任何文档，无论该术语出现在每个文档中的何处。使用BooleanQuery可以将多个TermQuery组合在一起，并完全控制哪些术语是可选的（ SHOULD ）和哪些是必需的（ MUST ）或不应该存在（ MUST_NOT ），但是匹配仍然忽略每个术语在。文献。

有时您确实在乎术语的位置，在这种情况下，Lucene具有各种所谓的邻近查询。

最简单的邻近查询是PhraseQuery ，以匹配特定的令牌序列，例如“ Barack Obama”。如图所示， PhraseQuery是一条简单的线性链：

barack_obama1

默认情况下，短语必须精确匹配，但是如果您设置非零倾斜系数 ，则即使标记不完全按顺序排列，只要编辑距离在指定的倾斜范围内，文档仍然可以匹配。例如，倾斜系数为1的“巴拉克·奥巴马”还将与包含“巴拉克·侯赛因·奥巴马”或“巴拉克·H·奥巴马”的文档匹配。如下图所示：

巴拉克奥巴马

现在，图中有多个路径，包括任意（ * ）转换以匹配任意标记。（注意：虽然图形无法正确表达它，但此查询还会匹配一个文档，该文档的令牌Barack和Obama彼此位于同一位置，这有点奇怪！）

通常，邻近查询在CPU和IO资源上的开销都更大，因为对于每个潜在的文档命中而言，邻近查询必须加载，解码并访问另一个维度（位置）。也就是说，对于精确的匹配（无斜率），使用通用语法，带状疱疹和ngram来索引索引中的其他“邻近项”可以在某些情况下极大地提高性能，但要以增加索引大小为代价。

MultiPhraseQuery是另一个邻近查询。它通过在每个位置允许多个令牌来概括PhraseQuery ，例如：

域名系统

这与包含domain name system或domain name service任何文档匹配。 MultiPhraseQuery还接受坡度因数以允许非精确匹配。

最后，范围查询（例如SpanNearQuery ， SpanFirstQuery ）走得更远，允许您基于每个子句匹配的位置来构建复杂的复合查询。它们的独特之处在于您可以任意嵌套它们。例如，您可以先构建一个与SpanNearQuery = 1的巴拉克·奥巴马（Barack Obama）匹配的SpanNearQuery ，然后再另一个与乔治·布什（George Bush）匹配的对象，然后再创建一个SpanNearQuery ，将这两个都作为子条款，如果它们出现在彼此的10个术语之内，则进行匹配。

TermAutomatonQuery简介

从Lucene 4.10开始，将有一个新的邻近查询，以进一步概括MultiPhraseQuery和span查询：它允许您直接构建一个任意自动机，表达术语必须按顺序出现的方式，包括处理斜率的任何过渡。这是一个例子：

barack_obama3

这是一个非常专业的查询，可让您精确控制组成匹配的令牌顺序。您将按状态和按过渡构建自动机，包括显式添加任何过渡（对不起，尚无QueryParser支持，欢迎使用补丁！）。完成之后，查询将确定自动机，然后使用与诸如FuzzyQuery之类的查询用于快速术语匹配的相同基础结构（例如CompiledAutomaton ），但将其应用于术语位置而不是术语字节。该查询像短语查询一样天真的得分，在某些情况下可能不理想。

除了此新查询之外，还有一个简单的实用程序类TokenStreamToTermAutomatonQuery ，该类将任何图TokenStream转换为等效的TermAutomatonQuery 。这很强大，因为它意味着即使是任意令牌流图也将在搜索时正确表示，并保留一些令牌化程序现在设置的PositionLengthAttribute 。

尽管这意味着您最终可以在查询时正确地应用任意令牌流图同义词，因为索引仍未存储PositionLengthAttribute ，索引时同义词仍不完全正确。这就是说，它是简单的建立一个TokenFilter写入位置长度为有效载荷，然后延长新TermAutomatonQuery从有效载荷读取和匹配过程中采用的是长度（补丁欢迎！）。

该查询可能非常慢，因为它假定每个术语都是可选的；在许多情况下，确定所需的条件（例如上例中的奥巴马）并优化此类情况将很容易。如果查询是从令牌流派生的，因此它没有周期并且不使用任何过渡，则枚举自动机接受的所有短语可能会更快（Lucene已经具有getFiniteStrings API可以对任何自动机），然后根据这些词组查询构造布尔查询。这将匹配同一组文档，也将正确保留PositionLengthAttribute ，但是将分配不同的分数。

该代码非常新，并且肯定有一些令人兴奋的错误！但是对于任何需要精确控制术语在文档中出现位置的应用程序来说，这都是一个不错的开始。