【发布时间】：2010-01-14 17:44:26
【问题描述】：
我在之前的项目中使用过 Lucene，所以我对 API 有点熟悉。但是，我从来不需要做任何“花哨”的事情（其中“花哨”意味着使用过滤器、不同的分析器、提升、有效负载等）。
我即将着手实现 XQuery 的全文搜索功能：
http://www.w3.org/TR/xpath-full-text-10/
它的查询能力是我见过的最复杂的。根据我使用 Lucene 的经验，我知道它可以用来实现一些特性；但是，我想遍历它们。对于每个功能，我只需要一个简单的答案，例如“功能 X 最好使用查询过滤器来实现”，这样我才能从每个功能的正确方向开始。
注意：我将实现自己的查询解析器，并使用 Lucene 类的各种实例“手动”构建查询。
3.3 基数选择
这让你可以说：
title ftcontains "usability" occurs at least 2 times
这意味着标题字段必须至少包含两次“可用性”。如何做到这一点？
3.4.4 词干选项
这允许您将已编入索引的单词与查询中的词干进行匹配，例如：
title ftcontains "improve" with stemming
即使标题包含“改进”也会匹配。请注意，不能使用 PorterStemFilter，因为是否使用词干提取的决定是在查询时而不是索引时指定的。
在这种情况下，我是否必须将每个单词添加到索引中两次？一次用于原始词，一次用于词干词（假设词干词与原始词不同）？还是有更好的办法？
3.4.5 案例选项
这允许您在查询时指定“不区分大小写”、“区分大小写”、“小写”、“大写”之一。
我认为最后两个可以使用查询过滤器来实现，因为对于“小写”，它仅在文档文本全部为小写时才匹配（对于“大写”也是如此）。
但是，您将如何处理不区分大小写/区分大小写的规范？一种想法是将每个单词添加两次：一次以原始大小写，一次以标准化大小写（任意选择为小写）。有更好的想法吗？
3.4.6 变音符号选项
这类似于 Cast Option，除了它的“变音符号不敏感”或“变音符号敏感”。如何实现呢？
3.4.7 停用词选项
这允许您指定--qt 查询时间--“带停用词”，例如：
abstract ftcontains "propagating of errors"
with stop words ("a", "the", "of")
将匹配包含“传播少量错误”的摘要的文档。这似乎很奇怪，我知道。就好像停用词变成了通配符，即：
"propagating of errors" -> "propagating * errors"
其中 * 将匹配文档中的任何单词。这如何在 Lucene 中实现？
3.5.3 轻度-非选择
XQuery 有两种类型的“非”：（常规）非和轻度非。这使您可以进行如下查询：
body ftcontains "Mexico" not in "New Mexico"
只有当它不是短语“New Mexico”的一部分时，它才会匹配包含“Mexico”的文档。我猜你可以为此使用查询过滤器，是吗？
3.6.1 有序选择
这允许您要求查询中的单词顺序与文档中单词的顺序相匹配，例如：
title ftcontains ("web site" ftand "usability") ordered
只有当短语“web site”和单词“usability”都出现在文档中并且“usability”按单词顺序出现在“web site”之后时才会匹配。 Lucene SpanQuery 类必须可以访问单词位置，是吗？您如何访问这些？
3.6.4 范围选择
这允许您要求单词出现在相同的“范围”中，例如：
abstract ftcontains "usability" ftand "web site" same sentence
你也可以任意组合{same|different} {sentence|paragraph}。我对此的猜测也是跟踪有效载荷中的句子/段落数据。是吗？
3.7 忽略选项
给定部分 XQuery：
let $x := <book>
<title>Web Usability and Practice</title>
<author>Montana <annotation> this author is
an expert in Web Usability</annotation> Marigold
</author>
<editor>Vera Tudor-Medina on Web <annotation> best
editor on Web Usability</annotation> Usability
</editor>
</book>
如果我有疑问：
book ftcontains "Web Usability" without content $x//annotation
那么它根本不会考虑元素内的任何文本。 “Web 可用性”会出现两次：一次在标题元素中，一次在编辑器元素中。请注意，后一个元素恰好出现在“Web 可用性”这个短语的中间。我对此的猜测也是使用有效负载数据来存储每个单词所在的元素，然后使用基于此的过滤器。是吗？
我意识到这很多，但任何指针表示赞赏。谢谢！
【问题讨论】：