6

我想使用 Lucene（特别是 Lucene.NET）来搜索电子邮件地址域。

例如，我想搜索“@gmail.com”以查找发送到 gmail 地址的所有电子邮件。

对“*@gmail.com”运行 Lucene 查询会导致错误，星号不能位于查询的开头。对“@gmail.com”运行查询不会返回任何匹配项，因为“foo@gmail.com”被视为一个完整的单词，您不能只搜索单词的一部分。

我怎样才能做到这一点？

4

4 回答 4

12

没有人给出令人满意的答案，因此我们开始研究 Lucene 文档，发现我们可以使用自定义分析器和标记器来完成此任务。

答案是这样的：创建一个 WhitespaceAndAtSymbolTokenizer 和一个 WhitespaceAndAtSymbolAnalyzer，然后使用这个分析器重新创建索引。执行此操作后，搜索“@gmail.com”将返回所有 gmail 地址，因为由于我们刚刚创建的 Tokenizer，它被视为一个单独的词。

这是源代码，它实际上非常简单：

class WhitespaceAndAtSymbolTokenizer : CharTokenizer
{
    public WhitespaceAndAtSymbolTokenizer(TextReader input)
        : base(input)
    {
    }

    protected override bool IsTokenChar(char c)
    {
        // Make whitespace characters and the @ symbol be indicators of new words.
        return !(char.IsWhiteSpace(c) || c == '@');
    }
}


internal class WhitespaceAndAtSymbolAnalyzer : Analyzer
{
    public override TokenStream TokenStream(string fieldName, TextReader reader)
    {
        return new WhitespaceAndAtSymbolTokenizer(reader);
    }
}

就是这样！现在您只需要重建索引并使用这个新的分析器进行所有搜索。例如，要将文档写入索引：

IndexWriter index = new IndexWriter(indexDirectory, new WhitespaceAndAtSymbolAnalyzer());
index.AddDocument(myDocument);

执行搜索也应该使用分析器：

IndexSearcher searcher = new IndexSearcher(indexDirectory);
Query query = new QueryParser("TheFieldNameToSearch", new WhitespaceAndAtSymbolAnalyzer()).Parse("@gmail.com");
Hits hits = query.Search(query);
于 2008-08-21T16:38:40.307 回答
6

我看到你有你的解决方案，但我的会避免这种情况，并在你正在索引的文档中添加一个名为 email_domain 的字段，我会在其中添加电子邮件地址的解析域。这听起来可能很愚蠢，但与此相关的存储量非常少。如果您想变得更高级，假设某个域有很多子域，则可以改为创建一个域，将反向域放入其中，这样您就可以存储 com.gmail、com.company.department 或 ae.eim，这样您就可以找到所有带有“ae”前缀查询的阿拉伯联合酋长国相关地址。

于 2008-08-22T21:07:01.620 回答
2

还有setAllowLeadingWildcard

But be careful. This could get very performance expensive (thats why it is disabled by default). Maybe in some cases this would be an easy solution, but I would prefer a custom Tokenizer as stated by Judah Himango, too.

于 2008-09-19T07:37:46.963 回答
0

您可以使用一个单独的字段来索引反向的电子邮件地址： Index 'foo@gmail.com' as 'moc.liamg@oof' 这使您可以查询“moc.liamg@*”

于 2008-09-17T14:13:41.083 回答