lucene - 让 lucene 只返回唯一的线程（索引线程和帖子）

Question

我有一个类似 StackOverflow 的系统，其中内容被组织成线程，每个线程都有自己的内容（问题正文/文本）和帖子/回复。

我正在开发通过 Lucene 搜索此内容的能力，如果可能的话，我决定要为单个帖子编制索引（它使索引更容易更新，并且意味着我有更多的控制权和调整结果的能力），而不是索引整个线程。然而，我遇到的问题是我希望搜索显示线程列表，而不是帖子列表。

如何让 Lucene 只返回唯一线程作为结果，同时搜索帖子的内容？

score 1 · Accepted Answer

当您索引线程时，您应该将每个线程分解为帖子，并使每个帖子Document具有一个字段，该字段包含一个唯一 id 标识它所属的线程。

当您执行搜索时，我建议您使用 lucene 2.9 或更高版本，这使您可以使用Collector. 收集器允许您预处理检索到的文档，从而您可以将源自同一线程 ID 的帖子组合在一起。

score 1 · Accepted Answer

每个文档都可以有一个“threadId”字段。运行搜索后，您可以遍历结果集并返回所有唯一的 threadId。

棘手的部分是指定要返回多少结果。如果您想在结果页面上显示 10 个结果，您可能需要 Lucene 返回 10 + m 个结果，因为一定百分比的返回集将被重复数据删除，因为它们属于相同的帖子线。如果重复数据集 < 10，您将需要合并一些额外的逻辑来运行另一个 Lucene 搜索。

这就是 Nutch 项目在折叠属于同一域的多个搜索结果时所做的事情。

score 0 · Accepted Answer

仅出于完整性考虑，最新的 Lucene 版本（从 3.2 开始）支持对此类用例非常有用的分组 API：

3 回答 3