.net - 使用 Lucene 搜索电子邮件地址

Question

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。运行对“@gmail.com”的查询不会返回任何匹配项，因为“foo@gmail.com”被视为一个完整的词，您不能只搜索词的一部分。

我怎样才能做到这一点？

Answer 1

没有人给出满意的答案，所以我们开始浏览 Lucene 文档并发现我们可以使用自定义分析器和标记器来实现这一点。

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你的索引。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，它实际上很简单:

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);