我想从我在 Solr 中索引的文本文档中检索一些摘要统计信息。特别是每个文档的字数。
例如,我索引了以下三个文档:
{
"id":"1",
"text":["This is the text in document 1"]},
{
"id":"2",
"text":["some text in document 2"]},
{
"id":"3",
"text":["and document 3"]}
我想获取每个文档的总字数:
"1",7,
"2",5,
"3",3,
我可以使用什么查询来获得这样的结果?
我是 Solr 的新手,我知道我可以使用构面来获取所有文档中单个单词的计数,例如:
http://localhost:8983/solr/corename/select?q=*&facet=true&facet.field=text&facet.mincount=1
但我不清楚如何获取每个文档的总字数。
感谢您的帮助!
最佳答案
如果您对 id 进行分面搜索,并对文本进行内部分面搜索,则内部分面计数将给出该文档中具有该 id 的单词数。但文本字段类型必须是 text_general 或等效的类型(标记化)。
如果您只想计算每个文档 ID 的“不同”单词数,实际上要容易得多:
{
"query": "*:*",
"facet": {
"document": {
"type": "terms",
"field": "id",
"facet": {
"wordCount": "unique(message)"
}
}
}
}
给出每个文档的不同字数。以下给出了每个文档的所有单词和所有计数,但您可以将它们相加以获得总金额(这也是一个昂贵的调用)
{
"query": "*:*",
"facet": {
"document": {
"type": "terms",
"field": "id",
"facet": {
"wordCount": {
"type": "terms",
"field": "message",
"limit": -1
}
}
}
}
}
@MatsLindth 的评论也值得考虑。 Solr 和您可能无法就什么是“单词”达成一致。 Tokenizer 在一定程度上是可配置的,但根据您的需求,它可能不是很容易。
关于solr - 如何获取SOLR中每个文档的总字数?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/63668111/