Lucene中的模糊查询

Question

我在JAVA中使用Lucene，并根据公司名称在我们的数据库中索引一个表。在索引之后，我希望对我们希望输入到数据库中的值进行模糊匹配(Levenshtein距离)。原因是我们不想因为拼写错误而输入被骗的内容。

例如，如果我的公司名称是"Widget Maker XYZ“，我不想插入"Widget Maker XYZ”。

根据我所读到的，Lucene的模糊匹配算法应该给我一个介于0和1之间的数字，我想做一些测试，然后确定足够的值来确定什么是有效的，什么是无效的。

问题是我被困住了，在互联网上搜索了似乎无处不在的东西后，我需要StackOverflow社区的帮助。

正如我所说的，我已经在公司名称上为数据库建立了索引，然后具有以下代码：

IndexSearcher searcher = new IndexSearcher(directory);  

new QueryParser(Version.LUCENE_30, "company", analyzer);

Query fuzzy_query = new FuzzyQuery(new Term("company", "Center"));

后来我遇到了这个问题，基本上我不知道如何获得模糊匹配值。我知道代码一定看起来像下面这样，但是似乎没有一个收集器能满足我的需求。(正如您现在看到的，我只能计算匹配的数量，这对我来说是无用的)

TopScoreDocCollector collector = TopScoreDocCollector.create(10, true);

searcher.search(fuzzy_query, collector);

System.out.println("\ncollector.getTotalHits() = " + collector.getTotalHits());

此外，我无法使用Lucene文档中显示的ComplexPhraseQueryParser类。我正在做：

import org.apache.lucene.queryParser.*;

有没有人知道为什么它无法访问或者我做错了什么？很抱歉问题太长了。

Answer 1

您不需要Lucene来获得分数。看看Simmetrics library，它的使用非常简单。只需添加jar并按如下方式使用它：

Levenstein ld = new Levenstein ();
float sim = ld.GetSimilarity(string1, string2);

还要注意，根据数据的类型(即较长的字符串、#空格等)，您可能希望查看其他算法，如Jaro-Winkler、Smith-Waterman等。

您可以使用上面的公式来确定将模糊重复字符串折叠为一个“主”字符串，然后对其进行索引。

Answer 2

您可以使用以下命令获取匹配值：

TopDocs topDocs = collector.topDocs();
for(ScoreDoc scoreDoc : topDocs.scoreDocs) {
    System.out.println(scoreDoc.score);
}