用Lucene 4 regexp查询社保号码

Question

我正在尝试使用Lucene 4 Regexp查询来查找社会保险号。如果使用StandardAnalyzer或EnglishAnalyzer分析字段，是否仍有某种方法来匹配诸如222-33-4444或222 33 4444之类的字符串。

据我所知，这些分析器标记SSN的组件，然后就无法捕获这3个组件的连续匹配。理想情况下，我希望222 33 4444能够匹配像"/[0-9]{3}/ /[0-9]{2}/ /[0-9]{4}/"这样的内容，但这似乎不是因为短语查询不能与正则表达式一起工作(是吗？)有什么建议吗？

Answer 1

如果只有一个标识符字段或类似的字段，那么可以使用StringField或其他一些未标记的字段，在这种情况下，定义一个简单的RegExpQuery就足够简单了。

如果您试图将它们从全文字段中提取出来，则必须对其进行标记化(我假设是这样的)，您可以使用SpanQuery应用编程接口构造适当的查询：

SpanQuery span1 = new SpanMultiTermQueryWrapper(new RegexpQuery(new Term("text", "[0-9]{3}")));
SpanQuery span2 = new SpanMultiTermQueryWrapper(new RegexpQuery(new Term("text", "[0-9]{2}")));
SpanQuery span3 = new SpanMultiTermQueryWrapper(new RegexpQuery(new Term("text", "[0-9]{4}")));

Query query = new SpanNearQuery({span1, span2, span3}, 0, true);

searcher.search(query, maxResults)

Answer 2

您可以使用INTERVAL标志：

/<000-999>/ /<00-99>/ /<0000-9999>/

Answer 3

我不知道lucene，但是这个正则表达式可以工作：

'\d{3}[ \-]\d{2}[ \-]\d{4}'

它同时匹配以下两项：

222 33 4444和222-33-4444