我想使用Lucene(尤其是Lucene.NET)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，星号不能出现在查询的开头。对" @ gmail.com"运行查询不会返回任何匹配项，因为" [email protected]"被视为一个完整的单词，我们不能仅搜索单词的一部分。

我怎样才能做到这一点？

解决方案

回答

没有人给出满意的答案，因此我们开始浏览Lucene文档，发现可以使用自定义分析器和Tokenizer实现此目的。

答案是这样的：创建一个WhitespaceAndAtSymbolTokenizer和WhitespaceAndAtSymbolAnalyzer，然后使用此分析器重新创建索引。完成此操作后，搜索" @ gmail.com"将返回所有gmail地址，因为我们刚刚创建的令牌生成器将其视为一个单独的单词。

这是源代码，它实际上非常简单：

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);
    }
}

而已！现在，我们只需要重建索引并使用此新的Analyzer进行所有搜索。例如，将文档写入索引：

IndexWriter index = new IndexWriter(indexDirectory, new WhitespaceAndAtSymbolAnalyzer());
index.AddDocument(myDocument);

执行搜索也应使用分析仪：

IndexSearcher searcher = new IndexSearcher(indexDirectory);
Query query = new QueryParser("TheFieldNameToSearch", new WhitespaceAndAtSymbolAnalyzer()).Parse("@gmail.com");
Hits hits = query.Search(query);

回答

我看到我们有解决方案，但是我会避免这种情况，并在要建立索引的文档中添加一个名为email_domain的字段，在该字段中我将添加解析出的电子邮件地址域。听起来可能很愚蠢，但是与此相关的存储量却很小。如果我们想变得更高级，比如说某个域包含许多子域，则可以改个字段来创建反向域，因此我们可以存储com.gmail，com.company.department或者ae.eim，以便找到所有阿拉伯联合酋长国的相关地址，其前缀查询为" ae"。

回答

我们可以使用一个单独的字段来索引反向的电子邮件地址：
将'[email protected]'索引为'moc.liamg@oof'
这使我们可以查询" moc.liamg@*"

回答

还有setAllowLeadingWildcard

不过要小心。这可能会使性能变得非常昂贵(这就是为什么默认情况下禁用它的原因)。也许在某些情况下这将是一个简单的解决方案，但我也希望像Judah Himango所说的那样使用自定义标记器。