Question

我有一些xml文档，其结构如下：

<root>
  <intro>...</intro>
   ...
  <body>
    <p>..................
       some text CO<sub>2</sub>
       .................. </p>
   </body>
</root>

现在我想用CO2短语搜索所有结果，并希望在搜索结果中获得上述类型的结果。为此，我正在使用此查询 -

cts:search 
(fn:collection ("urn:iddn:collections:searchable"), 
cts:element-query
          (
            fn:QName("http://iddn.icis.com/ns/fields","body"), 
            cts:word-query
            (
              "CO2", 
              ("case-insensitive","diacritic-sensitive","punctuation-insensitive",
                "whitespace-sensitive","unstemmed","unwildcarded","lang=en"),
              1
            )
          )
, 
("unfiltered", "score-logtfidf"), 
0.0)

但是使用这个我无法获得CO2的文档。我只使用简单的短语CO2获取数据。

如果我将搜索词组替换为CO 2，那么我只能使用CO2而不是CO2来获取文档

我希望将CO2和CO2的合并数据作为搜索结果。

我可以通过任何方式忽略，还是有其他方法可以解决这个问题？

Answer 1

这里的问题是标记化。 “CO2”是单字令牌。 CO＆lt; sub＆gt; 2＆lt; / sub＆gt;，即使使用短语，也是两个单词标记的短语：“CO”和“2”。正如“黑鸟”与“黑鸟”不匹配一样，“二氧化碳”也与“二氧化碳”不匹配。短语通过设置只意味着我们愿意寻找跨越＆lt; sub＆gt;的短语。元素边界。

你不能拼凑CO＆lt; sub＆gt; 2＆lt; / sub＆gt;一个令牌，但您可以使用自定义标记化覆盖将“CO2”分解为两个令牌。定义一个字段并将数字的覆盖定义为“符号”。这将使每个数字成为自己的标记，并在该字段的上下文中将“CO2”分解为两个标记。然后，您需要使用字段查询替换单词查询。

您可能不希望将其应用于文档中的任何位置，因此您最好在文档中添加这些化学短语的标记。一般而言字段和标记化覆盖尤其会产生性能成本。字段的内容完全分开索引，因此索引更大，并且标记化覆盖意味着我们必须在摄取时和查询时重新标记。这会减慢一些事情（不是很多）。

Answer 2

您似乎想要添加phrase-through配置。

示例：

<p>to <b>be</b> or not to be</p>

上的词组表达式将被编入索引为“是否为”

忽略cts中的元素：搜索

2 个答案: