我设置了一个Azure存储表，其中包含很多值，这些值包含连字符、撇号和Azure索引器不喜欢的其他标点符号位。Hyphenated-Word在索引时被分解为两个标记-Hyphenated和Word。因此，这意味着搜索HyphenatedWord不会产生任何结果。也就是说，Azure认知搜索拥有对Regex Lucene查询的支持。
因此，我试图找出是否有一个正则表达式模式，我可以使用它来匹配给定查询中带或不带连字符的单词。例如，查询homework应该匹配结果homework * 和 * home-work。
我知道，如果我试图做相反的事情--即使在查询中提供了连字符，也要匹配不带连字符的单词--我会使用类似/home(-)?work/的东西。但是，我不确定相反的东西是什么--如果存在这样的东西的话。
有没有一个原始的正则表达式模式可以执行我所建议的那种匹配？或者我是SOL？
Edit：我应该指出，我提供的例子是不现实的，因为我并不总是知道连字符 * 应该在哪里。最理想的情况是，执行这种匹配的模式对连字符的精确位置是不可知的。
编辑2：我发现的一个解决方案 * 有效 *，但并不完全是 * 最佳 *（虽然我没有办法证明这一点，但很可能不是 performant）就是分解查询，删除所有导致标记中断的特殊字符，然后动态构建一个正则表达式查询，在查询中的每个字符之间都有一个可选的匹配。这个模式看起来像[-'\.! ]?h[-'\.! ]?o[-'\.! ]?m[-'\.! ]?e[-'\.! ]?w[-'\.! ]?o[-'\.! ]?r[-'\.! ]?k[-'\.! ]?......这也许是我见过的最丑的东西。
3条答案
按热度按时间xxslljrj1#
我对这种情况的解决方案总是引入内容和查询处理。
当您通过SDK使用推送模型时，内容处理会更容易，但是您可以通过创建表的卷影/副本来实现相同的目的，在该卷影/副本中，内容被处理以用于索引目的。您可以让原始表保持不变。然后维护一个复制表，在该复制表中处理您的文本。
无论如何，您都应该使用查询处理。在最简单的形式中，您希望在将最终用户的输入用于查询之前清除这些输入。其他步骤可以是处理连字符等特殊字符。可以对它进行转义、删除或其他操作，具体取决于您的要求。
示例
我必须支持对可能包含连字符或其他特殊字符的订购代码的搜索。我们订购代码的维护者可能会以不一致的格式定义订购代码。访问我们网站的客户也一样不一致。
要求ABC-123-DE_F-4.56G应与以下任一项匹配
我使用上面建议的方法来解决这个问题。我使用内容处理来生成一个没有任何特殊字符的订购代码版本（使用一个简单的正则表达式）。然后，我使用查询处理来将最终用户的输入转换为OR查询，例如：
因此，如果用户输入ABC.123.DE.F.4.56G，我将有效地搜索
j0pj023g2#
听起来你想定义自己的标记化。使用自定义标记化器会有帮助吗？https://learn.microsoft.com/azure/search/index-add-custom-analyzers
k0pti3hp3#
为了补充Jennifer的答案，您可以考虑使用一个自定义分析器，该分析器由以下令牌过滤器之一组成：
您可以使用 pattern_replace 标记过滤器将连字符替换为所需的字符（可能是空字符）。