Solr关键词子串匹配查询逻辑实现问题咨询

你的核心需求是：索引时将逗号分隔的每组关键词作为独立的不可分割单元，查询时只要查询文本中包含某组完整的关键词（连续子串），就命中对应文档；同时单独搜索某组关键词时，仅返回精确匹配该组的文档。

问题根源 #

你之前的配置存在三个关键问题：

1. 索引端未处理逗号后的空格，导致生成的token带前导空格（比如 phone），和查询端生成的无空格token（phone）无法匹配；
2. 查询端ShingleFilter可能未开启outputUnigrams，导致单个词的关键词组（比如文档2的brand）无法被匹配；
3. 未统一大小写，可能导致大小写不匹配的问题。

正确的字段类型配置 #

<fieldType name="keyword_group" class="solr.TextField" positionIncrementGap="100">
  <!-- 索引端：按逗号+可选空格分割，得到干净的关键词组，统一小写 -->
  <analyzer type="index">
    <tokenizer class="solr.PatternTokenizerFactory" pattern=",\s*"/>
    <filter class="solr.LowerCaseFilterFactory"/>
  </analyzer>
  <!-- 查询端：按空格拆分，统一小写，生成所有可能的连续词组合（含单个词） -->
  <analyzer type="query">
    <tokenizer class="solr.WhitespaceTokenizerFactory"/>
    <filter class="solr.LowerCaseFilterFactory"/>
    <filter class="solr.ShingleFilterFactory" 
            maxShingleSize="10" <!-- 设置足够覆盖最长关键词组的长度，比如10 -->
            minShingleSize="2"
            outputUnigrams="true"/> <!-- 必须开启，保留单个词的token -->
  </analyzer>
</fieldType>

字段配置 #

将你的关键词字段指定为这个类型：

<field name="keywords" type="keyword_group" indexed="true" stored="true"/>

效果验证 #

• 搜索brand：查询端生成单个词brand，仅匹配文档2的brand token，返回文档2；
• 搜索brand tv：查询端生成brand、tv、brand tv三个词项，匹配文档1的brand tv和文档2的brand，返回1、2项；
• 搜索grey brand tv：查询端生成包括brand、brand tv在内的词项，匹配文档1和2；
• 搜索foo bar brand tv baz：查询端生成的词项中包含brand和brand tv，匹配文档1和2；
• 搜索phone case：查询端生成phone、case、phone case，匹配文档1和3的phone token，返回1、3项。

注意事项 #

• maxShingleSize设置为你业务中最长关键词组的词数（比如10），避免出现超出限制的场景；
• 如果需要支持更长的关键词组，适当增大maxShingleSize即可，只要不超过Solr的配置限制，实际性能影响可以忽略。

内容的提问来源于stack exchange，提问作者omg_me