Lucene SpanNot查询匹配异常求助：需匹配含合法united的文档

问题背景 #

现有两个含title和content字段的文档：

1. title: United Kingdom requested meeting of United Nations
   content: The United Nations will hear statements from the United Kingdom (...)
2. title: Airlines face scrutiny across nation
   content: United States airline United Airlines has faced increasing (...)

需求：

• A) 匹配title或content中出现的“united”，但排除其后紧跟“States”或“Kingdom”的情况；
• B) 即使文档同时包含合法（符合要求）与非法（需排除）的“united”短语，只要存在合法实例就需匹配该文档。

尝试的查询 #

使用spanNot()结合BooleanQuery构造的查询：

(+spanNot(title:united, title:states, 1, true) +spanNot(title:united, title:kingdom, 1, true))
(+spanNot(content:united, content:states, 1, true) +spanNot(content:united, content:kingdom, 1, true))

预期逻辑为(标题含united且非United States/United Kingdom) 或 (内容含united且非United States/United Kingdom)，但实际结果异常——要么无匹配文档，要么所有含“united”的实例都被匹配。

技术环境：Lucene 7.7，通过Clojure调用Java库构造查询，在Kibana中测试。

问题原因分析 #

1. SpanNotQuery参数理解错误
   Lucene 7.7的SpanNotQuery构造参数为SpanNotQuery(SpanQuery include, SpanQuery exclude, int dist, boolean pre)，其中：

   • dist：include与exclude之间允许的最大间隔位置数，0表示紧跟；
   • pre：是否允许exclude出现在include之前。
     你使用的dist=1、pre=true会排除united前后1个位置内出现states/kingdom的所有情况，而非仅排除“united紧跟states/kingdom”的场景，导致合法的united实例（如United Nations）也被误排除。

2. BooleanQuery逻辑组合错误
   你用+（must）将两个spanNot查询绑定为“与”关系，但实际需求是排除“united紧跟states”或“united紧跟kingdom”的情况，逻辑组合方向错误；同时未将title和content的查询用“或”关系组合，导致范围覆盖不全。

3. 未精准定位非法短语
   原查询试图直接用spanNot排除单个term，但本质是要排除united与states/kingdom组成的紧跟短语，未先构造对应短语的span查询，导致排除逻辑不准确。

解决方案 #

正确查询逻辑 #

针对每个字段（title/content），构造匹配所有united实例 - 排除紧跟states/kingdom的united实例的查询，再将title和content的结果用“或”组合。

具体查询语句 #

(
  title:spanNot(
    spanTerm("united"),
    spanOr([
      spanNear([spanTerm("united"), spanTerm("states")], 0, true),
      spanNear([spanTerm("united"), spanTerm("kingdom")], 0, true)
    ]),
    0,
    false
  )
OR
  content:spanNot(
    spanTerm("united"),
    spanOr([
      spanNear([spanTerm("united"), spanTerm("states")], 0, true),
      spanNear([spanTerm("united"), spanTerm("kingdom")], 0, true)
    ]),
    0,
    false
  )
)

关键调整说明 #

• 修正SpanNotQuery参数：设置dist=0、pre=false，仅排除united之后紧跟states/kingdom的情况；
• 构造非法短语查询：通过spanNear([united, states], 0, true)精准匹配“united紧跟states”的短语；
• 调整逻辑组合：用spanOr合并两个非法短语的排除条件，再将title和content的查询用OR组合，确保任一字段存在合法united实例就命中文档；
• 大小写匹配：若分词器做了小写处理，查询用小写united即可匹配文档中的United。

Clojure代码核心实现 #

(import '(org.apache.lucene.search.spans SpanTermQuery SpanNearQuery SpanOrQuery SpanNotQuery BooleanQuery))
(import '(org.apache.lucene.index Term))

;; 构造单个term的Span查询
(defn span-term [field term]
  (SpanTermQuery. (Term. field term)))

;; 构造"前一个term紧跟后一个term"的短语查询
(defn span-followed-by [field first-term second-term]
  (SpanNearQuery.
    (into-array SpanQuery [(span-term field first-term) (span-term field second-term)])
    0  ;; 间隔0个位置（紧跟）
    true)) ;; 保持term顺序

;; 构造单个字段的合法united查询
(defn valid-united-query [field]
  (SpanNotQuery.
    (span-term field "united")
    (SpanOrQuery.
      (into-array SpanQuery [
        (span-followed-by field "united" "states")
        (span-followed-by field "united" "kingdom")
      ]))
    0  ;; 仅排除紧跟的情况
    false)) ;; 排除项只能在目标项之后

;; 最终组合查询
(defn final-query []
  (doto (BooleanQuery.Builder.)
    (.add (valid-united-query "title") BooleanClause$Occur/SHOULD)
    (.add (valid-united-query "content") BooleanClause$Occur/SHOULD)
    .build))

内容的提问来源于stack exchange，提问作者mbake