MarkLogic结构化词/值查询匹配结果超出预期的原因排查

问题背景 #

尝试通过MarkLogic Java API的结构化查询，匹配JSON属性xyz值包含特定子串的文档，编写的代码如下：

var jsonProperty = queryBuilder.jsonProperty("xyz");
String[] wordOptions = {"case-insensitive", "wildcarded"};
return queryBuilder.word(jsonProperty, null, wordOptions, 0, "*m-Em i*");

但查询结果超出预期，比如属性值为"PM-EM 926-2:2020"的文档被错误匹配。而对应的XQuery查询能得到预期结果：

cts:search(fn:doc(), cts:json-property-word-query("xyz", "*m-Em I*", ("case-insensitive", "wildcarded")))

问题原因 #

核心差异在于Java API中queryBuilder.word()和XQuery中cts:json-property-word-query的处理逻辑不同：

• queryBuilder.word()是通用词查询，它会先对JSON属性值做分词处理（连字符-会被当作分词分隔符），然后将查询词*m-Em i*拆分为*m、Em、i*三个独立词项进行匹配。只要属性值中包含任意一个词项（比如"PM-EM"包含m和EM），就会被命中，这就是错误匹配的根源。
• cts:json-property-word-query（以及Java API对应的queryBuilder.jsonPropertyWordQuery()方法）是专门针对JSON属性的词查询，启用wildcarded选项后，会将整个带通配符的查询字符串当作整体词模式处理，不会拆分连字符分隔的内容，只有当属性值中存在包含m-Em i（忽略大小写）的连续子串时才会匹配。

修正方案 #

将Java代码中的queryBuilder.word()替换为queryBuilder.jsonPropertyWordQuery()，这是XQuerycts:json-property-word-query的等价结构化查询方法：

String[] wordOptions = {"case-insensitive", "wildcarded"};
return queryBuilder.jsonPropertyWordQuery("xyz", "*m-Em i*", wordOptions);

这样就能和XQuery查询保持一致的匹配逻辑，得到预期结果。

内容的提问来源于stack exchange，提问作者brztss