Lucene正则表达式中的单词边界

Question

我想在Elastisearch中使用单词边界进行正则表达式查询，但似乎Lucene正则表达式引擎不支持\b。我可以使用哪些解决方法？

- dimid

---

你是否也想返回包含4个文本单词和wordb字符串（如果word是你要查找的内容）？ - Wiktor Stribiżew

不，只需 word。 - dimid

如果您正在使用分词器，可以使用Java正则表达式。然后支持\b。请参阅文档。 - Wiktor Stribiżew

而且我认为你可以在使用ES Lucene正则表达式时使用类似于~([A-Za-z0-9_]word|word[A-Za-z0-9_])word~([A-Za-z0-9_]word|word[A-Za-z0-9_])的东西来匹配不包含以单词字符结尾的“word”字符串，一个单词，再次是任何文本但不是单词的一部分的单词。 - Wiktor Stribiżew

转念一想，试试 (.*[^A-Za-z0-9_])?word([^A-Za-z0-9_].*)?。 - Wiktor Stribiżew

Answer 1

在ElasticSearch的正则表达式中，没有直接等价于单词边界的元字符。如果“单词”以单词字符开头，则初始的\b类似于(^|[^A-Za-z0-9_])，而结尾的\b就像($|[^A-Za-z0-9_])一样，如果“单词”以单词字符结尾。

因此，我们需要确保在“单词”的前后或字符串的开头/结尾有一个非单词字符。由于默认情况下正则表达式已被锚定，因此我们只需使[^A-Za-z0-9_]在字符串的开头/结尾变为可选项即可，方法是将它与.* 相邻并用一个可选的分组结构包装起来：

(.*[^A-Za-z0-9_])?word([^A-Za-z0-9_].*)?

详细信息

• (.*[^A-Za-z0-9_])? - 要么是字符串的开头，要么是任何0个或多个字符（但不包括换行符，否则使用(.|\n)*），然后是除单词字符以外的任何字符（基本上是指在组内模式的1个或0次出现后跟随字符串的开头）
• word - 一个单词
• ([^A-Za-z0-9_].*)? - 可选的任意非单词字符序列，后跟任何0个或多个字符，随后是字符串位置的末尾（在Lucene正则表达式中默认）。

- Wiktor Stribiżew

---

我需要做什么才能将某些特殊字符添加到边界中？这个正则表达式正确吗：(.*[^A-Za-z0-9#+&=-_])?？ - Florian Walther

我的正则表达式还匹配了[和?，但我不想要它们。我该如何避免这种情况？ - Florian Walther

@FlorianWalther =-_ 创建了一个范围。你需要在类的开头放置 -，[^-A-Za-z0-9#+&=_]。 - Wiktor Stribiżew

哦，这很有道理。非常感谢你！ - Florian Walther