【Elasticsearch教程18】Mapping字段类型之text 以及term、match和analyzer

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

Elasticsearch Mapping字段类型之text 以及term、match和analyzer

一、text场景

text
类型是适合全文搜索
的场景，ES会将文本分析成多个词并索引。

text
类型适合存放易阅读的
(human-readable)非结构化
文本，比如邮件内容、评论、商品介绍等
对于阅读性差的文本，如系统日志、Http请求体这些machine-generated数据，可以用wildcard
类型
text
类型不适合排序
和聚合
(虽然可以实现，但是不建议)
如果要进行排序
和聚合
，建议使用keyword
类型
所以可以给text
类型添加keyword子类型
和token_count子类型
，各司其职

PUT pigg_test_text
{
 
  "mappings": {
 
    "properties": {
 
      "name": {
  # 姓名 name
        "type": "text",
        "fields": {
 
          "keyword": {
 # 子字段 name.keyword
            "type": "keyword",
            "ignore_above" : 256
          },
          "length": {
  # 子字段 name.length
            "type": "token_count",
            "analyzer": "standard"
          }
        }
      },
      "tag": {
 # 标签 tag
        "type": "keyword"
      },
      "word": {
 # 台词 word
        "type": "text"
      }
    }
  }
}

二、term
查询

term
判断某个字段是否包含
某个确定的值。一般用在keyword
、integer
、date
、token_count
、ip
等类型上
避免在text
类型上用term
，在text
上应该用match
、match_phrase
来全文搜索

先插入两条《王者荣耀》里英雄的数据：

PUT pigg_test_text/_doc/1
{
 
  "name": "亚瑟王",
  "tag": ["对抗路", "打野"],
  "word": [
      "王者背负，王者审判，王者不可阻挡"
    ]
}
PUT pigg_test_text/_doc/2
{
 
  "name": "关羽",
  "tag": ["对抗路", "辅助"],
  "word": [
      "把眼光从二爷的绿帽子上移开",
      "聪明的人就应该与我的大刀保持安全距离"
    ]
}

（1）查询name
是亚瑟王
的人

在name.keyword
上用term
查询，返回id=1的文档
注意：term
不是等于的意思，是包含
的意思

GET pigg_test_text/_search
{
 
  "query": {
 
    "term": {
 
      "name.keyword": "亚瑟王"
    }
  }
}

（2）查询可走对抗路的人

在tag
上用term
查询，返回id=1和2的文档，因为他们的tag
都包含
对抗路

GET pigg_test_text/_search
{
 
  "query": {
 
    "term": {
 
      "tag": "对抗路" 
    }
  }
}

（3）查询是打野或辅助的人

在tag
上用terms
查询(注意多了个s)，返回id=1和2的文档
因为terms
查询只要包含
数组中任意一个就算匹配

GET pigg_test_text/_search
{
 
  "query": {
 
    "terms": {
 
      "tag": ["打野", "辅助"]
    }
  }
}

（4）查询name
是3个字的人

在token_count
类型的name.length
上做精确匹配，返回亚瑟王
的文档

GET pigg_test_text/_search
{
 
  "query": {
 
    "term": {
 
      "name.length": 3
    }
  }
}

三、match
查询

虽然上面亚瑟王
和关羽
这2个文档内容是中文，而且我也没有配置ik中文分词器
，但是这不影响我们的学习，我们只要知道中文被默认的standard analyzer
切分成独立的汉字就行了。

用match
全文搜索鼓励王
，返回亚瑟王
文档，因为匹配中了王
这个汉字。

GET pigg_test_text/_search
{
 
  "query": {
 
    "match": {
 
      "name": "鼓励王"
    }
  }  
}

对上面这条语句不是很理解的话，我从亚瑟王
如何存储？和鼓励王
如何搜索？这2个角度的问题来解释。

1.亚瑟王
如何存储？

_termvectors
term

查询id=1的文档的name字段的词条向量
GET pigg_test_text/_doc/1/_termvectors?fields=name

返回亚
、瑟
、王
这3个词，说明在倒排索引
里有类似如下的关系：

2.鼓励王
如何搜索？

第1种方法：使用_analyze
分析standard
这个分析器是如何分割搜索关键字的。这里得指定name
字段上search-time
的analyzer
，即search_analyzer
。

GET /_analyze
{
 
  "analyzer" : "standard",
  "text" : "鼓励王"
}
返回"鼓"、"励"、"王"这3个token

第2种方法：使用_validate
验证语句是否合法，其参数explain
(默认为true)会解释语句的执行计划

GET pigg_test_text/_validate/query?explain
{
 
  "query": {
 
    "match": {
 
      "name": "鼓励王"
    }
  }  
}

返回结果如下，name:鼓 name:励 name:王
说明是把鼓励王
拆成3个汉字分别到name
字段上做匹配的。

"valid" : true,
"explanations" : [
  {
 
    "index" : "pigg_test_text",
    "valid" : true,
    "explanation" : "name:鼓 name:励 name:王"
  }
]

第3种方法：使用_explain
查询鼓励王
是如何匹配到id=1的文档的？这种方式的前提是我们已经知道关键词匹配到哪个文档了，想知道匹配的原因。

解释`鼓励王`为何在name字段上匹配到id=1的文档
GET /pigg_test_text/_explain/1
{
 
  "query" : {
 
    "match" : {
  "name" : "鼓励王" }
  }
}

返回内容比较长，也比较复杂，因为涉及到打分机制，这里就贴一个重点：

"description" : "weight(name:王 in 0) [PerFieldSimilarity], result of:",

说明是王
这个字让鼓励王
在name
字段上匹配到id=1的文档的。

3. match的参数

match
还有2个比较重要的参：operator
和minimum_should_match
，他们可以控制match
查询的行为。

3.1 operator

上面match
查询鼓励王
的语句，其实可以写成如下：

GET pigg_test_text/_search
{
 
  "query": {
 
    "match": {
 
        "message": {
 
          "query": "鼓励王",
          "operator": "or"
        }
    }
  }  
}

这个operater
的默认值就是or
，就是只要匹配到任意一个词，就算匹配成功。
如果要”鼓励王”这三个词全部匹配，可以设置"operator": "and"

GET pigg_test_text/_validate/query?explain=true
{
 
  "query": {
 
    "match": {
 
        "name": {
 
          "query": "鼓励王",
          "operator": "and"
        }
    }
  }  
}
返回如下：说明这3个字都得匹配
"explanations" : [
  {
 
    "index" : "pigg_test_text",
    "valid" : true,
    "explanation" : "+name:鼓 +name:励 +name:王"
  }
]

3.1 minimum_should_match

minimum_should_match
可以设置匹配的最小词数，不要与operator
一起使用，意思会冲突。
它可以赋值正数、负数、百分比等，但是我们常用的是设置一个正数，即指定最小匹配的词数。

指定要至少匹配成功2个字，才算文档匹配成功
GET pigg_test_text/_search
{
 
  "query": {
 
    "match": {
 
        "name": {
 
          "query": "鼓励王",
          "minimum_should_match": "2"
        }
    }
  }  
}

4. 匹配短语 match_phrase

match_phrase
短语查询，这个会将“绿帽子”
作为一个短语整体去匹配，而不会拆成3个字

该语句返回关羽这个文档，因为他的台词包含"绿帽子"
GET pigg_test_text/_search
{
 
  "query": {
 
    "match_phrase": {
 
      "word": "绿帽子"
    }
  }
}

查询语句的执行计划：

GET pigg_test_text/_validate/query?explain
{
 
  "query": {
 
    "match_phrase": {
 
      "word": "绿帽子"
    }
  }
}
返回如下：
"explanations" : [
  {
 
    "index" : "pigg_test_text",
    "valid" : true,
    "explanation" : "word:\"绿 帽 子\""
  }
]

四、分析器 analyzer

text
类型最重要的参数就是analyzer
(分析器)，它决定在index-time
(创建或更新文档)和search-time
(搜索文档)如何对文本进行分词。

analyzer
：只配置了analyzer
时，在index-time
和search-time
时，都使用analyzer
配置的分析器
search_analyzer
：配置了search_analyzer
时，在search-time
时，使用search_analyzer
配置的分析器

standard
分析器是text
类型的默认分析器，它按照词边界
对文本进行分割(如英语按照空格，中文切成独立汉字)。它删除了大多数标点符号和停止词并进行小写。standard
分析器对英语这样的西方语音是大多适用的。

分析器(analyzer)的配置
包含3个重要部分，依次是character filters
、tokenizer
、token filters

每当一个文档被 ingest 节点纳入，它需要经历如下的步骤，才能最终把文档写入到ES数据库中

举例：tokenizer
用simple_pattern_split
，配置按照下划线_
来分割文本。

PUT my-index-000001
{
 
  "settings": {
 
    "analysis": {
 
      "analyzer": {
 
        "my_analyzer": {
 
          "tokenizer": "my_tokenizer"
        }
      },
      "tokenizer": {
 
        "my_tokenizer": {
 
          "type": "simple_pattern_split",
          "pattern": "_"
        }
      }
    }
  }
}
POST my-index-000001/_analyze
{
 
  "analyzer": "my_analyzer",
  "text": "亚瑟王__鼓励王_可丽王"
}

按照下划线_
切分后的词就是["亚瑟王", "鼓励王", "可丽王"]
。

其实我们工作中也不用配置很多，这里了解下就行，不用深究每一个选项
因为ES提供了很多开箱即用的内置analyzer
，我们可根据场景来选择
对于中文的分词，出名的有IK分词器
，拼音分词器
，可以参考我之前写的ik中文分词器+pinyin拼音分词器+同义词