4.Elasticsearch深入了解

[toc]

1.Elasticsearch架构原理

Elasticsearch的节点类型

在Elasticsearch主要分成两类节点，一类是Master，一类是DataNode。

Master节点

• 在Elasticsearch启动时，会选举出来一个Master节点。当某个节点启动后，然后使用Zen Discovery机制找到集群中的其他节点，并建立连接。

discovery.seed_hosts: ["192.168.21.130", "192.168.21.131", "192.168.21.132"]

• 并从候选主节点中选举出一个主节点。

cluster.initial_master_nodes: ["node1", "node2","node3"]

master节点主要负责

• 管理索引（创建索引、删除索引）、分配分片

• 维护元数据

• 管理集群节点状态

• 不负责数据写入和查询，比较轻量级

一个Elasticsearch集群中，只有一个Master节点。在生产环境中，内存可以相对小一点，但机器要稳定。

DataNote节点

在Elasticsearch集群中，会有N个DataNode节点。DataNode节点主要负责：

• 数据写入、数据检索，大部分Elasticsearch的压力都在DataNode节点上

• 在生产环境中，内存最好配置大一些

2.分片和副本机制

分片-shard

• Elasticsearch是一个分布式的搜索引擎，索引的数据也是分成若干部分，分布在不同的服务器节点中

• 分布在不同服务器节点中的索引数据，就是分片（Shard）。Elasticsearch会自动管理分片，如果发现分片分布不均衡，就会自动迁移

• 一个索引（index）由多个shard（分片）组成，而分片是分布在不同的服务器上的

副本

• 为了对Elasticsearch的分片进行容错，假设某个节点不可用，会导致整个索引库都将不可用。所以，需要对分片进行副本容错。每一个分片都会有对应的副本。

• 在Elasticsearch中，默认创建的索引为1个分片、每个分片有1个主分片和1个副本分片。

• 每个分片都会有一个Primary Shard（主分片），也会有若干个Replica Shard（副本分片）

• Primary Shard和Replica Shard不在同一个节点上

指定分片,副本数量

# 创建指定分片数量、副本数量的索引
PUT /job_idx_shard_temp
{"mappings": {"properties": {"id": {"type": "long","store": true},"area": {"type": "keyword","store": true},"exp": {"type": "keyword","store": true},"edu": {"type": "keyword","store": true},"salary": {"type": "keyword","store": true},"job_type": {"type": "keyword","store": true},"cmp": {"type": "keyword","store": true},"pv": {"type": "keyword","store": true},"title": {"type": "text","store": true},"jd": {"type": "text"}}},"settings": {"number_of_shards": 3,"number_of_replicas": 2}
}# 查看分片、主分片、副本分片
GET /_cat/indices?v

执行结果

3.Elasticsearch重要工作流程

Elasticsearch文档写入原理

1. 选择任意一个DataNode发送请求，例如：node2。此时，node2就成为一个coordinating node（协调节点）

2. 计算得到文档要写入的分片

shard = hash(routing) % number_of_primary_shards
routing 是一个可变值，默认是文档的 _id

3. coordinating node会进行路由，将请求转发给对应的primary shard所在的DataNode（假设primary shard在node1、replica shard在node2）

4. node1节点上的Primary Shard处理请求，写入数据到索引库中，并将数据同步到Replica shard

5. Primary Shard和Replica Shard都保存好了文档，返回client

Elasticsearch检索原理

1. client发起查询请求，某个DataNode接收到请求，该DataNode就会成为协调节点（Coordinating Node）

2. 协调节点（Coordinating Node）将查询请求广播到每一个数据节点，这些数据节点的分片会处理该查询请求

3. 每个分片进行数据查询，将符合条件的数据放在一个优先队列中，并将这些数据的文档ID、节点信息、分片信息返回给协调节点

4. 协调节点将所有的结果进行汇总，并进行全局排序

5. 协调节点向包含这些文档ID的分片发送get请求，对应的分片将文档数据返回给协调节点，最后协调节点将数据返回给客户端

4.Elasticsearch准实时索引实现

溢写到文件系统缓存

当数据写入到ES分片时，会首先写入到内存中，然后通过内存的buffer生成一个segment，并刷到文件系统缓存中，数据可以被检索（注意不是直接刷到磁盘）

ES中默认1秒，refresh一次

写translog保障容错

在写入到内存中的同时，也会记录translog日志，在refresh期间出现异常，会根据translog来进行数据恢复

等到文件系统缓存中的segment数据都刷到磁盘中，清空translog文件

flush到磁盘

ES默认每隔30分钟会将文件系统缓存的数据刷入到磁盘

segment合并

Segment太多时，ES定期会将多个segment合并成为大的segment，减少索引查询时IO开销，此阶段ES会真正的物理删除（之前执行过的delete的数据）

5.手工控制搜索结果精准度

下述搜索中，如果document中的remark字段包含java或developer词组，都符合搜索条件。

# 手工控制搜索精准度
GET /es_db/_search
{"query": {"match": {"remark": "java developer"}}
}

执行结果

{"took" : 2,"timed_out" : false,"_shards" : {"total" : 1,"successful" : 1,"skipped" : 0,"failed" : 0},"hits" : {"total" : {"value" : 4,"relation" : "eq"},"max_score" : 1.4691012,"hits" : [{"_index" : "es_db","_type" : "_doc","_id" : "1","_score" : 1.4691012,"_source" : {"name" : "张三","sex" : 1,"age" : 25,"address" : "广州天河公园","remark" : "java developer"}},{"_index" : "es_db","_type" : "_doc","_id" : "3","_score" : 0.9092851,"_source" : {"name" : "rod","sex" : 0,"age" : 26,"address" : "广州白云山公园","remark" : "php developer"}},{"_index" : "es_db","_type" : "_doc","_id" : "2","_score" : 0.5598161,"_source" : {"name" : "李四","sex" : 1,"age" : 28,"address" : "上海金融大厦","remark" : "java assistant"}},{"_index" : "es_db","_type" : "_doc","_id" : "5","_score" : 0.46919838,"_source" : {"name" : "小明","sex" : 0,"age" : 19,"address" : "长沙岳麓山","remark" : "java architect assistant"}}]}
}

如果需要搜索的document中的remark字段，包含java和developer词组，则需要使用下述语法：

# 查询的字段都要包含
GET /es_db/_search
{"query": {"match": {"remark": {"query": "java developer","operator": "and"}}}
}

执行结果

{"took" : 2,"timed_out" : false,"_shards" : {"total" : 1,"successful" : 1,"skipped" : 0,"failed" : 0},"hits" : {"total" : {"value" : 1,"relation" : "eq"},"max_score" : 1.4691012,"hits" : [{"_index" : "es_db","_type" : "_doc","_id" : "1","_score" : 1.4691012,"_source" : {"name" : "张三","sex" : 1,"age" : 25,"address" : "广州天河公园","remark" : "java developer"}}]}
}

上述语法中，如果将operator的值改为or。则与第一个案例搜索语法效果一致。默认的ES执行搜索的时候，operator就是or。

如果在搜索的结果document中，需要remark字段中包含多个搜索词条中的一定比例，可以使用下述语法实现搜索。其中minimum_should_match可以使用百分比或固定数字。百分比代表query搜索条件中词条百分比，如果无法整除，向下匹配（如，query条件有3个单词，如果使用百分比提供精准度计算，那么是无法除尽的，如果需要至少匹配两个单词，则需要用67%来进行描述。如果使用66%描述，ES则认为匹配一个单词即可。）。固定数字代表query搜索条件中的词条，至少需要匹配多少个。

# 按一定比例
GET /es_db/_search
{"query": {"match": {"remark": {"query": "java architect assistant","minimum_should_match": "68%"}}}
}

执行结果

{"took" : 3,"timed_out" : false,"_shards" : {"total" : 1,"successful" : 1,"skipped" : 0,"failed" : 0},"hits" : {"total" : {"value" : 2,"relation" : "eq"},"max_score" : 2.145171,"hits" : [{"_index" : "es_db","_type" : "_doc","_id" : "5","_score" : 2.145171,"_source" : {"name" : "小明","sex" : 0,"age" : 19,"address" : "长沙岳麓山","remark" : "java architect assistant"}},{"_index" : "es_db","_type" : "_doc","_id" : "2","_score" : 1.1196322,"_source" : {"name" : "李四","sex" : 1,"age" : 28,"address" : "上海金融大厦","remark" : "java assistant"}}]}
}

如果使用should+bool搜索的话，也可以控制搜索条件的匹配度。具体如下：下述案例代表搜索的document中的remark字段中，必须匹配java、developer、assistant三个词条中的至少2个。

# 至少两个
GET /es_db/_search
{"query": {"bool": {"should": [{"match": {"remark": "java"}},{"match": {"remark": "developer"}},{"match": {"remark": "assistant"}}],"minimum_should_match": 2}}
}

执行结果

{"took" : 2,"timed_out" : false,"_shards" : {"total" : 1,"successful" : 1,"skipped" : 0,"failed" : 0},"hits" : {"total" : {"value" : 3,"relation" : "eq"},"max_score" : 1.4691012,"hits" : [{"_index" : "es_db","_type" : "_doc","_id" : "1","_score" : 1.4691012,"_source" : {"name" : "张三","sex" : 1,"age" : 25,"address" : "广州天河公园","remark" : "java developer"}},{"_index" : "es_db","_type" : "_doc","_id" : "2","_score" : 1.1196322,"_source" : {"name" : "李四","sex" : 1,"age" : 28,"address" : "上海金融大厦","remark" : "java assistant"}},{"_index" : "es_db","_type" : "_doc","_id" : "5","_score" : 0.93839675,"_source" : {"name" : "小明","sex" : 0,"age" : 19,"address" : "长沙岳麓山","remark" : "java architect assistant"}}]}
}

match的底层转换

其实在ES中，执行match搜索的时候，ES底层通常都会对搜索条件进行底层转换，来实现最终的搜索结果。如：

# 转换前
GET /es_db/_search
{"query": {"match": {"remark": "java developer"}}
}# 转换后
GET /es_db/_search
{"query": {"bool": {"should": [{"term": {"remark": "java"}},{"term": {"remark": {"value": "developer"}}}]}}
}

执行结果

{"took" : 1,"timed_out" : false,"_shards" : {"total" : 1,"successful" : 1,"skipped" : 0,"failed" : 0},"hits" : {"total" : {"value" : 4,"relation" : "eq"},"max_score" : 1.4691012,"hits" : [{"_index" : "es_db","_type" : "_doc","_id" : "1","_score" : 1.4691012,"_source" : {"name" : "张三","sex" : 1,"age" : 25,"address" : "广州天河公园","remark" : "java developer"}},{"_index" : "es_db","_type" : "_doc","_id" : "3","_score" : 0.9092851,"_source" : {"name" : "rod","sex" : 0,"age" : 26,"address" : "广州白云山公园","remark" : "php developer"}},{"_index" : "es_db","_type" : "_doc","_id" : "2","_score" : 0.5598161,"_source" : {"name" : "李四","sex" : 1,"age" : 28,"address" : "上海金融大厦","remark" : "java assistant"}},{"_index" : "es_db","_type" : "_doc","_id" : "5","_score" : 0.46919838,"_source" : {"name" : "小明","sex" : 0,"age" : 19,"address" : "长沙岳麓山","remark" : "java architect assistant"}}]}
}

# 转换前
GET /es_db/_search
{"query": {"match": {"remark": {"query": "java developer","operator": "and"}}}
}# 转换后
GET /es_db/_search
{"query": {"bool": {"must": [{"term": {"remark": "java"}},{"term": {"remark": {"value": "developer"}}}]}}
}

执行结果

{"took" : 1,"timed_out" : false,"_shards" : {"total" : 1,"successful" : 1,"skipped" : 0,"failed" : 0},"hits" : {"total" : {"value" : 1,"relation" : "eq"},"max_score" : 1.4691012,"hits" : [{"_index" : "es_db","_type" : "_doc","_id" : "1","_score" : 1.4691012,"_source" : {"name" : "张三","sex" : 1,"age" : 25,"address" : "广州天河公园","remark" : "java developer"}}]}
}

# 转换前
GET /es_db/_search
{"query": {"match": {"remark": {"query": "java architect assistant","minimum_should_match": "68%"}}}
}# 转换后
GET /es_db/_search
{"query": {"bool": {"should": [{"term": {"remark": "java"}},{"term": {"remark": "architect"}},{"term": {"remark": "assistant"}}],"minimum_should_match": 2}}
}

{"took" : 1,"timed_out" : false,"_shards" : {"total" : 1,"successful" : 1,"skipped" : 0,"failed" : 0},"hits" : {"total" : {"value" : 2,"relation" : "eq"},"max_score" : 2.145171,"hits" : [{"_index" : "es_db","_type" : "_doc","_id" : "5","_score" : 2.145171,"_source" : {"name" : "小明","sex" : 0,"age" : 19,"address" : "长沙岳麓山","remark" : "java architect assistant"}},{"_index" : "es_db","_type" : "_doc","_id" : "2","_score" : 1.1196322,"_source" : {"name" : "李四","sex" : 1,"age" : 28,"address" : "上海金融大厦","remark" : "java assistant"}}]}
}

• 建议，如果不怕麻烦，尽量使用转换后的语法执行搜索，效率更高。

• 如果开发周期短，工作量大，使用简化的写法。

boost权重控制

• 搜索document中remark字段中包含java的数据，如果remark中包含developer或architect，则包含architect的document优先显示。（就是将architect数据匹配时的相关度分数增加）。

• 一般用于搜索时相关度排序使用。如：电商中的综合排序。将一个商品的销量，广告投放，评价值，库存，单价比较综合排序。在上述的排序元素中，广告投放权重最高，库存权重最低。

# 权重
GET /es_db/_search
{"query": {"bool": {"must": [{"match": {"remark": "java"}}],"should": [{"match": {"remark": {"query": "developer","boost": 1}}},{"match": {"remark": {"query": "architect","boost": 3}}}]}}
}

执行结果

{"took" : 3,"timed_out" : false,"_shards" : {"total" : 1,"successful" : 1,"skipped" : 0,"failed" : 0},"hits" : {"total" : {"value" : 3,"relation" : "eq"},"max_score" : 4.0895214,"hits" : [{"_index" : "es_db","_type" : "_doc","_id" : "5","_score" : 4.0895214,"_source" : {"name" : "小明","sex" : 0,"age" : 19,"address" : "长沙岳麓山","remark" : "java architect assistant"}},{"_index" : "es_db","_type" : "_doc","_id" : "1","_score" : 1.4691012,"_source" : {"name" : "张三","sex" : 1,"age" : 25,"address" : "广州天河公园","remark" : "java developer"}},{"_index" : "es_db","_type" : "_doc","_id" : "2","_score" : 0.5598161,"_source" : {"name" : "李四","sex" : 1,"age" : 28,"address" : "上海金融大厦","remark" : "java assistant"}}]}
}

基于dis_max实现best fields策略进行多字段搜索

• best fields策略： 搜索的document中的某一个field，尽可能多的匹配搜索条件。与之相反的是，尽可能多的字段匹配到搜索条件（most fields策略）。如百度搜索使用这种策略。

优点：精确匹配的数据可以尽可能的排列在最前端，且可以通过minimum_should_match来去除长尾数据，避免长尾数据字段对排序结果的影响。

缺点：相对排序不均匀

dis_max语法： 直接获取搜索的多条件中的，单条件query相关度分数最高的数据，以这个数据做相关度排序

下述的案例中，就是找name字段中rod匹配相关度分数或remark字段中java developer匹配相关度分数，哪个高，就使用哪一个相关度分数进行结果排序。

# 搜索策略
GET /es_db/_search
{"query": {"dis_max": {"queries": [{"match": {"name": "rod"}},{"match": {"remark": "java developer"}}]}}
}

执行结果

{"took" : 5,"timed_out" : false,"_shards" : {"total" : 1,"successful" : 1,"skipped" : 0,"failed" : 0},"hits" : {"total" : {"value" : 4,"relation" : "eq"},"max_score" : 1.4691012,"hits" : [{"_index" : "es_db","_type" : "_doc","_id" : "1","_score" : 1.4691012,"_source" : {"name" : "张三","sex" : 1,"age" : 25,"address" : "广州天河公园","remark" : "java developer"}},{"_index" : "es_db","_type" : "_doc","_id" : "3","_score" : 1.3862944,"_source" : {"name" : "rod","sex" : 0,"age" : 26,"address" : "广州白云山公园","remark" : "php developer"}},{"_index" : "es_db","_type" : "_doc","_id" : "2","_score" : 0.5598161,"_source" : {"name" : "李四","sex" : 1,"age" : 28,"address" : "上海金融大厦","remark" : "java assistant"}},{"_index" : "es_db","_type" : "_doc","_id" : "5","_score" : 0.46919838,"_source" : {"name" : "小明","sex" : 0,"age" : 19,"address" : "长沙岳麓山","remark" : "java architect assistant"}}]}
}

基于tie_breaker参数优化dis_max搜索效果

dis_max是将多个搜索query条件中相关度分数最高的用于结果排序，忽略其他query分数，在某些情况下，可能还需要其他query条件中的相关度介入最终的结果排序，这个时候可以使用tie_breaker参数来优化dis_max搜索。tie_breaker参数代表的含义是：将其他query搜索条件的相关度分数乘以参数值，再参与到结果排序中。如果不定义此参数，相当于参数值为0。所以其他query条件的相关度分数被忽略。

GET /es_db/_search
{"query": {"dis_max": {"queries": [{"match": {"name": "rod"}},{"match": {"remark": "java developer"}}],"tie_breaker": 0.5}}
}

执行结果

{"took" : 3,"timed_out" : false,"_shards" : {"total" : 1,"successful" : 1,"skipped" : 0,"failed" : 0},"hits" : {"total" : {"value" : 4,"relation" : "eq"},"max_score" : 1.8409369,"hits" : [{"_index" : "es_db","_type" : "_doc","_id" : "3","_score" : 1.8409369,"_source" : {"name" : "rod","sex" : 0,"age" : 26,"address" : "广州白云山公园","remark" : "php developer"}},{"_index" : "es_db","_type" : "_doc","_id" : "1","_score" : 1.4691012,"_source" : {"name" : "张三","sex" : 1,"age" : 25,"address" : "广州天河公园","remark" : "java developer"}},{"_index" : "es_db","_type" : "_doc","_id" : "2","_score" : 0.5598161,"_source" : {"name" : "李四","sex" : 1,"age" : 28,"address" : "上海金融大厦","remark" : "java assistant"}},{"_index" : "es_db","_type" : "_doc","_id" : "5","_score" : 0.46919838,"_source" : {"name" : "小明","sex" : 0,"age" : 19,"address" : "长沙岳麓山","remark" : "java architect assistant"}}]}
}

使用multi_match简化dis_max+tie_breaker

ES中相同结果的搜索也可以使用不同的语法语句来实现。不需要特别关注，只要能够实现搜索，就是完成任务！

# 优化
GET /es_db/_search
{"query": {"dis_max": {"queries": [{"match": {"name": "rod"}},{"match": {"remark": {"query": "java developer","boost": 2,"minimum_should_match": 2}}}],"tie_breaker": 0.5}}
}#使用multi_match语法为：其中type常用的有best_fields和most_fields。^n代表权重，相当于"boost":n。
GET /es_db/_search
{"query": {"multi_match": {"query": "rod java developer","fields": ["name","remark^2"],"type": "best_fields","tie_breaker": 0.5,"minimum_should_match": "50%"}}
}

执行结果

{"took" : 1,"timed_out" : false,"_shards" : {"total" : 1,"successful" : 1,"skipped" : 0,"failed" : 0},"hits" : {"total" : {"value" : 2,"relation" : "eq"},"max_score" : 2.9382024,"hits" : [{"_index" : "es_db","_type" : "_doc","_id" : "1","_score" : 2.9382024,"_source" : {"name" : "张三","sex" : 1,"age" : 25,"address" : "广州天河公园","remark" : "java developer"}},{"_index" : "es_db","_type" : "_doc","_id" : "3","_score" : 1.3862944,"_source" : {"name" : "rod","sex" : 0,"age" : 26,"address" : "广州白云山公园","remark" : "php developer"}}]}
}

cross fields搜索

• cross fields ： 一个唯一的标识，分部在多个fields中，使用这种唯一标识搜索数据就称为cross fields搜索。如：人名可以分为姓和名，地址可以分为省、市、区县、街道等。那么使用人名或地址来搜索document，就称为cross fields搜索。

• 实现这种搜索，一般都是使用most fields搜索策略。因为这就不是一个field的问题

• Cross fields搜索策略，是从多个字段中搜索条件数据。默认情况下，和most fields搜索的逻辑是一致的，计算相关度分数是和best fields策略一致的。一般来说，如果使用cross fields搜索策略，那么都会携带一个额外的参数operator。用来标记搜索条件如何在多个字段中匹配。

• 当然，在ES中也有cross fields搜索策略。具体语法如下：

# cross fields
GET /es_db/_search
{"query": {"multi_match": {"query": "java developer","fields": ["name","remark"],"type": "cross_fields","operator": "and"}}
}

执行结果

{"took" : 1,"timed_out" : false,"_shards" : {"total" : 1,"successful" : 1,"skipped" : 0,"failed" : 0},"hits" : {"total" : {"value" : 1,"relation" : "eq"},"max_score" : 1.4691012,"hits" : [{"_index" : "es_db","_type" : "_doc","_id" : "1","_score" : 1.4691012,"_source" : {"name" : "张三","sex" : 1,"age" : 25,"address" : "广州天河公园","remark" : "java developer"}}]}
}

• 上述语法代表的是，搜索条件中的java必须在name或remark字段中匹配，developer也必须在name或remark字段中匹配。

• most field策略问题：most fields策略是尽可能匹配更多的字段，所以会导致精确搜索结果排序问题。又因为cross fields搜索，不能使用minimum_should_match来去除长尾数据

• 所以在使用most fields和cross fields策略搜索数据的时候，都有不同的缺陷。所以商业项目开发中，都推荐使用best fields策略实现搜索

copy_to组合fields

• 京东中，如果在搜索框中输入“手机”，点击搜索，那么是在商品的类型名称、商品的名称、商品的卖点、商品的描述等字段中，哪一个字段内进行数据的匹配？如果使用某一个字段做搜索不合适，那么使用_all做搜索是否合适？也不合适，因为_all字段中可能包含图片，价格等字段。

• 假设，有一个字段，其中的内容包括(但不限于)：商品类型名称、商品名称、商品卖点等字段的数据内容。是否可以在这个特殊的字段上进行数据搜索匹配？

{"category_name": "手机","product_name": "一加6T手机","price": 568800,"sell_point": "国产最好的Android手机","tags": ["8G+128G","256G可扩展"],"color": "红色","keyword": "手机一加6T手机国产最好的Android手机"
}

• copy_to : 就是将多个字段，复制到一个字段中，实现一个多字段组合。copy_to可以解决cross fields搜索问题，在商业项目中，也用于解决搜索条件默认字段问题。

• 如果需要使用copy_to语法，则需要在定义index的时候，手工指定mapping映射策略。

copy_to语法:

DELETE /es_db
PUT /es_db# 创建新的映射
PUT /es_db/_mapping
{"properties": {"provice": {"type": "text","analyzer": "standard","copy_to": "address"},"city": {"type": "text","analyzer": "standard","copy_to": "address"},"street": {"type": "text","analyzer": "standard","copy_to": "address"},"address": {"type": "text","analyzer": "standard"}}
}

上述的mapping定义中，是新增了4个字段，分别是provice、city、street、address，其中provice、city、street三个字段的值，会自动复制到address字段中，实现一个字段的组合。那么在搜索地址的时候，就可以在address字段中做条件匹配，从而避免most fields策略导致的问题。在维护数据的时候，不需对address字段特殊的维护。因为address字段是一个组合字段，是由ES自动维护的。类似java代码中的推导属性。在存储的时候，未必存在，但是在逻辑上是一定存在的，因为address是由3个物理存在的属性province、city、street组成的。

近似匹配

前文都是精确匹配。如doc中有数据java assistant，那么搜索jave是搜索不到数据的。因为jave单词在doc中是不存在的。

如果语句是这样

GET _search
{"query": {"match": {"name": "jave"}}
}

执行结果

{"took" : 1,"timed_out" : false,"_shards" : {"total" : 10,"successful" : 10,"skipped" : 0,"failed" : 0},"hits" : {"total" : {"value" : 0,"relation" : "eq"},"max_score" : null,"hits" : [ ]}
}

• 如果需要的结果是有特殊要求，如：hello world必须是一个完整的短语，不可分割；或document中的field内，包含的hello和world单词，且两个单词之间离的越近，相关度分数越高。那么这种特殊要求的搜索就是近似搜索。包括hell搜索条件在hello world数据中搜索，包括h搜索提示等都数据近似搜索的一部分。

• 如上述特殊要求的搜索，使用match搜索语法就无法实现了。

match phrase

• 短语搜索。就是搜索条件不分词。代表搜索条件不可分割。

• 如果hello world是一个不可分割的短语，我们可以使用前文学过的短语搜索match phrase来实现。语法如下：

# 短句搜索
GET _search
{"query": {"match_phrase": {"remark": "java assistant"}}
}

执行结果

{"took" : 9,"timed_out" : false,"_shards" : {"total" : 10,"successful" : 10,"skipped" : 0,"failed" : 0},"hits" : {"total" : {"value" : 1,"relation" : "eq"},"max_score" : 1.1196322,"hits" : [{"_index" : "es_db","_type" : "_doc","_id" : "2","_score" : 1.1196322,"_source" : {"name" : "李四","sex" : 1,"age" : 28,"address" : "上海金融大厦","remark" : "java assistant"}}]}
}

match phrase原理 --term position

这里涉及到了倒排索引的建立过程。在倒排索引建立的时候，ES会先对document数据进行分词，如：

# 分词
GET _analyze
{"text": "hello world, java spark","analyzer": "standard"
}

自行结果

{"tokens" : [{"token" : "hello","start_offset" : 0,"end_offset" : 5,"type" : "<ALPHANUM>","position" : 0},{"token" : "world","start_offset" : 6,"end_offset" : 11,"type" : "<ALPHANUM>","position" : 1},{"token" : "java","start_offset" : 13,"end_offset" : 17,"type" : "<ALPHANUM>","position" : 2},{"token" : "spark","start_offset" : 18,"end_offset" : 23,"type" : "<ALPHANUM>","position" : 3}]
}

从上述结果中，可以看到。ES在做分词的时候，除了将数据切分外，还会保留一个position。position代表的是这个词在整个数据中的下标。当ES执行match phrase搜索的时候，首先将搜索条件hello world分词为hello和world。然后在倒排索引中检索数据，如果hello和world都在某个document的某个field出现时，那么检查这两个匹配到的单词的position是否是连续的，如果是连续的，代表匹配成功，如果是不连续的，则匹配失败。

match phrase搜索参数 --slop

• 在做搜索操作的是，如果搜索参数是hello spark。而ES中存储的数据是hello world, java spark。那么使用match phrase则无法搜索到。在这个时候，可以使用match来解决这个问题。但是，当我们需要在搜索的结果中，做一个特殊的要求：hello和spark两个单词距离越近，document在结果集合中排序越靠前，这个时候再使用match则未必能得到想要的结果。

• ES的搜索中，对match phrase提供了参数slop。slop代表match phrase短语搜索的时候，单词最多移动多少次，可以实现数据匹配。在所有匹配结果中，多个单词距离越近，相关度评分越高，排序越靠前。

• 这种使用slop参数的match phrase搜索，就称为近似匹配（proximity search）

示例

• 数据为: hello world, java spark

• 搜索为:match phrase : hello spark

• slop为:3

执行短语搜索的时候，将条件hello spark分词为hello和spark两个单词。并且连续。

如果当slop移动次数使用完毕，还没有匹配成功，则无搜索结果。如果使用中文分词，则移动次数更加复杂，因为中文词语有重叠情况，很难计算具体次数，需要多次尝试才行。

测试案例:英文

# 英文
GET _analyze
{"text": "hello world, java spark","analyzer": "standard"
}

分词结果

{"tokens" : [{"token" : "hello","start_offset" : 0,"end_offset" : 5,"type" : "<ALPHANUM>","position" : 0},{"token" : "world","start_offset" : 6,"end_offset" : 11,"type" : "<ALPHANUM>","position" : 1},{"token" : "java","start_offset" : 13,"end_offset" : 17,"type" : "<ALPHANUM>","position" : 2},{"token" : "spark","start_offset" : 18,"end_offset" : 23,"type" : "<ALPHANUM>","position" : 3}]
}

# 添加文档
POST /test_a/_doc/3
{"f": "hello world, java spark"
}

执行结果

{"_index" : "test_a","_type" : "_doc","_id" : "3","_version" : 1,"result" : "created","_shards" : {"total" : 2,"successful" : 1,"failed" : 0},"_seq_no" : 0,"_primary_term" : 1
}

# 查询
GET /test_a/_search
{"query": {"match_phrase": {"f": {"query": "hello spark","slop": 2}}}
}

查询结果

{"took" : 2,"timed_out" : false,"_shards" : {"total" : 1,"successful" : 1,"skipped" : 0,"failed" : 0},"hits" : {"total" : {"value" : 1,"relation" : "eq"},"max_score" : 0.27517417,"hits" : [{"_index" : "test_a","_type" : "_doc","_id" : "3","_score" : 0.27517417,"_source" : {"f" : "hello world, java spark"}}]}
}

# 指定slop次数
GET /test_a/_search
{"query": {"match_phrase": {"f": {"query": "spark hello","slop": 4}}}
}

执行结果

{"took" : 0,"timed_out" : false,"_shards" : {"total" : 1,"successful" : 1,"skipped" : 0,"failed" : 0},"hits" : {"total" : {"value" : 1,"relation" : "eq"},"max_score" : 0.18082874,"hits" : [{"_index" : "test_a","_type" : "_doc","_id" : "3","_score" : 0.18082874,"_source" : {"f" : "hello world, java spark"}}]}
}

测试案例:中文

# 中文
GET _analyze
{"text": "中国，一个世界上最强的国家","analyzer": "ik_max_word"
}

分词结果

{"tokens" : [{"token" : "中国","start_offset" : 0,"end_offset" : 2,"type" : "CN_WORD","position" : 0},{"token" : "一个","start_offset" : 3,"end_offset" : 5,"type" : "CN_WORD","position" : 1},{"token" : "一","start_offset" : 3,"end_offset" : 4,"type" : "TYPE_CNUM","position" : 2},{"token" : "个","start_offset" : 4,"end_offset" : 5,"type" : "COUNT","position" : 3},{"token" : "世界上","start_offset" : 5,"end_offset" : 8,"type" : "CN_WORD","position" : 4},{"token" : "世界","start_offset" : 5,"end_offset" : 7,"type" : "CN_WORD","position" : 5},{"token" : "上","start_offset" : 7,"end_offset" : 8,"type" : "CN_CHAR","position" : 6},{"token" : "最强","start_offset" : 8,"end_offset" : 10,"type" : "CN_WORD","position" : 7},{"token" : "的","start_offset" : 10,"end_offset" : 11,"type" : "CN_CHAR","position" : 8},{"token" : "国家","start_offset" : 11,"end_offset" : 13,"type" : "CN_WORD","position" : 9}]
}

# 添加文档
POST /test_a/_doc/1
{"f": "中国，一个世界上最强的国家"
}

执行结果

{"_index" : "test_a","_type" : "_doc","_id" : "1","_version" : 1,"result" : "created","_shards" : {"total" : 2,"successful" : 1,"failed" : 0},"_seq_no" : 1,"_primary_term" : 1
}

# 查询
GET /test_a/_search
{"query": {"match_phrase": {"f": {"query": "中国最强","slop": 5}}}
}

执行结果

{"took" : 104,"timed_out" : false,"_shards" : {"total" : 1,"successful" : 1,"skipped" : 0,"failed" : 0},"hits" : {"total" : {"value" : 1,"relation" : "eq"},"max_score" : 0.55960506,"hits" : [{"_index" : "test_a","_type" : "_doc","_id" : "1","_score" : 0.55960506,"_source" : {"f" : "中国，一个世界上最强的国家"}}]}
}

GET /test_a/_search
{"query": {"match_phrase": {"f": {"query": "最强中国","slop": 9}}}
}

执行结果

{"took" : 0,"timed_out" : false,"_shards" : {"total" : 1,"successful" : 1,"skipped" : 0,"failed" : 0},"hits" : {"total" : {"value" : 1,"relation" : "eq"},"max_score" : 0.348554,"hits" : [{"_index" : "test_a","_type" : "_doc","_id" : "1","_score" : 0.348554,"_source" : {"f" : "中国，一个世界上最强的国家"}}]}
}

6.经验分享

• 使用match和proximity search实现召回率和精准度平衡。

• 召回率：召回率就是搜索结果比率，如：索引A中有100个document，搜索时返回多少个document，就是召回率（recall）。

• 精准度：就是搜索结果的准确率，如：搜索条件为hello java，在搜索结果中尽可能让短语匹配和hello java离的近的结果排序靠前，就是精准度（precision）。

• 如果在搜索的时候，只使用match phrase语法，会导致召回率底下，因为搜索结果中必须包含短语（包括proximity search）。

• 如果在搜索的时候，只使用match语法，会导致精准度底下，因为搜索结果排序是根据相关度分数算法计算得到。

• 那么如果需要在结果中兼顾召回率和精准度的时候，就需要将match和proximity search混合使用，来得到搜索结果。

测试案例

# 测试案例
POST /test_a/_doc/3
{"f": "hello, java is very good, spark is also very good"
}POST /test_a/_doc/4
{"f": "java and spark, development language "
}POST /test_a/_doc/5
{"f": "Java Spark is a fast and general-purpose cluster computing system. It provides high-level APIs in Java, Scala, Python and R, and an optimized engine that supports general execution graphs."
}POST /test_a/_doc/6
{"f": "java spark and, development language "
}# 查询
GET /test_a/_search
{"query": {"match": {"f": "java spark"}}
}GET /test_a/_search
{"query": {"bool": {"must": [{"match": {"f": "java spark"}}],"should": [{"match_phrase": {"f": {"query": "java spark","slop": 50}}}]}}
}

7.前缀搜索 prefix search

使用前缀匹配实现搜索能力。通常针对keyword类型字段，也就是不分词的字段。

# 前缀搜索
GET /test_a/_search
{"query": {"prefix": {"f.keyword": {"value": "J"}}}
}

注意：针对前缀搜索，是对keyword类型字段而言。而keyword类型字段数据大小写敏感

前缀搜索效率比较低。前缀搜索不会计算相关度分数。前缀越短，效率越低。如果使用前缀搜索，建议使用长前缀。因为前缀搜索需要扫描完整的索引内容，所以前缀越长，相对效率越高。

8.通配符搜索

ES中也有通配符。但是和java还有数据库不太一样。通配符可以在倒排索引中使用，也可以在keyword类型字段中使用。

常用通配符

? : 一个任意字符

* : 0~n个任意字符

# 正则表达式
GET /test_a/_search
{"query": {"wildcard": {"f.keyword": {"value": "?e*o*"}}}
}

性能也很低，也是需要扫描完整的索引。不推荐使用。

9.正则搜索

ES支持正则表达式。可以在倒排索引或keyword类型字段中使用。

常用符号：

[]   范围，如： [0-9]是0~9的范围数字

.    一个字符

+    前面的表达式可以出现多次。

GET /test_a/_search
{"query": {"regexp": {"f.keyword": "[A-z].+"}}
}

性能也很低，需要扫描完整索引。

10.搜索推荐

搜索推荐： search as your type， 搜索提示。如：索引中有若干数据以“hello”开头，那么在输入hello的时候，推荐相关信息。（类似百度输入框）

GET /test_a/_search
{"query": {"match_phrase_prefix": {"f": {"query": "java s","slop": 10,"max_expansions": 10}}}
}

• 其原理和match phrase类似，是先使用match匹配term数据（java），然后在指定的slop移动次数范围内，前缀匹配（s），max_expansions是用于指定prefix最多匹配多少个term（单词），超过这个数量就不再匹配了。

• 这种语法的限制是，只有最后一个term会执行前缀搜索。

• 执行性能很差，毕竟最后一个term是需要扫描所有符合slop要求的倒排索引的term。

• 因为效率较低，如果必须使用，则一定要使用参数max_expansions。

11.fuzzy模糊搜素技术

搜索的时候，可能搜索条件文本输入错误，如：hello world -> hello word。这种拼写错误还是很常见的。fuzzy技术就是用于解决错误拼写的（在英文中很有效，在中文中几乎无效。）。其中fuzziness代表value的值word可以修改多少个字母来进行拼写错误的纠正（修改字母的数量包含字母变更，增加或减少字母。）。f代表要搜索的字段名称。

GET /test_a/_search
{"query": {"fuzzy": {"f": {"value": "word","fuzziness": 2}}}
}