# ElasticSearch 基础概念与入门使用

作者: (opens new window)编程导航星球 (opens new window) 编号 14255

elasticsearch 是一款非常强大的开源搜索引擎,具备非常多强大的功能,可以帮助我们从海量的数据中快速找到需要的内容。在电商网站搜索商品在 Google 搜索答案……elasticsearch结合kibana、Logstash、Beats,也就是elastic stack(ELK)。被广泛应用在日志数据分析、实时监控等领域。

# 前言

elasticsearch 是一款非常强大的开源搜索引擎,具备非常多强大的功能,可以帮助我们从海量的数据中快速找到需要的内容。

例如:

  • 在 Github 中搜索代码

  • 在电商网站搜索商品

  • 在 Google 搜索答案

  • ……

elasticsearch结合kibana、Logstash、Beats,也就是elastic stack(ELK)。被广泛应用在日志数据分析、实时监控等领域,而elasticsearch是elastic stack的核心,负责存储、搜索、分析数据。

elasticsearch底层是基于lucene来实现的。

Lucene是一个Java语言的搜索引擎类库,是Apache公司的顶级项目,由DougCutting于1999年研发。官网地址:https://lucene.apache.org/ 。

# 基础概念

# 文档

elasticsearch 是面向 文档 存储的,可以是数据库中的一条商品数据,一个订单信息。文档数据会被序列化成 json 格式后存储在 elasticsearch 中,而 json 文档中往往包含很多的字段(Field),类似于数据库中的列。

# 分词器

作用:

  • 创建倒排索引时对文档分词
  • 用户搜索时,对输入的内容分词

# 索引与映射

索引(Index) ,就是相同类型的文档的集合。

例如:

  • 所有用户文档,就可以组织在一起,称为用户的索引;
  • 所用商品的文档,可以组织在一起,称为商品的索引;
  • 所有订单的文档,可以组织在一起,称为订单的索引;
# 商品索引
{
    "id": 1,
    "name": "电视机",
    "category": "家电",
    "price": 599.99,
    "stock": 50
  },
  {
    "id": 2,
    "name": "手机",
    "category": "电子设备",
    "price": 899.99,
    "stock": 100
  },
  {
    "id": 3,
    "name": "运动鞋",
    "category": "服装",
    "price": 79.99,
    "stock": 200
  }
# 用户索引
{
    "id": 1,
    "name": "电视机",
    "category": "家电",
    "price": 599.99,
    "stock": 50
  },
  {
    "id": 2,
    "name": "手机",
    "category": "电子设备",
    "price": 899.99,
    "stock": 100
  },
  {
    "id": 3,
    "name": "运动鞋",
    "category": "服装",
    "price": 79.99,
    "stock": 200
  }
# 订单索引
{
    "order_id": 1,
    "user_id": 1,
    "products": [
      {
        "product_id": 1,
        "quantity": 2
      },
      {
        "product_id": 2,
        "quantity": 1
      }
    ],
    "total_price": 2099.97,
    "order_date": "2023-12-10",
    "shipping_address": "上海市"
  },
  {
    "order_id": 2,
    "user_id": 3,
    "products": [
      {
        "product_id": 3,
        "quantity": 3
      }
    ],
    "total_price": 239.97,
    "order_date": "2023-12-15",
    "shipping_address": "广州市"
  },
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75

因此,我们可以把索引当作是数据库中的表。

数据库的表会有约束信息,用来定义表的结构、字段的名称、类型等信息。因此,索引库中就有映射(mapping),是索引中文档的字段约束信息,类似表的结构约束。

# mysql 与 elasticsearch 一些概念的对比

MySQL Elasticsearch 说明
Table Index 索引(index),就是文档的集合,类似数据库的表(table)
Row Document 文档(Document),就是一条条的数据,类似数据库中的行(Row),文档都是JSON格式
Column Field 字段(Field),就是JSON文档中的字段,类似数据库中的列(Column)
Schema Mapping Mapping(映射)是索引中文档的约束,例如字段类型约束。类似数据库的表结构(Schema)
SQL DSL DSL是elasticsearch提供的JSON风格的请求语句,用来操作elasticsearch,实现CRUD

是不是说,我们学习了elasticsearch就不再需要mysql了呢?

并不是如此,两者各自有自己的擅长支出:

  • Mysql:擅长事务类型操作,可以确保数据的安全和一致性
  • Elasticsearch:擅长海量数据的搜索、分析、计算

因此在企业中,往往是两者结合使用:

  • 对安全性要求较高的写操作,使用mysql实现
  • 对查询性能要求较高的搜索需求,使用elasticsearch实现
  • 两者再基于某种方式,实现数据的同步,保证一致性

# 安装

关于安装的话,这里提供 Windows 版本,一个是elasticsearch、一个是 kibana (一个工具)。

安装参考 (opens new window)

# 安装中文分词器

elasticsearch 对中文的分词不是很友好,一般的分词不管你选择的是标准分词器,还是中文分词器,结果都是只能分成一个一个的字,非常不友好。所以我们选择一个开源的分词器。[下载地址](medcl/elasticsearch-analysis-ik: The IK Analysis plugin integrates Lucene IK analyzer into elasticsearch, support customized dictionary. (github.com) (opens new window)) 你只需要把内容下载好,把这个目录解压放到安装 elasticsearch 的文件夹中的 plugins 目录中。例如:

放好以后,直接重启 elasticsearch 就好。

如果出现报错说分词器版本不兼容 elasticsearch 只要进入下载好的分词器目录下面的 plugin-descriptor.properties文件中八版本改成和你的 elasticsearch 版本一致就好了。

# 使用

了解了上面的一些信息以后,我们接下来就开始使用 elasticsearch 吧。

# 索引的增删改查

索引库就类似数据库表,mapping映射就类似表的结构。

我们要向es中存储数据,必须先创建“库”和“表”。

# mapping 映射属性

mapping是对索引库中文档的约束,常见的mapping属性包括:

  • type:字段数据类型,常见的简单类型有:
    • 字符串:text(可分词的文本)、keyword(精确值,例如:品牌、国家、ip地址)
    • 数值:long、integer、short、byte、double、float、
    • 布尔:boolean
    • 日期:date
    • 对象:object
  • index:是否创建索引,默认为true
  • analyzer:使用哪种分词器
  • properties:该字段的子字段

例如:

{
    "age": 21,
    "weight": 52.1,
    "isMarried": false,
    "info": "created by xwhking",
    "email": "2837468248@qq.com",
    "score": [99.1, 99.5, 98.9],
    "name": {
        "firstName": "XWH",
        "lastName": "Z"
    }
}
1
2
3
4
5
6
7
8
9
10
11
12

对应的每个字段映射(mapping):

  • age:类型为 integer;参与搜索,因此需要index为true;无需分词器
  • weight:类型为float;参与搜索,因此需要index为true;无需分词器
  • isMarried:类型为boolean;参与搜索,因此需要index为true;无需分词器
  • info:类型为字符串,需要分词,因此是text;参与搜索,因此需要index为true;分词器可以用ik_smart
  • email:类型为字符串,但是不需要分词,因此是keyword;不参与搜索,因此需要index为false;无需分词器
  • score:虽然是数组,但是我们只看元素的类型,类型为float;参与搜索,因此需要index为true;无需分词器
  • name:类型为object,需要定义多个子属性
    • name.firstName;类型为字符串,但是不需要分词,因此是keyword;参与搜索,因此需要index为true;无需分词器
    • name.lastName;类型为字符串,但是不需要分词,因此是keyword;参与搜索,因此需要index为true;无需分词器

# 创建索引库和映射

# 基本语法:
  • 请求方式: PUT
  • 请求路径:/{索引库名}, 可以自定义
  • 请求参数:mapping 映射

格式:

PUT /索引库名称
{
  "mappings": {
    "properties": {
      "字段名":{
        "type": "text",
        "analyzer": "ik_smart"
      },
      "字段名2":{
        "type": "keyword",
        "index": "false"
      },
      "字段名3":{
        "properties": {
          "子字段": {
            "type": "keyword"
          }
        }
      },
      // ...略
    }
  }
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
# 示例(以上面的数据为例,我们所有的操作都在 Kibana 的中 dev tools 中完成)
PUT /xwhking
{
  "mappings": {
    "properties": {
      "age":{
        "type": "integer"
      },
      "weight" :{
        "type": "float"
      },
      "isMarrid":{
        "type": "boolean"
      },
      "info":{
        "type": "text",
        "analyzer": "ik_smart"
      },
      "email":{
        "type": "keyword",
        "index": false
      },
      "score" :{
        "type": "float"
      },
      "name":{
        "properties": {
          "firstname":{
            "type":"keyword" 
          },
          "lastname" :{
            "type":"keyword"
          }
        }
      }
    }
  }
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37

结果展示:

# 查询索引库

# 基本语法:
  • 请求方式:GET
  • 请求路径:/索引库名
  • 请求参数:无

格式:

GET /索引库名
1

示例(上面创建的索引库):

GET /xwhking
1

结果展示:

# 修改索引库

倒排索引结构虽然不复杂,但是一旦数据结构改变(比如改变了分词器),就需要重新创建倒排索引,这简直是灾难。因此索引库一旦创建,无法修改mapping

虽然无法修改mapping中已有的字段,但是却允许添加新的字段到mapping中,因为不会对倒排索引产生影响。

# 基本语法:
  • 请求方法:PUT
  • 请求路径:/索引库名/_mapping
  • 请求参数:properties (看下面的例子)

格式:

PUT /索引库名/_mapping
{
  "properties": {
    "新字段名":{
      "type": "integer"
    }
  }
}
1
2
3
4
5
6
7
8

示例:

为上面创建的索引添加一个 major 字段(Field)

# 为索引添加字段
PUT /xwhking/_mapping
{
  "properties" : {
    "major" : {
      "type" : "keyword"
    }
  }
}
1
2
3
4
5
6
7
8
9

添加结果:

我们重新查看索引看是否有添加字段:

从结果来看我们是成功了的。

# 删除索引库

# 基本语法:
  • 请求方式:DELETE
  • 请求路径:/索引库名
  • 请求参数: 无

格式:

DELETE /索引库名
1

例子:

我们删除我们上面传创建的索引库,然后再去查询,看是否能够查询的到

DELETE /xwhking
1

结果:

很明显我们查询不到了。

# 文档的增删改查

# 新增文档

# 基本语法:
  • 请求方式:POST
  • 请求路径:/索引库名/_doc/文档id 注意这里的文档 id,如果不填,elasticsearch系统会自动帮你添加一个随机的 id 值
  • 请求参数:一条以 json 为格式的数据采用键值对方式

格式:

POST /索引库名/_doc/文档id
{
    "字段1": "值1",
    "字段2": "值2",
    "字段3": {
        "子属性1": "值3",
        "子属性2": "值4"
    },
    // ...
}
1
2
3
4
5
6
7
8
9
10

例子:

我们再把上面删除的索引重新创建一下,把最开始的那条数据插入试试

# 创建一个文档
POST /xwhking/_doc/1
{
  "age":21,
  "weight":52.1,
  "isMarried":false,
  "info":"created by xwhking",
  "email":"2837468248@qq.com",
  "score":[99.1, 99.5, 98.9], 
  "name":{
      "firstName":"XWH",
      "lastName":"Z"
  }
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14

这里可能会有一个疑问:就是为什么我明明定义 score 的时候只是一个 float 类型,为什么在插入文档的时候就能插入一个数组呢?这是由 elasticsearch 决定的,因为elasticsearch 没有数组这个数据类型,所以就允许接受一个字段的多个值。

结果:

# 查询文档

# 基本语法:
  • 请求方式:GET
  • 请求路径:/索引库名/_doc/文档id
  • 请求参数:无

格式:

GET /{索引库名称}/_doc/{id}
1

示例:

GET /xwhking/_doc/1
1

结果:

# 删除文档

# 基本语法:
  • 请求方式:DELETE
  • 请求路径:/索引库名/_doc/文档id
  • 请求参数:无

格式:

DELETE /{索引库名}/_doc/id值
1

示例

DELETE /xwhking/_doc/1
1

结果参考

# 修改文档

修改有两种方式:

  • 全量修改:直接覆盖原来的文档
  • 增量修改:修改文档中的部分字段
# 全量修改

全量修改是覆盖原来的文档,其本质是:

  • 根据指定的id删除文档
  • 新增一个相同id的文档

注意:如果根据id删除时,id不存在,第二步的新增也会执行,也就从修改变成了新增操作了。

# 基本语法:
  • 请求方式:PUT
  • 请求路径:/索引库名/_doc/文档id
  • 请求参数:把所有文档信息要修改的进行修改,并且没有修改的也需要

格式:

PUT /{索引库名}/_doc/文档id
{
    "字段1": "值1",
    "字段2": "值2",
    // ... 略
}
1
2
3
4
5
6

示例:

我们改变一下上面文档的邮箱

PUT /xwhking/_doc/1
{
    "age": 21,
    "weight": 52.1,
    "isMarried": false,
    "info": "created by xwhking",
    "email": "https://www.github.com/xwhking",
    "score": [99.1, 99.5, 98.9],
    "name": {
        "firstName": "XWH",
        "lastName": "Z"
    }
}
1
2
3
4
5
6
7
8
9
10
11
12
13

结果:

# 增量修改

增量修改是只修改指定id匹配的文档中的部分字段。

# 基本语法:
  • 请求方式:POST
  • 请求路径:/索引库名/_update/文档id
  • 请求参数:doc 内容是要修改的字段,以及新的值

基本格式:

POST /{索引库名}/_update/文档id
{
    "doc": {
         "字段名": "新的值",
    }
}
1
2
3
4
5
6

示例(我们再把邮箱改回来):

# 修改文档,增量修改
POST /xwhking/_doc/1
{
  "doc": {
    "email" : "2837468248@qq..com"
  }
}
1
2
3
4
5
6
7

其中的 version 表示修改次数,创建一次,上面一次全量修改一次,增量修改一次,所以是三次。

# 利用 RestAPI 在 Java 中使用 ElasticSearch

这里暂不介绍如何使用,具体使用其实看一下官方文档,或者直接按照代码提示就可以做了,我们现在只要知道ElasticSearch原生的用法,再去用 Client 就很容易上手、理解。我们这里只稍微带一下在 Java 项目中如何引入。

三步:

  1. 引入依赖

    <dependency>
        <groupId>org.elasticsearch.client</groupId>
        <artifactId>elasticsearch-rest-high-level-client</artifactId>
    </dependency>
    
    1
    2
    3
    4
  2. 因为 springboot 可能管理了 elasticsearch的版本,所以我们需要把这个版本依赖覆盖掉,并且改成我们自己 elasticsearch的版本

    <properties>
        <java.version>1.8</java.version>
        <elasticsearch.version>7.12.1</elasticsearch.version>
    </properties>
    
    1
    2
    3
    4
  3. 初始化 RestHighLevelClient

    RestHighLevelClient client = new RestHighLevelClient(RestClient.builder(
            HttpHost.create("http://192.168.150.101:9200")
    ));
    
    1
    2
    3

# TIPS

Elasticsearch 中特殊的数据类型

ES中支持两种地理坐标数据类型:

  • geo_point: 由纬度(latitude)和经度(longitude)确定的一个点。例如:"32.8752345,120.2981576"
  • ge0_shape :有多个ge0_point组成的复杂几何图形。例如一条直线,"LINESTRING(-77.0365338.897676,-77.00905138.889939)"

字段拷贝可以使用copy to属性将当前字段拷贝到指定字段。示例:

{
    "a11":{
		"type":"text",
		"analyzer":"ik_max_word"
	},
	"brand":{
		"type":"keyword",
		"copy_to":"all"
    }
}
1
2
3
4
5
6
7
8
9
10

# 如何搜索 ==> DSL查询文档

# 数组准备

我这里直接开源一个数据初始化的代码,需要的话直接拉下来,然后通过看项目的 README 文件,配置 elasticsearch, 然后把数据放入elasticsearch 我们就开始进行搜索数据。

项目数据地址 (opens new window))

# DSL 查询分类

Elasticsearch提供了基于JSON的DSL(Domain Specific Language (opens new window))来定义查询。常见的查询类型包括:

  • 查询所有:查询出所有数据,一般测试用。例如:match_all
  • 全文检索(full text)查询:利用分词器对用户输入内容分词,然后去倒排索引库中匹配。例如:
    • match_query
    • multi_match_query
  • 精确查询:根据精确词条值查找数据,一般是查找keyword、数值、日期、boolean等类型字段。例如:
    • ids
    • range
    • term
  • 地理(geo)查询:根据经纬度查询。例如:
    • geo_distance
    • geo_bounding_box
  • 复合(compound)查询:复合查询可以将上述各种查询条件组合起来,合并查询条件。例如:
    • bool
    • function_score
# 查询基本语法:
  • 请求方式: GET
  • 请求路径:/索引库/_search
  • 请求参数:根据不同请求方式不同

基本格式:

GET /indexName/_search
{
  "query": {
    "查询类型": {
      "查询条件": "条件值"
    }
  }
}
1
2
3
4
5
6
7
8

示例查询所有:

GET /hotel/_search
{
  "query": {
    "match_all": {
    }
  }
}
1
2
3
4
5
6
7

结果:

# 全文检索查询

全文检索查询的基本流程如下:

  • 对用户搜索的内容做分词,得到词条
  • 根据词条去倒排索引库中匹配,得到文档id
  • 根据文档id找到文档,返回给用户

比较常用的场景包括:

  • 商城的输入框搜索
  • 百度输入框搜索

# TIPS

因为是拿着词条去匹配,因此参与搜索的字段也必须是可分词的text类型的字段。

# 基本语法
  • 请求方式: GET
  • 请求路径: /索引库/_search
  • 请求参数:
    • match查询:单字段查询
    • multi_match查询:多字段查询,任意一个字段符合条件就算符合查询条件
# 基本格式:

match 查询格式

GET /索引库名/_search
{
  "query": {
    "match": {
      "FIELD": "TEXT"
    }
  }
}
1
2
3
4
5
6
7
8

multi_match 查询格式:

GET /indexName/_search
{
  "query": {
    "multi_match": {
      "query": "TEXT",
      "fields": ["FIELD1", " FIELD12"]
    }
  }
}
1
2
3
4
5
6
7
8
9

查询示例:

match 示例:

GET /hotel/_search
{
  "query": {
    "match": {
      "all": "希尔顿"
    }
  }
}
1
2
3
4
5
6
7
8

result :

multi_match 示例:

GET /hotel/_search
{
  "query": {
    "multi_match": {
      "query": "如家",
      "fields": ["brand","name"]
    }
  }
}
1
2
3
4
5
6
7
8
9

result:

# TIPS

如果这里我们使用同样的查询词,查询出来的结果会是一样的,为什么呢?

因为我们将brand、name、business值都利用copy_to复制到了all字段中。因此你根据三个字段搜索,和根据all字段搜索效果当然一样了。

但是,搜索字段越多,对查询性能影响越大,因此建议采用copy_to,然后单字段查询的方式。

# 精确查询

精确查询一般是查找keyword、数值、日期、boolean等类型字段。所以不会对搜索条件分词。常见的有:

  • term:根据词条精确值查询
  • range:根据值的范围查询
# Term 查询

因为精确查询的字段搜是不分词的字段,因此查询的条件也必须是不分词的词条。查询时,用户输入的内容跟自动值完全匹配时才认为符合条件。如果用户输入的内容过多,反而搜索不到数据。

# 基本语法
  • 请求方式: GET
  • 请求路径: /索引库/_search
  • 请求参数:见示例

基本格式:

// term查询
GET /indexName/_search
{
  "query": {
    "term": {
      "FIELD": {
        "value": "VALUE"
      }
    }
  }
}
1
2
3
4
5
6
7
8
9
10
11

示例:

GET /hotel/_search
{
  "query": {
    "term": {
      "city": {
        "value": "上海"
      }
    }
  }
}
1
2
3
4
5
6
7
8
9
10

result:

因为词条是精匹配如果我们输入的是杭州上海则不会有结果

但是,当我搜索的内容不是词条,而是多个词语形成的短语时,反而搜索不到:

# range 查询

范围查询,一般应用在对数值类型做范围过滤的时候。比如做价格范围过滤。

# 基本语法
  • 请求方式: GET
  • 请求路径: /索引库/_search
  • 请求参数: 看具体示例

基本格式:

// range查询
GET /indexName/_search
{
  "query": {
    "range": {
      "FIELD": {
        "gte": 10, // 这里的gte代表大于等于,gt则代表大于
        "lte": 20 // lte代表小于等于,lt则代表小于
      }
    }
  }
}
1
2
3
4
5
6
7
8
9
10
11
12

示例:

GET /hotel/_search
{
  "query": {
    "range": {
      "score": {
        "gte": 40,
        "lte": 3000
      }
    }
  }
}
1
2
3
4
5
6
7
8
9
10
11

result:

出现的都是在 40 以上的!

#

# 地理坐标查询

所谓的地理坐标查询,其实就是根据经纬度查询,官方文档:https://www.elastic.co/guide/en/elasticsearch/reference/current/geo-queries.html

常见的使用场景包括:

  • 携程:搜索我附近的酒店
  • 滴滴:搜索我附近的出租车
  • 微信:搜索我附近的人
# 矩形范围查询
# 基本语法
  • 请求方式:GET
  • 请求路径:/索引库/_search
  • 请求参数:请看示例

查询时,需要指定矩形的左上右下两个点的坐标,然后画出一个矩形,落在该矩形内的都是符合条件的点。

// geo_bounding_box查询
GET /indexName/_search
{
  "query": {
    "geo_bounding_box": {
      "FIELD": {
        "top_left": { // 左上点
          "lat": 31.1,
          "lon": 121.5
        },
        "bottom_right": { // 右下点
          "lat": 30.9,
          "lon": 121.7
        }
      }
    }
  }
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
# 附近查询

附近查询,也叫做距离查询(geo_distance):查询到指定中心点小于某个距离值的所有文档。

换句话来说,在地图上找一个点作为圆心,以指定距离为半径,画一个圆,落在圆内的坐标都算符合条件:

# 基本语法:
  • 请求方式:GET
  • 请求路径:/索引库/_search
  • 请求参数:请看示例

格式:

// geo_distance 查询
GET /indexName/_search
{
  "query": {
    "geo_distance": {
      "distance": "15km", // 半径
      "FIELD": "31.21,121.5" // 圆心
    }
  }
}
1
2
3
4
5
6
7
8
9
10

示例:

GET /hotel/_search
{
  "query": {
    "geo_distance": {
      "distance" : "15km",
      "location" : "31.21,121.5"
    }
  }
}
1
2
3
4
5
6
7
8
9

result:

缩小一下半径(就是陆家嘴附近啦):

# 复合查询

当我们利用match查询时,文档结果会根据与搜索词条的关联度打分(_score),返回结果时按照分值降序排列。

例如,我们搜索 "虹桥如家",结果如下:

[
  {
    "_score" : 17.850193,
    "_source" : {
      "name" : "虹桥如家酒店真不错",
    }
  },
  {
    "_score" : 12.259849,
    "_source" : {
      "name" : "外滩如家酒店真不错",
    }
  },
  {
    "_score" : 11.91091,
    "_source" : {
      "name" : "迪士尼如家酒店真不错",
    }
  }
]
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

在elasticsearch中,早期使用的打分算法是TF-IDF算法,公式如下:

在后来的5.1版本升级中,elasticsearch将算法改进为BM25算法,公式如下:

TF-IDF算法有一各缺陷,就是词条频率越高,文档得分也会越高,单个词条对文档影响较大。而BM25则会让单个词条的算分有一个上限,曲线更加平滑:

# 算分函数查询

根据相关度打分是比较合理的需求,但合理的不一定是产品经理需要的。

以百度为例,你搜索的结果中,并不是相关度越高排名越靠前,而是谁掏的钱多排名就越靠前。

要想认为控制相关性算分,就需要利用elasticsearch中的function score 查询了。

# 基本语法:

function score 查询中包含四部分内容:

  • 原始查询条件:query部分,基于这个条件搜索文档,并且基于BM25算法给文档打分,原始算分(query score)

  • 过滤条件:filter部分,符合该条件的文档才会重新算分

  • 算分函数

    :符合filter条件的文档要根据这个函数做运算,得到的

    函数算分

    (function score),有四种函数

    • weight:函数结果是常量
    • field_value_factor:以文档中的某个字段值作为函数结果
    • random_score:以随机数作为函数结果
    • script_score:自定义算分函数算法
  • 运算模式

    :算分函数的结果、原始查询的相关性算分,两者之间的运算方式,包括:

    • multiply:相乘
    • replace:用function score替换query score
    • 其它,例如:sum、avg、max、min

function score的运行流程如下:

  • 1)根据原始条件查询搜索文档,并且计算相关性算分,称为原始算分(query score)
  • 2)根据过滤条件,过滤文档
  • 3)符合过滤条件的文档,基于算分函数运算,得到函数算分(function score)
  • 4)将原始算分(query score)和函数算分(function score)基于运算模式做运算,得到最终结果,作为相关性算分。

因此,其中的关键点是:

  • 过滤条件:决定哪些文档的算分被修改
  • 算分函数:决定函数算分的算法
  • 运算模式:决定最终算分结果

示例:

需求:给“如家”这个品牌的酒店排名靠前一些

翻译一下这个需求,转换为之前说的四个要点:

  • 原始条件:不确定,可以任意变化
  • 过滤条件:brand = "如家"
  • 算分函数:可以简单粗暴,直接给固定的算分结果,weight
  • 运算模式:比如求和

因此最终的DSL语句如下:

GET /hotel/_search
{
  "query": {
    "function_score": {
      "query": {
        "match": {
          "all": "外滩"
        }
      },
      "functions": [
        {
          "filter": {
            "term": {
              "brand": "如家"
            }
          },
          "weight": 100
        }
      ],
      "boost_mode": "sum"
    }
  }
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

result:

function score query定义的三要素是什么?

  • 过滤条件:哪些文档要加分
  • 算分函数:如何计算function score
  • 加权方式:function score 与 query score如何运算
# 布尔查询

布尔查询是一个或多个查询子句的组合,每一个子句就是一个子查询。子查询的组合方式有:

  • must:必须匹配每个子查询,类似“与”
  • should:选择性匹配子查询,类似“或”
  • must_not:必须不匹配,不参与算分,类似“非”
  • filter:必须匹配,不参与算分

比如在搜索酒店时,除了关键字搜索外,我们还可能根据品牌、价格、城市等字段做过滤:

每一个不同的字段,其查询的条件、方式都不一样,必须是多个不同的查询,而要组合这些查询,就必须用bool查询了。

需要注意的是,搜索时,参与打分的字段越多,查询的性能也越差。因此这种多条件查询时,建议这样做:

  • 搜索框的关键字搜索,是全文检索查询,使用must查询,参与算分
  • 其它过滤条件,采用filter查询。不参与算分
# 基本语法
GET /hotel/_search
{
  "query": {
    "bool": {
      "must": [
        {"term": {"city": "上海" }}
      ],
      "should": [
        {"term": {"brand": "皇冠假日" }},
        {"term": {"brand": "华美达" }}
      ],
      "must_not": [
        { "range": { "price": { "lte": 500 } }}
      ],
      "filter": [
        { "range": {"score": { "gte": 45 } }}
      ]
    }
  }
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

示例:

需求:搜索名字包含“如家”,价格不高于400,在坐标31.21,121.5周围10km范围内的酒店。

分析:

  • 名称搜索,属于全文检索查询,应该参与算分。放到must中
  • 价格不高于400,用range查询,属于过滤条件,不参与算分。放到must_not中
  • 周围10km范围内,用geo_distance查询,属于过滤条件,不参与算分。放到filter中

result:

# 搜索结果处理

# 排序

地理坐标排序略有不同。

语法说明

GET /indexName/_search
{
  "query": {
    "match_all": {}
  },
  "sort": [
    {
      "_geo_distance" : {
          "FIELD" : "纬度,经度", // 文档中geo_point类型的字段名、目标坐标点
          "order" : "asc", // 排序方式
          "unit" : "km" // 排序的距离单位
      }
    }
  ]
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

这个查询的含义是:

  • 指定一个坐标,作为目标点
  • 计算每一个文档中,指定字段(必须是geo_point类型)的坐标 到目标点的距离是多少
  • 根据距离排序
# 分页

elasticsearch 默认情况下只返回top10的数据。而如果要查询更多数据就需要修改分页参数了。elasticsearch中通过修改from、size参数来控制要返回的分页结果:

  • from:从第几个文档开始
  • size:总共查询几个文档

类似于mysql中的limit ?, ?

分页的基本语法如下:

GET /hotel/_search
{
  "query": {
    "match_all": {}
  },
  "from": 0, // 分页开始的位置,默认为0
  "size": 10, // 期望获取的文档总数
  "sort": [
    {"price": "asc"}
  ]
}
1
2
3
4
5
6
7
8
9
10
11

现在,我要查询990~1000的数据,查询逻辑要这么写:

GET /hotel/_search
{
  "query": {
    "match_all": {}
  },
  "from": 990, // 分页开始的位置,默认为0
  "size": 10, // 期望获取的文档总数
  "sort": [
    {"price": "asc"}
  ]
}
1
2
3
4
5
6
7
8
9
10
11

这里是查询990开始的数据,也就是 第990~第1000条 数据。

不过,elasticsearch内部分页时,必须先查询 0~1000条,然后截取其中的990 ~ 1000的这10条:

查询TOP1000,如果es是单点模式,这并无太大影响。

但是elasticsearch将来一定是集群,例如我集群有5个节点,我要查询TOP1000的数据,并不是每个节点查询200条就可以了。

因为节点A的TOP200,在另一个节点可能排到10000名以外了。

因此要想获取整个集群的TOP1000,必须先查询出每个节点的TOP1000,汇总结果后,重新排名,重新截取TOP1000。

那如果我要查询9900~10000的数据呢?是不是要先查询TOP10000呢?那每个节点都要查询10000条?汇总到内存中?

当查询分页深度较大时,汇总数据过多,对内存和CPU会产生非常大的压力,因此elasticsearch会禁止from+ size 超过10000的请求。

针对深度分页,ES提供了两种解决方案,官方文档 (opens new window)

  • search after:分页时需要排序,原理是从上一次的排序值开始,查询下一页数据。官方推荐使用的方式。
  • scroll:原理将排序后的文档id形成快照,保存在内存。官方已经不推荐使用。
# 高亮

高亮显示的实现分为两步:

  • 1)给文档中的所有关键字都添加一个标签,例如<em>标签
  • 2)页面给<em>标签编写CSS样式

高亮的语法

GET /hotel/_search
{
  "query": {
    "match": {
      "FIELD": "TEXT" // 查询条件,高亮一定要使用全文检索查询
    }
  },
  "highlight": {
    "fields": { // 指定要高亮的字段
      "FIELD": {
        "pre_tags": "<em>",  // 用来标记高亮字段的前置标签
        "post_tags": "</em>" // 用来标记高亮字段的后置标签
      }
    }
  }
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

注意:

  • 高亮是对关键字高亮,因此搜索条件必须带有关键字,而不能是范围这样的查询。
  • 默认情况下,高亮的字段,必须与搜索指定的字段一致,否则无法高亮
  • 如果要对非搜索字段高亮,则需要添加一个属性:required_field_match=false
最近更新: 12/26/2023, 1:17:29 PM
编程导航   |