读书笔记:从Lucene到Elasticsearch:全文检索实战

读书笔记:从Lucene到Elasticsearch:全文检索实战

从Lucene到Elasticsearch:全文检索实战

当前的笔记只介绍 Elasticsearch 的搜索部分。

文章中的搜索都是在 kibanaDev tools 进行查询的。

准备工作

需要安装 Elasticsearchkibanaelasticsearch-analysis-ik

具体的安装方式,这里就不再阐述了。(安装完,记得重启 Elasticsearch

重启完成后,打开 kibanaDev tools,输入下面的DSL代码,并运行:

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
PUT books
{
"settings": {
"number_of_replicas": 1,
"number_of_shards": 3
},
"mappings": {
"IT": {
"properties": {
"id": {
"type": "long"
},
"title": {
"type": "text",
"analyzer": "ik_max_word"
},
"language": {
"type": "keyword"
},
"author": {
"type": "keyword"
},
"price": {
"type": "double"
},
"year": {
"type": "date",
"format": "yyyy-MM-dd"
},
"description": {
"type": "text",
"analyzer": "ik_max_word"
}
}
}
}
}

运行好后,下载 books.json 文件,并进行导入。如果你安装的 Elasticsearch 版本小于6.0,使用下面的命令进行导入 books.json

1
curl -XPOST "http://localhost:9200/_bulk?pretty" --data-binary @books.json

如果你的 Elasticsearch 版本大于6.0,则使用下面的命令进行导入:

1
curl -H "Content-Type: application/json" -XPOST "http://localhost:9200/_bulk?pretty" --data-binary @books.json

基本搜索

返回指定index的所有文档

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

可以简写为:

1
GET books/search

查找指定字段中包含给定单词的文档

使用term来进行查询,term查询不会被解析,只有查询的词和文档中的词精确匹配才会被搜索到,应用场景为:查询人名、地名等需要精准匹配的需求。

查询title字段中含有思想的书籍

1
2
3
4
5
6
7
8
GET books/_search
{
"query": {
"term": {
"title": "思想"
}
}
}

返回如下:

Imgur

对查询结果进行分页

有时查询时,会返回成千上万的数据,这种情况下,分页的作用就出来了。

分页有两个属性,分别是fromsize

  • from: 从何处开始
  • size: 返回的文档最大数量

可以理解为:我从from位置把剩下的文档全部返回,然后size限制了返回的数量。

用js代码来诠释就是:

1
2
3
4
5
6
7
const from = 100 - 1; // 数组从0开始,需要减一
const size = 10;
const data = [1, 2, 3, ..., 999, 1000];

const fromDate = data.splice(from);
const result = fromData.splice(0, size);
console.log(result) //=> [100, 101, 102, 103, 104, 105, 106, 107, 108, 109]

限制返回字段

一般我们查询时,都是为了观察某一个字段,而不是想看全部的字段。而如果是默认情况下,Elasticsearch 会返回的文档的全部字段信息。会对工作造成一定的影响。于是,Elasticsearch 提供了一个接口,用于限制返回的字段。假设我只需要 titleauthor 字段:

1
2
3
4
5
6
7
8
9
GET books/_search
{
"_source": ["title", "author"],
"query": {
"term": {
"title": "java"
}
}
}

结果如图:

Imgur

基于最小评分过滤

因为 Elasticsearch 在做普通的搜索时,是采用相关性进行搜索的,而相关性是由评分 取决的。所以当我们进行模糊搜索时,Elasticsearch 可能会返回一些相关性不那么高的文档。所以我们可以通过 Elasticsearch 提供的接口,来设置一个评分最低标准,低于这个标准的文档,将不会出现在结果页中。

比如,我想搜索 title 里包含 java 的文档,并且评分不低于0.7

1
2
3
4
5
6
7
8
9
GET books/_search
{
"min_score": 0.7,
"query": {
"term": {
"title": "java"
}
}
}

结果如图:

Imgur

高亮关键字

有时,我们会把 Elasticsearch 结果直接导入到网页中,这个时候需要高亮关键字,让用户更加清楚自己想要的东西,Elasticsearch 已经提供了一个接口,比如我想让搜索出来的结果中的关键字高亮:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
GET books/_search
{
"_source": ["title"],
"min_score": 0.7,
"query": {
"term": {
"title": "java"
}
},
"highlight": {
"fields": {
"title": {}
}
}
}

结果如图:

Imgur

默认的标签是<em></em>,如果你想自定义,可以使用: pre_tagspost_tags。最终查询代码为:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
GET books/_search
{
"_source": ["title"],
"min_score": 0.7,
"query": {
"term": {
"title": "java"
}
},
"highlight" : {
"pre_tags" : ["<h1>"],
"post_tags" : ["</h1>"],
"fields" : {
"title" : {}
}
}
}

结果如图:

Imgur

全文查询

上节基本都是以 term 进行搜索,但其实 Elasticsearch 提供了很多搜索方法,本章就是介绍 Elasticsearch 有哪些搜索方法、分别起的作用。

本章对 common_terms queryquery_string querysimple_query_string query 没有解释说明,因为使用起来较少,而且解释起来较为麻烦。如果想了解,可以参考网上的文章。这里就不在阐述了。

match query

我们先使用 term 进行一次查询:

1
2
3
4
5
6
7
8
9
GET books/_search
{
"_source": ["title", "author"],
"query": {
"term": {
"title": "java编程"
}
}
}

你会发现,其结果为空(但是数据库里是有这个数据的),如图:

Imgur

这是因为 term 是匹配分词后的词项来进行查询的。比如刚刚我们查的 java编程 ,在 Elasticsearch 进行分词时,会把 java编程 分为:java编程 。导致匹配不起来。

用代码诠释的话就是:

1
2
3
4
const keyword = 'java编程';
const data = ['java', '编程'];
const result = data.includes(keyword);
console.log(result) //=> false

现在我们把 term 换成 match 来尝试下:

1
2
3
4
5
6
7
8
9
GET books/_search
{
"_source": ["title", "author"],
"query": {
"match": {
"title": "java编程"
}
}
}

结果如图:

Imgur

可以发现,已经有结果了,但是为什么会有两个呢?

原因是因为 match 会对你的关键字进行分词,然后去匹配文档分词后的结果,只要文档里的词项能匹配关键字分词后的任何一个,都会返回到结果里。

代码诠释:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
const data = ['java', '编程', '思想']; // 分词后的文档里的数据
const keywords = ['java', '编程', '思想']; // 分词后的关键字

const result = (() => {
for (let x = 0; x < data.length; x++) {
const dataItem = data[x];
for (let y = 0; y < keywords.length; y++) {
const keywordItem = keywords[y];
if (dataItem === keywordItem) {
return true;
}
}
}
return false;
})()

如果我只想让它返回一个呢,并且只能用 match 来做,可以么?

是可以的,match 提供了一个属性:operator。可以用这个来帮助完成这个需求:

1
2
3
4
5
6
7
8
9
10
11
12
GET books/_search
{
"_source": ["title", "author"],
"query": {
"match": {
"title": {
"query": "java编程",
"operator": "and"
}
}
}
}

最终的结果如图:

Imgur

原理是因为 operator 属性的值为 and,这样的话,就告诉 Elasticsearch 我要让我的关键字都能和文档里的词项匹配上。有一个没匹配上,我都不要。

如果 operator 属性的值为 or,那结果就和之前是一样的了。

match_phrase query

你可以把这个方法理解为自带了 operator 属性的值为 andmatch

这个方法有两个限制条件,只有都满足,才会在结果中显示出:

  • 分词后的所有词项都在该字段中,相当于 operator: "and"
  • 顺序要一致

顺序一致指的是什么呢?

假设你使用 match 来匹配: 编程java,那么结果还是和上面一样。所以如果你需要要求顺序一致性,那么你就可以使用 match_phrase 来做。

如果使用 编程java 来搜索:

Imgur

如果使用 java编程

Imgur

match_phrase_prefix query

这个方法和 match_phrase 方法类似,不过这个方法可以可以把最后一个词项作为前缀进行匹配,想象一下:用户在搜索栏中搜索 辣鸡UZ,然后下面列表中出现了 辣鸡UZI

首先 match_phrase_prefix 会先分词为: 辣鸡,然后找了一个文档,再然后匹配 辣鸡 后面的字符串是否以 UZ 开头的。这个时候文档满足条件,就返回出结果。可以假想后面一直有一个(.*)的通配符,如:辣鸡UZ(.*)

知道原理了,我们现在写一个查询语句:

1
2
3
4
5
6
7
8
9
GET books/_search
{
"_source": ["title", "author"],
"query": {
"match_phrase_prefix": {
"title": "java编"
}
}
}

结果如图:

Imgur

multi_match query

multi_matchmatch 的升级方法,可以用来搜索多个字段。

比如我不想只在 title 里搜索 java编程,我还想在 description 里进行搜索。那应该怎么做呢?

Elasticsearch 已经提供了 multi_match 专门用来处理这件事情:

1
2
3
4
5
6
7
8
9
10
GET books/_search
{
"_source": ["title", "description"],
"query": {
"multi_match": {
"query": "java编程",
"fields": ["title", "description"]
}
}
}

最终结果如图:

Imgur

并且 multi_match 还支持通配符。上面的查询语句,可以写成:

1
2
3
4
5
6
7
8
9
10
GET books/_search
{
"_source": ["title", "description"],
"query": {
"multi_match": {
"query": "java编程",
"fields": ["title", "*tion"]
}
}
}

词项查询

上一章是全文查询,这一章是词项查询。他们俩的区别在于:

  • 全文查询:会对查询语句(query)进行分词,然后匹配文档里分词后的数据
  • 词项查询:不会对查询语句进行分词

term query

第一章节已经介绍过了,这里就不再阐述了。

terms query

termsterm 查询的升级版本,可以用来查询文档中某一字段,是否包含了其关键字。比如,我想查询 title 字段中包含了 优化 或者 基础 的文档:

1
2
3
4
5
6
7
8
9
GET books/_search
{
"_source": ["title"],
"query": {
"terms": {
"title": ["优化", "基础"]
}
}
}

其结果如图:

Imgur

range query

从名字就能猜测出 range 是范围匹配。可以匹配 numberdatestring (字符串范围查询比较特殊,比较少用,就不再阐述了)

range 支持以下查询参数:

  • gt: 大于
  • gte: 大于等于
  • lt: 小于
  • lte: 小于等于

number 范围查询

现在我想查询价格低于70,并大于等于50的书籍。伪代码既:(price >= 50 && price < 70)

1
2
3
4
5
6
7
8
9
10
11
12
GET books/_search
{
"_source": ["title", "price"],
"query": {
"range": {
"price": {
"gte": 50,
"lt": 70
}
}
}
}

其结果如图:

Imgur

date 范围查询

如果我想查询,出版日期在 2016-1-12016-12-31 之间的书籍,那么DSL查询语句就如同以下这样:

1
2
3
4
5
6
7
8
9
10
11
12
13
GET books/_search
{
"_source": ["title", "publish_time"],
"query": {
"range": {
"publish_time": {
"gte": "2016-1-1",
"lte": "2016-12-31",
"format": "yyyy-MM-dd"
}
}
}
}

其结果如图:

Imgur

exists query

匹配有这个属性的文档。比如我想找到存在 title 字段的文档:

1
2
3
4
5
6
7
8
9
GET books/_search
{
"_source": "title",
"query": {
"exists": {
"field": "title"
}
}
}

结果会返回所有的文档。那么如何定义 有这个属性 呢?

定义的规则如下:

  • {"title": "js"}: 存在
  • {"title": ""}: 存在
  • {"title": ["js"]}: 存在
  • {"title": ["js", null]}: 存在(有一个值不为空就行)
  • {"title": null}: 不存在
  • {"title": []} 不存在
  • {"title": [null]} 不存在
  • {"foo": "bar"}: 不存在

perfix query

用来匹配文档分词后的词项中的前缀。我们先写个DSL进行匹配下:

1
2
3
4
5
6
7
8
9
GET books/_search
{
"_source": "description",
"query": {
"prefix": {
"description": "wi"
}
}
}

其结果如图:

Imgur

为何 wi 可以匹配到这个呢?因为 Elasticsearch 会对 description 进行分词,其中会把 winPython 分为 win Python。那么这两个就是文档分词后的词项,而 prefix 匹配每个词项的开头是否匹配,相当于js的 startsWith 方法。用代码诠释的话就是:

1
2
3
4
5
6
const dataItem = ['win', 'python'];
const prefixKeyword = 'wi';

const result = dataItem.some(item => item.startsWith(prefixKeyword));

console.log(result); //=> true

wildcard query

wildcard 为通配符查询。不过目前只支持 *?。所代表的含义为:

  • *: 零个或多个
  • ?: 一个或多个

注意:wildcard 不是匹配全文,还是会对文档的字段进行分词,然后应用于每个词项

比如,我现在想查询 wi* 的文档:

1
2
3
4
5
6
7
8
9
GET books/_search
{
"_source": "description",
"query": {
"wildcard": {
"description": "wi*"
}
}
}

其结果如图:

Imgur

首先 Elasticsearch 会先对 description 进行分词为:winpython。然后 wi* 会应用到每个词项里,其中 win 符合规则,则显示在结果中。

如果我用 win?,则不会有任何的结果,因为 ? 代表的是一个或多个。那么匹配到 win 的时候,后面没有字符串了,则结果为空。

regexp query

其为正则表达式查询,原理同 wildcard,这里就不在阐述了。

fuzzy query

可以把 fuzzy 理解为模糊查询。比如用户输入关键字时,一不小心输入错了,变成了 javascrpit,那么 fuzzy 的作用就出来了。它仍可以搜索到 javascript:

1
2
3
4
5
6
7
8
9
GET books/_search
{
"_source": "description",
"query": {
"fuzzy": {
"description": "javascrpit"
}
}
}

其结果如图:

Imgur

复合查询

复合查询就是把简单的查询组合在一起,从而实现更加复杂的查询。并且复合查询还可以控制另一个查询的行为。

constant_score query

不太常用,用于对返回结果的文档进行打分。

这里就不在阐述了,如果感兴趣,可见:[Elasticsearch] 控制相关度 (四) - 忽略TF/IDF

bool query

这个查询方法,还是非常重要的。这个方法提供了以下操作方法:

  • must: 文档必须满足 must 下面的查询条件,相当于AND 或者 &&
  • should: 文档可以匹配 should 下的查询条件,匹配不出来也没事。相当于 OR 或者 ||
  • must_not: 和 must 相反,必须不满足 must_not 下面的查询条件,相当于 !==
  • filter: 其功能和 must 一样,但是不会打分,也就说不会影响文档的 _score 字段

现在,我们想要查询:书籍作者(author)是 葛一鸣,书籍名称(title)里包含 java 的书籍,价格(price)不能高于 70 低于 40,并且书籍描述(description)可以包含或者不包含 虚拟机 的书籍。

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
GET books/_search
{
"query": {
"bool": {
"filter": {
"term": {
"author": "葛一鸣"
}
},
"must": [
{
"match": {
"title": "java"
}
}
],
"should": [
{
"match": {
"description": "虚拟机"
}
}
],
"must_not": [
{
"range": {
"price": {
"gt": 70,
"lt": 40
}
}
}
]
}
}
}

其结果如图:

Imgur

dis_max query、function_score query、boosting query

这三个就不在阐述了,其主要作用是关系到 _score,也就是关系到查询的结果的评分。感兴趣的,可以在网上搜下。

评论

Your browser is out-of-date!

Update your browser to view this website correctly. Update my browser now

×