【一线大厂Java面试题解析+后端开发学习笔记+最新架构讲解视频+实战项目源码讲义】
**开源地址：https://docs.qq.com/doc/DSmxTbFJ1cmN1R2dB **
-
match：根据一个字段查询 -
multi_match：根据多个字段查询，参与查询字段越多，查询性能越差
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
3.1 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。
语法说明：
// term查询
GET /indexName/_search
{
“query”: {
“term”: {
“FIELD”: {
“value”: “VALUE”
}
}
}
}
例子：
#term查询
GET /hotel/_search
{
“query”: {
“term”: {
“city”: {
“value”: “上海”
}
}
}
}
3.2 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：
// 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
}
}
}
}
示例：
#range查询
GET /hotel/_search
{
“query”: {
“range”: {
“price”: {
“gt”: 249,
“lte”: 300
}
}
}
}
所谓的地理坐标查询，其实就是根据经纬度查询
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
4.1 矩形范围查询
矩形范围查询：也就是geo_bounding_box查询，查询坐标落在某个矩形范围的所有文档：
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。
语法如下：
// 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
}
}
}
}
}
4.2 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：
语法说明：
// geo_distance 查询
GET /indexName/_search
{
“query”: {
“geo_distance”: {
“distance”: “15km”, // 半径
“FIELD”: “31.21,121.5” // 圆心
}
}
}
例子：
我们先搜索陆家嘴附近15km的酒店：
发现共有47家酒店，然后把半径缩短到3公里：
可以发现，搜索到的酒店数量减少到了5家。
复合查询：复合查询可以将其它简单查询组合起来，实现更复杂的搜索逻辑。常见的有两种：
-
fuction score：算分函数查询，可以控制文档相关性算分，控制文档排名 -
bool query：布尔查询，利用逻辑关系组合多个其它的查询，实现复杂搜索
5.1 相关性算分（了解）
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”,
}
}
]
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：
小结：elasticsearch会根据词条和文档的相关度做打分，算法由两种：
-
TF-IDF算法 -
BM25算法，elasticsearch5.1版本后采用的算法
5.2 算分函数查询
根据相关度打分是比较合理的需求，但有时候也不能够满足我们的需求。
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，而是谁给的钱多排名就越靠前：
![[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-DATbGhrZ-1637137622217)(file://C:\Users\30287\Desktop\Java%E5%AD%A6%E4%B9%A0%E8%A7%86%E9%A2%91\day03-Docker\day06-Elasticsearch02%E8%AE%B2%E4%B9%89\assets\image-20210721191144560.png?lastModify=1637136892)]](https://i-blog.csdnimg.cn/blog_migrate/01d827a08b94197670488deb793a9243.png)
（1）function score
要想认为控制相关性算分，就需要利用elasticsearch中的function score 查询了。
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：
-
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）
-
根据过滤条件，过滤文档
-
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）
-
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
（2）例子
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”: { … }, // 原始查询，可以是任意条件
“functions”: [ // 算分函数
{
“filter”: { // 满足的条件，品牌必须是如家
“term”: {
“brand”: “如家”
}
},
“weight”: 2 // 算分权重为2
}
],
“boost_mode”: “sum” // 加权模式，求和
}
}
}
测试，在未添加算分函数时，如家得分如下：
添加了算分函数后，如家得分就提升了：
5.3 布尔查询
（1）定义
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：
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
