最近维护公司的APP搜索项目，在实际需求中，领导对搜索关心两方面，第一要搜出来，第二排序要符合人的搜索习惯，最近一段时间的搜索经验记录下来分享一下。
‘木瓜牛奶’ 是怎么搜出来的？
先来说说Elasticsearch基本的搜索，一段文字在es中能被搜索出来，抛开复杂的原理，简单理解成一句话: 搜索词的分词结果正好匹配上了内容的分词结果，这段内容就被搜索出来了。
这句话有两个核心，一个是分词，一个是匹配。
分词
对于第一个核心“分词”来说，它有两个需要分词，一个是搜索词的分词，一个是文档内容的分词(跟倒排索引有关，后面解释)。 先从搜索词说起，对于一个搜索词来说，它会被分词，根据分词器的不同，会有不同的分词结果。比如 “木瓜牛奶”，如果用 standard 分词，对于中文就比较呆板，一个字一个字被分词成 [“木”,“瓜”,“牛”,“奶”] 四个词，而如果用 ik_max_word 分词器，会被分词成 [“木瓜”,“牛奶”]。
下面json就展示了对于搜索词可以指定分词器，当然，只有match这种需要分词的行为才能指定分词器，如果你用term这种精确查询，是不让你用analyzer属性的。
{
"query": {
"bool": {
"must": [
{
"match": {
"channelSkuName": {
"query": "木瓜牛奶",
"analyzer": "ik_max_word"
}
}
}
]
}
}
}
再看文档内容的分词，如果有一个商品名字段叫channelSkuName，值为 “好好吃的木瓜牛奶”，如果这个字段指定了ik_max_word 分词器，会被分词为[“好好”,“好吃”,“的”,“木瓜”,“牛奶”]。我们会发现，搜索词跟数据库内容被分词拆分之后，是有重合的内容的，[“木瓜”,“牛奶”] 是两个都具有的，这个是能被搜索出来的基础。
这个json截取了索引的mappering结构，展示了channelSkuName字段指定了"ik_max_word"分词器。然后下面还有fields字段，es是允许一个字段分别指定不同的字段类型和分词器的，只要搜索的时候对应好字段后缀就行了，比如"channelSkuName.standard"和"channelSkuName.pinyin"。
{
"channelSkuName":{
"analyzer":"ik_max_word",
"type":"text",
"fields":{
"standard":{
"analyzer":"standard",
"type":"text"
},
"pinyin":{
"analyzer":"pinyin",
"type":"text"
}
}
}
}
匹配
说完分词，再说匹配，在 Elasticsearch 中，有几种不同的查询类型可用于搜索文本数据。以下是 matchPhrase、match 和 term 查询的区别。
match 查询
match 查询用于在文本字段中查找与搜索词匹配的文档。
该查询会对搜索词进行分词，生成词项，并与文档中的词项进行匹配。默认情况下，match 查询使用 OR 操作符，即匹配任何一个词项，这个文档就会被搜索出来。
{
"query": {
"bool": {
"must": [
{
"match": {
"channelSkuName": {
"query": "吃木瓜",
"analyzer": "ik_max_word"
}
}
}
]
}
}
}
上述示例在ik_max_word分词器下被拆分成[“吃”,“木瓜”]，所以将匹配包含短语 “吃 or 木瓜” 的文档，如 “牛奶木瓜”会被搜索出来。why? 注意，上文说了，搜索词会被分词，文档内容同样会被分词，如果文档字段仍是使用ik_max_word分词器，“牛奶木瓜” 被分词为 [“牛奶”,“木瓜”],正因为和搜索词有一样的分词项 [“木瓜”]，而且match 属于or匹配**，**所以会被搜索出来。
换句话说，如果文档字段使用的是standard分词器，"牛奶木瓜"会被分词成[“牛”,“奶”,“木”,“瓜”]四个词，就无法匹配[“吃”,“木瓜”]中的任何一个，也就没法匹配搜索到。
从这个例子可以看出，一个文档要能被搜索出来，一看分词（搜索词和文档内容），二看匹配规则（比如match），就能理解es搜索的大致方式。
matchPhrase 查询
matchPhrase 查询用于在文本字段中查找包含指定短语的文档。该查询要求文档中的字段与搜索词语完全匹配，包括相对的顺序和位置。什么是相对的顺序和位置？就是分词结果的排序，它并不是随意排序的，每个分词项都有自己的位置。下面举例说明：
{
"query":{
"match_phrase":{
"channelSkuName":{
"query":"木瓜牛奶",
"analyzer":"ik_max_word"
}
}
}
}
这个json跟第一个稍稍不一样， ‘match’替换成了’match_phrase’，我们知道"木瓜牛奶"的分词结果是[“木瓜”,“牛奶”]，然后我们希望搜索 “皇麦世家木瓜牛奶燕麦片 350g*1袋”，我们先看下这个文本的分词结构：
入参：
GET http://ip:9200/任意index/_analyze
Content-Type: application/json
{
"analyzer": "ik_max_word",
"text": [
"皇麦世家木瓜牛奶燕麦片 350g*1袋"
]
}
出参：
{
"tokens": [
{
"token": "皇",
"start_offset": 0,
"end_offset": 1,
"type": "CN_CHAR",
"position": 0
},
{
"token": "麦",
"start_offset": 1,
"end_offset": 2,
"type": "CN_CHAR",
"position": 1
},
{
"token": "世家",
"start_offset": 2,
"end_offset": 4,
"type": "CN_WORD",
"position": 2
},
{
"token": "世",
"start_offset": 2,
"end_offset": 3,
"type": "CN_WORD",
"position": 3
},
{
"token": "家",
"start_offset": 3,
"end_offset": 4,
"type": "CN_CHAR",
"position": 4
},
{
"token": "木瓜",
"start_offset": 4,
"end_offset": 6,
"type": "CN_WORD",
"position": 5
},
{
"token": "牛奶",
"start_offset": 6,
"end_offset": 8,
"type": "CN_WORD",
"position": 6
},
{
"token": "牛",
"start_offset": 6,
"end_offset": 7,
"type": "CN_WORD",
"position": 7
},
{
"token": "奶",
"start_offset": 7,
"end_offset": 8,
"type": "CN_CHAR",
"position": 8
},
{
"token": "燕麦片",
"start_offset": 8,
"end_offset": 11,
"type": "CN_WORD",
"position": 9
},
{
"token": "燕麦",
"start_offset": 8,
"end_offset": 10,
"type": "CN_WORD",
"position": 10
},
{
"token": "麦片",
"start_offset": 9,
"end_offset": 11,
"type": "CN_WORD",
"position": 11
},
{
"token": "350g",
"start_offset": 12,
"end_offset": 16,
"type": "LETTER",
"position": 12
},
{
"token": "350",
"start_offset": 12,
"end_offset": 15,
"type": "ARABIC",
"position": 13
},
{
"token": "g",
"start_offset": 15,
"end_offset": 16,
"type": "ENGLISH",
"position": 14
},
{
"token": "1",
"start_offset": 17,
"end_offset": 18,
"type": "ARABIC",
"position": 15
},
{
"token": "袋",
"start_offset": 18,
"end_offset": 19,
"type": "COUNT",
"position": 16
}
]
}
从出参我们看到"木瓜"和"牛奶"的position是5和6，这就是上面我们说的位置，不过这里是绝对位置。我们再看看搜索词"木瓜牛奶"的位置。
入参：
GET http://ip:9200/任意index/_analyze
Content-Type: application/json
入参：
{
"analyzer": "ik_max_word",
"text": [
"木瓜牛奶"
]
}
出参：
{
"tokens":[
{
"token":"木瓜",
"start_offset":0,
"end_offset":2,
"type":"CN_WORD",
"position":0
},
{
"token":"牛奶",
"start_offset":2,
"end_offset":4,
"type":"CN_WORD",
"position":1
}
]
}
搜索词 "木瓜"和"牛奶"的position是0和1，虽然搜索词的position跟搜索内容的position绝对值不一样，但是他们相对位置是相邻的，matchPhrase能匹配上的要求有两个：
- 要求文档中的分词结果与搜索词分词完全匹配。
- 相对的顺序和位置符合要求
这两个都能满足，所以 “皇麦世家木瓜牛奶燕麦片 350g*1袋” 能被搜索出来。说到这里，我们能看到matchPhrase比match更能符合人类的搜索预期，matchPhrase相当于全文搜索，match相当于模糊搜索，但是我们再举一个相对顺序不一致的情况。
比如搜索词是"皇麦木瓜燕麦片"，想搜索的商品名为"皇麦世家木瓜牛奶燕麦片 350g*1袋”, 从人的视觉习惯看起来跟商品名差不多，但是对搜索引擎分词结果来说，“皇麦"到"木瓜"到"燕麦片"之间，没有了"世家”，“牛奶”两个分词，在相对顺序上，它们已经匹配不上搜索内容分词的相对顺序了，所以无法搜索到。但是我们希望有个容错的机制可以容忍一些位置错乱，幸运的是，在使用matchPhrase的情况下，的确有个参数可以兼容顺序不一致的情况，非常实用。
slop 参数
slop 是一个参数，用于指定 matchPhrase 查询中允许的最大位置偏移量。它用于控制短语查询中单词的相对位置。默认情况下，slop 的值为 0，表示单词必须按照给定的顺序连续出现。如果设置了一个正整数的 slop 值，那么在指定范围内，单词可以以任意顺序出现，且允许有一些其他单词插入其中。
还是以上面无法搜索出来的例子来看，比如我们的搜索词是 “皇麦木瓜燕麦片”，通过分词分析，相比 "皇麦世家木瓜牛奶燕麦片 350g*1袋"的分词，少了[“世家”,“世”,“家”,“牛奶”,“牛”,“奶”]6个分词，我们设置slop为6，表示允许的中间不匹配位置的最大数目为6，这时候，"皇麦世家木瓜牛奶燕麦片 350g*1袋"就可以被搜出来。如果设置成5，通过我的实际检验，都没办法搜出来。
{
"query": {
"match_phrase": {
"channelSkuName": {
"query": "皇麦木瓜燕麦片",
"slop": 6,
"analyzer": "ik_max_word"
}
}
}
term 查询
matchPhrase 和 match 都建立在分词再查找的基础上，而 term 查询不会对查询词进行分词，而是直接与文档中的词项进行精确匹配。所以term不接受analyzer属性，term适合精确的编码查询等场景。
但是需要注意的是，term 适合查询 keyword 类型的字段，一般文本类型分为 text 和 keyword。下面json给了一个keyword示例，channelSkuName本身是text类型，但是channelSkuName.keyword就是keyword类型，keyword 类型不会做分词处理。
{
"channelSkuName":{
"type":"text",
"fields":{
"keyword":{
"ignore_above":256,
"type":"keyword"
}
}
}
}
用"世家"是能搜索到 "皇麦世家木瓜牛奶燕麦片 350g*1袋"的内容的，因为"世家"不分词直接匹配上了"皇麦世家木瓜牛奶燕麦片 350g*1袋"的分词结果(匹配上了“世家”)，如果是搜索的channelSkuName.keyword,那就肯定搜索不出来。
{
"query": {
"term": {
"channelSkuName": "世家"
}
}
}
搜出来了再怎么排序？
搜出来之后，因为是个列表，我们需要根据人的搜索预期进行排序，产品给了如下需求：
- 搜索短语完全匹配的在前面
- 搜索短语也要支持模糊匹配
- 其它业务上的排序（依照其它字段排序）
其实前两个需求用 matchPhrase 和 match 搜索就行了，两者用should相连，不管是精确匹配还是模糊匹配都能满足要求，至于排序我们需要了解score机制。
score
在Elasticsearch中，每个搜索结果都会有一个分数（score），用于表示与查询的匹配程度。分数越高表示与查询的匹配度越高。es默认用score进行排序，看起来似乎满足我们的需求，因为完全匹配的score分数肯定更高，但是我们的排序规则还带上业务上规则的时候，就出现了一些麻烦。比如同样是完全匹配的商品中，自营的商品会排序更靠前，要实现这样的排序，你可能会想到完全匹配的商品作为第一优先级，自营作为第二优先级，很简单的问题。但是你少考虑了一点，es复杂的score计算机制，即使完全匹配的商品，score分数几乎都不可能相等（es有自己的匹配度计算），这样的话就没办法做“第二优先级-自营”的排序了，这时候你会想，如果能自己定义“完全匹配的商品”的score分数就好了。
Constant Score
常量化（Constant Score）是一种将某一搜索条件的分数设置为固定值的方法。有时候我们希望在搜索中不考虑复杂的匹配度，而是将某一搜索条件的分数统一设定为某个固定值。这可以通过使用常量分数查询（Constant Score Query）来实现。
{
"query": {
"constant_score": {
"filter": {
"match_phrase": {
"channelSkuName": {
"query": "皇木瓜牛奶燕麦片 350g*1袋",
"slop": 2,
"analyzer": "ik_max_word"
}
}
},
"boost": 5
}
}
}
通过新增 constant_score 和 boost ，可以指定通过当前条件搜出来的商品score分数会被固化成5分，这样就非常方便我们新增其它的业务排序，更好的符合产品需求
结语
这篇文章更多的是实践经验而非es原理解析，自己经验小记下来，抛砖引玉。
- 2023-10-23 重新编排文章，预留下一篇文章介绍倒排索引
243
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
