目录
1.2.确切值(Exact values) 对决全文(Full text)
1.简介
映射(mapping)机制
用于进行字段类型确认,将每个字段匹配为一种确定的数据类型( string , number , booleans , date 等)。
分析(analysis)机制
用于进行全文文本(Full Text)的分词,以建立供搜索用的反向索引。_all 因为是默认字段是 string 类型。
1.1.数据类型的差异,导致查询结果不同
Elasticsearch为对字段类型进行猜测,动态生成了字段和类型的映射关系。
date 类型的字段和 string 类型的字段的索引方式是不同的。
Elasticsearch中,每一种核心数据类型(strings, numbers, booleans及dates)以不同的方式进行索引。
确切值(exact values)及全文文本(full text)
这是区分搜索引擎和其他数据库的根本差异。
1.2.确切值(Exact values) 对决全文(Full text)
确切值是确定的
全文文本,常常被称为 非结构化数据 ,其实是一种用词不当的称谓,实际上自然语言是高度结构化的。
为了方便在全文文本字段中进行这些类型的查询,Elasticsearch首先对文本分析(analyzes),然后使用结果建立一个倒排索引。
1.3.倒序索引(inverted index)
快速的全文搜索
倒排索引:由在文档中出现的唯一的单词列表,以及对于每个单词在文档中的位置组成。
标记化和标准化的过程叫做分词(analysis)
1.4.分析(analysis)
【分析器(analyzer)工作过程】
- 标记化一个文本块为适用于倒排索引单独的词(term)
- 标准化这些词为标准形式,提高它们的“可搜索性”或“查全率”
【包装】
① 字符过滤器(character filter)
① 字符串经过字符过滤器(character filter),它们的工作是在标记化前处理字符串。
字符过滤器能够去除HTML标记,或者转换 "&" 为 "and" 。
② 分词器(tokenizer)
分词器(tokenizer)被标记化成独立的词。
一个简单的分词器(tokenizer)可以根据空格或逗号将单词分开(这个在中文中不适用)。
③ 标记过滤
每个词都通过所有标记过滤(token filters),它可以修改词,或者增加词。
内建的分析器
Set the shape to semi-transparent by calling set_trans(5)
标准分析器
Elasticsearch默认使用的分析器
对于文本分析,它对于任何语言都是最佳选择。它根据Unicode Consortium的定义的单词边界(word boundaries)来切分文本,然后去掉大部分标点符号。最后,把所有词转为小写。
set, the, shape, to, semi, transparent, by, calling, set_trans, 5
简单分析器
简单分析器将非单个字母的文本切分,然后把每个词转为小写
set, the, shape, to, semi, transparent, by, calling, set, trans
空格分析器
空格分析器依据空格切分文本。它不转换小写。
Set, the, shape, to, semi-transparent, by, calling, set_trans(5)
语言分析器
特定语言分析器适用于很多语言。能够考虑到特定语言的特性。
english 分析器将会产生以下结果:
set, shape, semi, transpar, call, set_tran, 5
当分析器被使用
GET /_search?q=2014 # 2014 是字符串
GET /_search?q=2014-09-15 # 2014-09-15 是字符串
GET /_search?q=date:2014-09-15 # 2014-09-15 是日期
GET /_search?q=date:2014 # 2014 是日期
测试分析器
GET /_analyze?analyzer=standard&text=Text to analyze
【结果】
{
"tokens": [
{
"token": "text", // 一个实际被存储在索引中的词
"start_offset": 0, // 表示词在原文本中占据的位置
"end_offset": 4, // 表示词在原文本中占据的位置
"type": "<ALPHANUM>",
"position": 1 // 指明词在原文本中是第几个出现的
},
{
"token": "to",
"start_offset": 5,
"end_offset": 7,
"type": "<ALPHANUM>",
"position": 2
},
{
"token": "analyze",
"start_offset": 8,
"end_offset": 15,
"type": "<ALPHANUM>",
"position": 3
}]
}
指定分析器
当Elasticsearch在你的文档中探测到一个新的字符串字段,它将自动设置它为全文 string 字段并用 standard 分析器分析。
1.5.映射
类型 | 表示的数据类型 |
String | string |
Whole number | byte , short , integer , long |
Floating point | float , double |
Boolean | boolean |
Date | date |
JSON type | Field type |
Boolean: true or false | "boolean" |
Whole number: 123 | "long" |
Floating point: 123.45 | "double" |
String, valid date: "2014-09-15" | "date" |
String: "foo bar" | "string" |
注意
如果索引一个带引号的数字—— "123",它将被映射为 "string" 类型,而不是 "long" 类型。
如果字段已经被映射为 "long" 类型,Elasticsearch将尝试转换字符串为long,并在转换失败时会抛出异常。
查看映射
映射(叫做属性(properties))是Elasticsearch在创建索引时动态生成。
【举例】
GET /gb/_mapping/tweet
【结果:动态生成】
{
"gb": {
"mappings": {
"tweet": {
"properties": {
"date": {
"type": "date",
"format": "strict_date_optional_time||epoch_millis"
},
"name": {
"type": "string"
},
"tweet": {
"type": "string"
},
"user_id": {
"type": "long"
}
}
}
}
}
}
小提示
错误的映射,例如把 age 字段映射为 string 类型而不是 integer 类型,会造成查询结果混乱。
要检查映射类型,而不是假设它是正确的!
自定义字段映射
自定义类型可以使你完成以下几点:
- 区分全文(full text)字符串字段和准确字符串字段
- 使用特定语言的分析器
- 优化部分匹配字段
- 指定自定义日期格式
- 以及更多
映射中最重要的字段参数是 type 。除了 string 类型的字段,可能很少需要映射其他的 type。
{
"number_of_clicks": {
"type": "integer"
}
}
string 类型的字段,默认的,考虑到包含全文本,它们的值在索引前要经过分析器分析,并
且在全文搜索此字段前要把查询语句做分析处理。
对于 string 字段,两个最重要的映射参数是 index 和 analyer 。
index
index 参数控制字符串以何种方式被索引。
值 | 解释 |
analyzed | 首先分析这个字符串,然后索引。换言之,以全文形式索引此字段。 |
not_analyzed | 索引这个字段,使之可以被搜索,但是索引内容和指定值一样。不分析此字段。 |
no | 不索引这个字段。这个字段不能为搜索到。 |
string 类型字段默认值是 analyzed 。如果想映射字段为确切值,需要设置它为 not_analyzed :
{
"tag": {
"type": "string",
"index": "not_analyzed"
}
}
其他简单类型(long 、 double 、 date 等等)也接受 index 参数,但相应的值只能是 no 和 not_analyzed,它们的值不能被分析。
分析
对于 analyzed 类型的字符串字段,使用 analyzer 参数来指定哪一种分析器将在搜索和索引的时候使用。
默认使用 standard 分析器,但是可以通过指定一个内建的分析器来更改它,例如 whitespace 、 simple 或 english。
{
"tweet": {
"type": "string",
"analyzer": "english"
}
}
更新映射
可以在第一次创建索引的时候指定映射的类型。
也可以晚些时候为新类型添加映射(或者为已有的类型更新映射)。
重要
可以向已有映射中增加字段,但不能修改它。
如果一个字段在映射中已经存在,这可能意味着那个字段的数据已经被索引。
如果改变了字段映射,那已经被索引的数据将错误并且不能被正确的搜索到。
可以更新一个映射来增加一个新字段,但是不能把已有字段的类型那个从 analyzed 改到 not_analyzed 。
【举例】
① 删除索引 gb
DELETE /gb
② 创建一个新索引,指定 tweet 字段的分析器为 english
PUT /gb // 将创建包含 mappings 的索引,映射在请求体中指定
{
"mappings": {
"tweet" : {
"properties" : {
"tweet" : {
"type" : "string",
"analyzer": "english"
},
"date" : {
"type" : "date"
},
"name" : {
"type" : "string"
},
"user_id" : {
"type" : "long"
}
}
}
}
}
在 tweet 的映射中增加一个新的 not_analyzed 类型的文本字段,叫做 tag ,使用 _mapping 后
PUT /gb/_mapping/tweet
{
"properties" : {
"tag" : {
"type" : "string",
"index": "not_analyzed"
}
}
}
合并至存在的那个映射
测试映射
通过名字使用 analyze API测试字符串字段的映射
GET /gb/_analyze?field=tweet&text=Black-cats
GET /gb/_analyze?field=tag&text=Black-cats
1.6.复合核心字段类型
多值字段
{ "tag": [ "search", "nosql" ]}
对于数组不需要特殊的映射。任何一个字段可以包含零个、一个或多个值,同样对于全文字段将被分析并产生多个词。
数组中所有值必须为同一类型。不能把日期和字符窜混合。
当从Elasticsearch中取回一个文档,任何一个数组的顺序和索引它们的顺序一致。
取回的 _source 字段的顺序同样与索引的顺序相同。
然而,数组是做为多值字段被索引的,没有顺序。在搜索阶段不能指定“第一个值”或者“最后一个值”。
空字段
当然数组可以是空的。这等价于有零个值。事实上,Lucene没法存放 null 值,所以一个 null 值的字段被认为是空字段。
这四个字段将被识别为空字段而不被索引:
"empty_string": "",
"null_value": null,
"empty_array": [],
"array_with_null_value": [ null ]
多层对象
自然JSON数据类型是对象(object)
内部对象(inner objects)经常用于在另一个对象中嵌入一个实体或对象。
{
"tweet": "Elasticsearch is very flexible",
"user": {
"id": "@johnsmith",
"gender": "male",
"age": 26,
"name": {
"full": "John Smith",
"first": "John",
"last": "Smith"
}
}
}
内部对象的映射
{
"gb": {
"tweet": { // 根对象
"properties": {
"tweet": { "type": "string" },
"user": { // 内部对象
"type": "object",
"properties": {
"id": { "type": "string" },
"gender": { "type": "string" },
"age": { "type": "long" },
"name": { // 内部对象
"type": "object",
"properties": {
"full": { "type": "string" },
"first": { "type": "string" },
"last": { "type": "string" }
}
}
}
}
}
}
}
}
内部对象是怎样被索引的
Lucene 并不了解内部对象。 一个 Lucene 文件包含一个键-值对应的扁平表单。
【文件格式(扁平化)】
{
"tweet": [elasticsearch, flexible, very],
"user.id": [@johnsmith],
"user.gender": [male],
"user.age": [26],
"user.name.full": [john, smith],
"user.name.first": [john],
"user.name.last": [smith]
}
对象-数组
一个包含内部对象的数组如何索引?
{
"followers": [
{ "age": 35, "name": "Mary White"},
{ "age": 26, "name": "Alex Jones"},
{ "age": 19, "name": "Lisa Smith"}
]
}
扁平化后
{
"followers.age": [19, 26, 35],
"followers.name": [alex, jones, lisa, smith, mary, white]
}