Elasticsearch Mapping字段类型之text 以及term、match和analyzer
一、text场景
text
类型是适合全文搜索
的场景,ES会将文本分析成多个词并索引。
text
类型适合存放易阅读的
(human-readable)非结构化
文本,比如邮件内容、评论、商品介绍等- 对于阅读性差的文本,如系统日志、Http请求体这些machine-generated数据,可以用
wildcard
类型 text
类型不适合排序
和聚合
(虽然可以实现,但是不建议)- 如果要进行
排序
和聚合
,建议使用keyword
类型 - 所以可以给
text
类型添加keyword子类型
和token_count子类型
,各司其职
PUT pigg_test_text
{
"mappings": {
"properties": {
"name": { # 姓名 name
"type": "text",
"fields": {
"keyword": { # 子字段 name.keyword
"type": "keyword",
"ignore_above" : 256
},
"length": { # 子字段 name.length
"type": "token_count",
"analyzer": "standard"
}
}
},
"tag": { # 标签 tag
"type": "keyword"
},
"word": { # 台词 word
"type": "text"
}
}
}
}
二、term
查询
term
判断某个字段是否包含
某个确定的值。一般用在keyword
、integer
、date
、token_count
、ip
等类型上- 避免在
text
类型上用term
,在text
上应该用match
、match_phrase
来全文搜索
先插入两条《王者荣耀》里英雄的数据:
PUT pigg_test_text/_doc/1
{
"name": "亚瑟王",
"tag": ["对抗路", "打野"],
"word": [
"王者背负,王者审判,王者不可阻挡"
]
}
PUT pigg_test_text/_doc/2
{
"name": "关羽",
"tag": ["对抗路", "辅助"],
"word": [
"把眼光从二爷的绿帽子上移开",
"聪明的人就应该与我的大刀保持安全距离"
]
}
(1)查询name
是亚瑟王
的人
- 在
name.keyword
上用term
查询,返回id=1的文档 - 注意:
term
不是等于的意思,是包含
的意思
GET pigg_test_text/_search
{
"query": {
"term": {
"name.keyword": "亚瑟王"
}
}
}
(2)查询可走对抗路的人
- 在
tag
上用term
查询,返回id=1和2的文档,因为他们的tag
都包含
对抗路
GET pigg_test_text/_search
{
"query": {
"term": {
"tag": "对抗路"
}
}
}
(3)查询是打野或辅助的人
- 在
tag
上用terms
查询(注意多了个s),返回id=1和2的文档 - 因为
terms
查询只要包含
数组中任意一个就算匹配
GET pigg_test_text/_search
{
"query": {
"terms": {
"tag": ["打野", "辅助"]
}
}
}
(4)查询name
是3个字的人
- 在
token_count
类型的name.length
上做精确匹配,返回亚瑟王
的文档
GET pigg_test_text/_search
{
"query": {
"term": {
"name.length": 3
}
}
}
三、match
查询
虽然上面亚瑟王
和关羽
这2个文档内容是中文,而且我也没有配置ik中文分词器
,但是这不影响我们的学习,我们只要知道中文被默认的standard analyzer
切分成独立的汉字就行了。
用match
全文搜索鼓励王
,返回亚瑟王
文档,因为匹配中了王
这个汉字。
GET pigg_test_text/_search
{
"query": {
"match": {
"name": "鼓励王"
}
}
}
对上面这条语句不是很理解的话,我从亚瑟王
如何存储?和鼓励王
如何搜索?这2个角度的问题来解释。
1. 亚瑟王
如何存储?
- 用
_termvectors
可以帮助我们查看文本是如何分割成词条的 - 国内博客对这里的
term
的翻译有多种:词条、词根、词项等等,我们不必纠结,知道意思就行
查询id=1的文档的name字段的词条向量
GET pigg_test_text/_doc/1/_termvectors?fields=name
返回亚
、瑟
、王
这3个词,说明在倒排索引
里有类似如下的关系:
词 | 文档ID |
---|---|
亚 | 1 |
瑟 | 1 |
王 | 1 |
2. 鼓励王
如何搜索?
第1种方法:使用_analyze
分析standard
这个分析器是如何分割搜索关键字的。这里得指定name
字段上search-time
的analyzer
,即search_analyzer
。
GET /_analyze
{
"analyzer" : "standard",
"text" : "鼓励王"
}
返回"鼓"、"励"、"王"这3个token
第2种方法:使用_validate
验证语句是否合法,其参数explain
(默认为true)会解释语句的执行计划
GET pigg_test_text/_validate/query?explain
{
"query": {
"match": {
"name": "鼓励王"
}
}
}
返回结果如下,name:鼓 name:励 name:王
说明是把鼓励王
拆成3个汉字分别到name
字段上做匹配的。
"valid" : true,
"explanations" : [
{
"index" : "pigg_test_text",
"valid" : true,
"explanation" : "name:鼓 name:励 name:王"
}
]
第3种方法:使用_explain
查询鼓励王
是如何匹配到id=1的文档的?这种方式的前提是我们已经知道关键词匹配到哪个文档了,想知道匹配的原因。
解释`鼓励王`为何在name字段上匹配到id=1的文档
GET /pigg_test_text/_explain/1
{
"query" : {
"match" : { "name" : "鼓励王" }
}
}
返回内容比较长,也比较复杂,因为涉及到打分机制,这里就贴一个重点:
"description" : "weight(name:王 in 0) [PerFieldSimilarity], result of:",
说明是王
这个字让鼓励王
在name
字段上匹配到id=1的文档的。
3. match的参数
match
还有2个比较重要的参:operator
和minimum_should_match
,他们可以控制match
查询的行为。
3.1 operator
上面match
查询鼓励王
的语句,其实可以写成如下:
GET pigg_test_text/_search
{
"query": {
"match": {
"name": {
"query": "鼓励王",
"operator": "or"
}
}
}
}
- 这个
operater
的默认值就是or
,就是只要匹配到任意一个词,就算匹配成功。 - 如果要"鼓励王"这三个词全部匹配,可以设置
"operator": "and"
GET pigg_test_text/_validate/query?explain=true
{
"query": {
"match": {
"name": {
"query": "鼓励王",
"operator": "and"
}
}
}
}
返回如下:说明这3个字都得匹配
"explanations" : [
{
"index" : "pigg_test_text",
"valid" : true,
"explanation" : "+name:鼓 +name:励 +name:王"
}
]
3.1 minimum_should_match
minimum_should_match
可以设置匹配的最小词数,不要与operator
一起使用,意思会冲突。- 它可以赋值正数、负数、百分比等,但是我们常用的是设置一个正数,即指定最小匹配的词数。
指定要至少匹配成功2个字,才算文档匹配成功
GET pigg_test_text/_search
{
"query": {
"match": {
"name": {
"query": "鼓励王",
"minimum_should_match": "2"
}
}
}
}
4. 匹配短语 match_phrase
match_phrase
短语查询,这个会将“绿帽子”
作为一个短语整体去匹配,而不会拆成3个字
该语句返回关羽这个文档,因为他的台词包含"绿帽子"
GET pigg_test_text/_search
{
"query": {
"match_phrase": {
"word": "绿帽子"
}
}
}
查询语句的执行计划:
GET pigg_test_text/_validate/query?explain
{
"query": {
"match_phrase": {
"word": "绿帽子"
}
}
}
返回如下:
"explanations" : [
{
"index" : "pigg_test_text",
"valid" : true,
"explanation" : "word:\"绿 帽 子\""
}
]
四、分析器 analyzer
text
类型最重要的参数就是analyzer
(分析器),它决定在index-time
(创建或更新文档)和search-time
(搜索文档)如何对文本进行分词。
analyzer
:只配置了analyzer
时,在index-time
和search-time
时,都使用analyzer
配置的分析器search_analyzer
:配置了search_analyzer
时,在search-time
时,使用search_analyzer
配置的分析器
standard
分析器是text
类型的默认分析器,它按照词边界
对文本进行分割(如英语按照空格,中文切成独立汉字)。它删除了大多数标点符号和停止词并进行小写。standard
分析器对英语这样的西方语音是大多适用的。
分析器(analyzer)的配置包含3个重要部分,依次是character filters
、tokenizer
、token filters
每当一个文档被 ingest 节点纳入,它需要经历如下的步骤,才能最终把文档写入到ES数据库中
英文 | 中文 | analyzer配置项 | 个数 | 说明 |
---|---|---|---|---|
character filters | 字符过滤器 | char_filter | 0~n个 | 剥离html标签,转换特殊字符如& 转and |
tokenizer | 分词器 | tokenizer | 1个 | 把文本按一定规则分割成一个个词token,比如常见的standard 、whitespace |
token filters | 词过滤器 | filter | 0~n个 | 对上一步产生的token进行规范化。 比如转小写、删除或新增术语、同义词转换等。 |
举例:tokenizer
用simple_pattern_split
,配置按照下划线_
来分割文本。
PUT my-index-000001
{
"settings": {
"analysis": {
"analyzer": {
"my_analyzer": {
"tokenizer": "my_tokenizer"
}
},
"tokenizer": {
"my_tokenizer": {
"type": "simple_pattern_split",
"pattern": "_"
}
}
}
}
}
POST my-index-000001/_analyze
{
"analyzer": "my_analyzer",
"text": "亚瑟王__鼓励王_可丽王"
}
按照下划线_
切分后的词就是["亚瑟王", "鼓励王", "可丽王"]
。
- 其实我们工作中也不用配置很多,这里了解下就行,不用深究每一个选项
- 因为ES提供了很多开箱即用的内置analyzer,我们可根据场景来选择
- 对于中文的分词,出名的有IK分词器,拼音分词器,可以参考我之前写的
IK分词器 ik_max_word、ik_smart
Pinyin拼音分词器
ik中文分词器+pinyin拼音分词器+同义词