2023-02-09 Elasticsearch 模糊搜索

1 prefix 前缀搜索

以前缀开头的搜索，不计算相关度得分

前缀搜索匹配的是term，而不是field。
前缀搜索的性能很差
前缀搜索没有缓存
前缀搜索尽可能把前缀长度设置的更长

针对于中文分词器

index_prefixes: 默认 “min_chars” : 2, “max_chars” : 5

PUT /user
{
  "mappings": {
    "properties": {
      "name": {
        "type": "text",
        "analyzer": "ik_max_word",
        "index_prefixes": {
          "min_chars": 2,
          "max_chars": 5
        },
        "fields": {
          "keyword": {
            "type": "keyword",
            "ignore_above": 256
          }
        }
      }
    }
  }
}

2 wildcard 通配符搜索

通配符运算符是匹配一个或多个字符的占位符。例如，*通配符运算符匹配零个或多个字符。您可以将通配符运算符与其他字符结合使用以创建通配符模式。

通配符匹配的也是term，而不是field

keyword

3 regexp 正则搜索-几乎不用

regexp查询的性能可以根据提供的正则表达式而有所不同。为了提高性能，应避免使用通配符模式，如.或 .?+未经前缀或后缀

ALL
启用所有可选操作符

COMPLEMENT

启用~操作符。可以使用~对下面最短的模式进行否定。例如
a~bc # matches 'adc' and 'aec' but not 'abc'

INTERVAL

启用<>操作符。可以使用<>匹配数值范围。例如
foo<1-100> # matches 'foo1', 'foo2' ... 'foo99', 'foo100'
foo<01-100> # matches 'foo01', 'foo02' ... 'foo99', 'foo100'

INTERSECTION

启用&操作符，它充当AND操作符。如果左边和右边的模式都匹配，则匹配成功。例如:
aaa.+&.+bbb # matches 'aaabbb'

ANYSTRING

启用@操作符。您可以使用@来匹配任何整个字符串。 您可以将@操作符与&和~操作符组合起来，创建一个“everything except”逻辑。例如:
@&~(abc.+) # matches everything except terms beginning with 'abc'

4 fuzzy 模糊搜索

混淆字符 (box → fox)

缺少字符 (black → lack)

多出字符 (sic → sick)

颠倒次序 (act → cat)

fuzziness：编辑距离，（0，1，2）并非越大越好，召回率高但结果不准确

两段文本之间的Damerau-Levenshtein距离是使一个字符串与另一个字符串匹配所需的插入、删除、替换和调换的数量

距离公式：Levenshtein是lucene的，es改进版：Damerau-Levenshtein，

axe=>aex 
Levenshtein=2，Damerau-Levenshtein=1

transpositions：（可选，布尔值）指示编辑是否包括两个相邻字符的变位（ab→ba）。默认为true。 替换这种情况！！！

使用fuzziness来指定模糊的范围，ES对fuzziness的的值最高只支持到2，过高的计算距离会导致过高的性能开销。

fuzziness也可以在match中支持使用

match的优势在于支持分词的模糊搜索，fuzzy不支持分词。

“transpositions”: false - 使用Levenshtein计算距离
“transpositions”: true - 使用Damerau-Levenshtein计算距离


在数据量特别大的时候，不推荐使用fuzzy进行模糊搜索。

5 match_phrase_prefix 短语前缀

如果要使用match_phrase进行搜索的话，必须同时满足下面3个条件，缺1不可：

match_phrase会分词
被检索字段必须包含match_phrase中的所有词项并且顺序必须是相同的
被检索字段包含的match_phrase中的词项之间不能有其他词项

而match_phrase_prefix与match_phrase虽然有很多相同的地方，但是它多了一个特性：就是它允许在文本的最后一个词项(term)上的前缀匹配。如果是一个单词，比如a，它会匹配文档字段所有以a开头的文档；如果是一个短语，比如 “this is ma” ，他会先在倒排索引中做以ma做前缀搜索，然后在匹配到的doc中做match_phrase查询。


match_phrase_prefix参数

• analyzer 指定何种分析器来对该短语进行分词处理
• max_expansions 限制匹配的最大词项
• boost 用于设置该查询的权重
• slop 允许短语间的词项(term)间隔：slop 参数告诉 match_phrase 查询词条相隔多远时仍然能将文档视为匹配
  什么是相隔多远？ 意思是说为了让查询和文档匹配你需要移动词条多少次？

值得注意的是，max_expansions是分片级别的，也就是说即使将max_expansions设置为1，在每个分片中只匹配一个词项，如果有10个分片，就会在10个分片中分别都匹配一个，也就是一共匹配了10个，所以不等于说max_expansions设置为1，返回的结果就一定只有1个。

简单理解为，max_expansions设置的越小，返回的结果越少，性能越好；设置的越大，返回的结果越多，性能越差。

前面说了，使用match_phrase_prefix搜索词的顺序是不能颠倒的，但是使用slop参数可以允许指定范围内的搜索词的颠倒



slop的值就是词项移动的距离。

6 N-gram、edge ngram

min_gram：创建索引所拆分字符的最小阈值
max_gram：创建索引所拆分字符的最大阈值
ngram：从每一个字符开始，按照步长，进行分词，适合前缀中缀检索
edge_ngram：从第一个字符开始，按照步长，进行分词，适合前缀匹配场景

使用ngram作为分词器

使用match_phrase进行搜索是可以搜索到结果

但当搜索的词项的长度超过ngram作为分词器所创建索引最大长度时就搜索不到

同样低过ngram作为分词器所创建索引最小长度时也搜索不到

看到这里也就明白了，使用ngram对每个分词后的词项创建索引，需要的磁盘空间相当巨大，带来的好处就是做模糊查询的时候可以极大的缩短搜索时间。不过ngram使用起来对磁盘空间的要求相当高，一般会使用edge-ngram来创建索引。因为edge-ngram只支持前缀搜索，而ngram不仅支持前缀搜索，还支持中缀和后缀搜索。