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