springCloud学习【5】之分布式搜索引擎(2)

前言

• 本文学自黑马，当经过作者亲身实践后整理重要内容
• 建议：多动手，多动手！！

一 DSL查询文档

1.1 DSL查询分类

• Elasticsearch提供了基于JSON的DSL（Domain Specific Language）来定义查询。常见的查询类型包括：

• 查询所有：查询出所有数据，一般测试用。例如：match_all

• 全文检索（full text）查询：利用分词器对用户输入内容分词，然后去倒排索引库中匹配。例如：match_query，multi_match_query

• 精确查询：根据精确词条值查找数据，一般是查找keyword、数值、日期、boolean等类型字段。例如：ids， range，term

• 地理（geo）查询：根据经纬度查询。例如：geo_distance，geo_bounding_box

• 复合（compound）查询：复合查询可以将上述各种查询条件组合起来，合并查询条件。例如：bool，function_score

---

• 查询的语法基本一致：

  GET /indexName/_search
  {
        
        
    "query": {
        
        
      "查询类型": {
        
        
        "查询条件": "条件值"
      }
    }
  }
  

• 查询所有的内容：查询类型为match_all && 没有查询条件

  # 查询所有
  GET /indexName/_search
  {
        
        
    "query": {
        
        
      "match_all": {
        
        
      }
    }
  }
  

1.2 全文检索查询

• 全文检索查询的基本流程：
  1. 对搜索的内容做分词，得到词条
  2. 根据词条去倒排索引库中匹配，得到文档id
  3. 根据文档id找到文档，返回给用户

• 因为是使用词条去匹配，因此参与搜索的字段也必须是可分词的text类型的字段。

---

• 常见的全文检索查询包括：
  • match查询：单字段查询
  • multi_match查询：多字段查询，任意一个字段符合条件即可
• match查询语法如下：

  GET /indexName/_search
  {
        
        
    "query": {
        
        
      "match": {
        
        
        "FIELD": "TEXT"
      }
    }
  }
  #match查询示例
  GET /hotel/_search
  {
        
        
    "query": {
        
        
      "match": {
        
        
        "all": "外滩如家"
      }
    }
  }
  

• mulit_match语法如下：

  GET /indexName/_search
  {
        
        
    "query": {
        
        
      "multi_match": {
        
        
        "query": "TEXT",
        "fields": ["FIELD1", " FIELD12"]
      }
    }
  }
  #multi_match查询示例
  GET /hotel/_search
  {
        
        
    "query": {
        
        
      "multi_match": {
        
        
        "query": "外滩如家",
        "fields": ["brand","name","business"]
      }
    }
  }
  

---

• copy_to参数允许您将多个字段的值复制到一个组字段中，然后可以将其作为单个字段进行查询。

  PUT /test
  {
        
        
    "mappings": {
        
        
      "properties": {
        
        
        "first_name": {
        
        
          "type": "text",
          "copy_to": "full_name" 
        },
        "last_name": {
        
        
          "type": "text",
          "copy_to": "full_name" 
        },
        "full_name": {
        
        
          "type": "text"
        }
      }
    }
  }
  
  PUT test/_doc/1
  {
        
        
    "first_name": "shanghai",
    "last_name": "beijing"
  }
  
  GET test/_search
  {
        
        
    "query": {
        
        
      "match": {
        
        
        "full_name": {
        
         
          "query": "shanghai beijing",
          "operator": "and"
        }
      }
    }
  }
  
  

• copy_to是字段值，而不是 term（由分析过程产生）

• 可以将相同的值复制到多个字段，使用 "copy_to": [ "field_1", "field_2" ]

• 搜索字段越多，对查询性能影响越大，因此建议采用copy_to，然后单字段查询的方式。

1.3 精准查询

• 精确查询一般是查找keyword、数值、日期、boolean等类型字段，不会对搜索条件分词。常见的有：
  • term：根据词条精确值查询
  • range：根据值的范围查询

---

• term查询
  • 因为精确查询的字段搜是不分词的字段，所以查询的条件也必须是不分词的词条。查询时，输入的内容跟自动值完全匹配时才认为符合条件。如果用户输入的内容过多，反而搜索不到数据。
• 语法说明：

  // term查询
  GET /indexName/_search
  {
        
        
    "query": {
        
        
      "term": {
        
        
        "FIELD": {
        
        
          "value": "VALUE"
        }
      }
    }
  }
  

---

• range查询
  • 范围查询，一般应用在对数值类型做范围过滤
  • 基本语法：

  // range查询
  GET /indexName/_search
  {
        
        
    "query": {
        
        
      "range": {
        
        
        "FIELD": {
        
        
          "gte": 10, // 这里的gte代表大于等于，gt则代表大于
          "lte": 20 // lte代表小于等于，lt则代表小于
        }
      }
    }
  }
  

1.4 地理坐标查询

• 地理坐标查询，就是根据经纬度查询，官方文档

---

• 矩形范围查询
  • 矩形范围查询【geo_bounding_box查询】，查询坐标落在某个矩形范围的所有文档
  • 查询时，需要指定矩形的左上、右下两个点的坐标，然后画出一个矩形，落在该矩形内的都是符合条件的点
    
  • 语法说明

  // geo_bounding_box查询
  GET /indexName/_search
  {
        
        
    "query": {
        
        
      "geo_bounding_box": {
        
        
        "FIELD": {
        
        
          "top_left": {
        
         // 左上点“
            "lat": 31.1,
            "lon": 121.5
          },
          "bottom_right": {
        
         // 右下点
            "lat": 30.9,
            "lon": 121.7
          }
        }
      }
    }
  }
  

---

• 附近查询
  • 附近查询【距离查询（geo_distance）】：查询到指定中心点小于某个距离值的所有文档
    
  • 语法说明：

  // geo_distance 查询
  GET /indexName/_search
  {
        
        
    "query": {
        
        
      "geo_distance": {
        
        
        "distance": "15km", // 半径
        "FIELD": "31.21,121.5" // 圆心
      }
    }
  }
  

1.5 复合查询

• 复合（compound）查询：将其它简单查询组合起来，实现更复杂的搜索逻辑。常见的有两种：
  • fuction score：算分函数查询，可以控制文档相关性算分，控制文档排名
  • bool query：布尔查询，利用逻辑关系组合多个其它的查询，实现复杂搜索
• 当使用match查询时，文档结果会根据与搜索词条的关联度打分（_score），返回结果时按照分值降序排列。

---

• 打分算法：
  • 早期elasticsearch中，使用的打分算法是TF-IDF算法：
    
  • 在后来的5.1版本升级中，elasticsearch将算法改进为BM25算法
    
  • 想要深入了解的小伙伴，参看《史上最小白之BM25详解与实现》
• TF-IDF算法有一各缺陷，就是词条频率越高，文档得分也会越高，单个词条对文档影响较大。而BM25则会让单个词条的算分有一个上限，曲线更加平滑：
  

1.5.1 算分函数查询

• 根据相关度打分是比较合理的需求，但合理的不一定是产品经理需要的。

• 语法说明
  

• function score 查询中包含四部分内容：

  • 原始查询条件：query部分，基于这个条件搜索文档，并且基于BM25算法给文档打分，原始算分（query score)
  • 过滤条件：filter部分，符合该条件的文档才会重新算分
  • 算分函数：符合filter条件的文档要根据这个函数做运算，得到的函数算分（function score），有四种函数
    • weight：函数结果是常量
    • field_value_factor：以文档中的某个字段值作为函数结果
    • random_score：以随机数作为函数结果
    • script_score：自定义算分函数算法
  • 运算模式：算分函数的结果、原始查询的相关性算分，两者之间的运算方式，包括：
    • multiply：相乘
    • replace：用function score替换query score
    • 其它，例如：sum、avg、max、min

• function score的运行流程如下：

  1. 根据原始条件查询搜索文档，并且计算相关性算分，称为原始算分（query score）
  2. 根据过滤条件，过滤文档
  3. 符合过滤条件的文档，基于算分函数运算，得到函数算分（function score）
  4. 将原始算分（query score）和函数算分（function score）基于运算模式做运算，得到最终结果，作为相关性算分。

• 关键点：

  • 过滤条件：决定哪些文档的算分被修改
  • 算分函数：决定函数算分的算法
  • 运算模式：决定最终算分结果

• 演示

  GET /hotel/_search
  {
        
        
    "query": {
        
        
      "function_score": {
        
        
        "query": {
        
        
          "match": {
        
        
           "all": "外滩"
          }
        }, 
        "functions": [ #算分函数
          {
        
        
            "filter": {
        
        
              "term": {
        
        
                "brand": "如家" # 过滤条件
              }
            },
            "weight": 10 # 算分权重
          }
        ],
        "boost_mode": "sum" # 加权模式
      }
    }
  }
  

1.5.2 布尔查询

• 布尔查询是一个或多个查询子句的组合，每一个子句就是一个子查询。子查询的组合方式有：
  • must：必须匹配每个子查询，类似“与”
  • should：选择性匹配子查询，类似“或”
  • must_not：必须不匹配，不参与算分，类似“非”
  • filter：必须匹配，不参与算分
• 注意：搜索时，参与打分的字段越多，查询的性能也越差。因此多条件查询时，建议：
  • 搜索框的关键字搜索，是全文检索查询，使用must查询，参与算分
  • 其它过滤条件，采用filter查询。不参与算分
• 演示

  #bool查询
  GET /hotel/_search
  {
        
        
    "query": {
        
        
      "bool": {
        
        
        "must": [
          {
        
        
            "term": {
        
        "city": "上海"}
          }
        ],
        "should": [
          {
        
        "term":{
        
        "brand": "皇冠假日" }},
          {
        
        "term":{
        
        "brand": "华美达"}}
        ],
        "must_not": [
          {
        
         "range": {
        
         "price": {
        
         "lte": 500 } }}
        ],
        "filter": [
          {
        
        "range": {
        
        "score": {
        
         "gte": 45 } }}
        ]
      }
    }
  }
  

二 结果处理

• 搜索的结果可以按照用户指定的方式去处理或展示。

2.1 排序

2.1.1 普通字段排序

• elasticsearch默认是根据相关度算分（_score）来排序，但是也支持自定义方式对搜索结果排序。可以排序字段类型有：keyword类型、数值类型、地理坐标类型、日期类型等。

  GET /indexName/_search
  {
        
        
    "query": {
        
        
      "match_all": {
        
        }
    },
    "sort": [
      {
        
        
        "FIELD": "desc"  // 排序字段、排序方式ASC、DESC
      }
    ]
  }
  

• 排序条件是一个数组，也就是可以写多个排序条件。按照声明的顺序，当第一个条件相等时，再按照第二个条件排序，以此类推
• 演示：酒店数据按照用户评价（score)降序排序，评价相同的按照价格(price)升序排序

  #排序
  GET /hotel/_search
  {
        
        
    "query": {
        
        
      "match_all": {
        
        }
    },
    "sort": [
      {
        
        
        "score": {
        
        
          "order": "desc"
        },
        "price": {
        
        
          "order": "asc"
        }
      }
    ]
  }
  

2.1.2 地理坐标排序

• 语法说明：

  GET /indexName/_search
  {
        
        
    "query": {
        
        
      "match_all": {
        
        }
    },
    "sort": [
      {
        
        
        "_geo_distance" : {
        
        
            "FIELD" : "纬度，经度", // 文档中geo_point类型的字段名、目标坐标点
            "order" : "asc", // 排序方式
            "unit" : "km" // 排序的距离单位
        }
      }
    ]
  }
  

  • 指定一个坐标，作为目标点，同时计算每一个文档中，指定字段（必须是geo_point类型）的坐标到目标点的距离，然后根据距离排序

2.2 分页

• elasticsearch 默认情况下只返回top10的数据。而如果要查询更多数据就需要修改分页参数了。
• elasticsearch中通过修改from、size参数来控制要返回的分页结果：from：从第几个文档开始；size：总共查询几个文档

2.2.1 基本的分页

• 分页的基本语法如下：

  GET /hotel/_search
  {
        
        
    "query": {
        
        
      "match_all": {
        
        }
    },
    "from": 0, // 分页开始的位置，默认为0
    "size": 10, // 期望获取的文档总数
    "sort": [
      {
        
        "price": "asc"}
    ]
  }
  

2.2.2 深度分页问题

• 假如现在查询990~1000的数据，查询逻辑要这么写：

  GET /hotel/_search
  {
        
        
    "query": {
        
        
      "match_all": {
        
        }
    },
    "from": 990, // 分页开始的位置，默认为0
    "size": 10, // 期望获取的文档总数
    "sort": [
      {
        
        "price": "asc"}
    ]
  }
  

• 这里是查询990开始的数据，也就是 $第990\to 第1000$条 数据。不过，elasticsearch内部分页时，必须先查询 $0\to 1000$条，然后截取其中的$9901000$的这10条：
  
• ES是分布式的，所以会面临深度分页问题。例如按price排序后，获取from = 990，size =10的数据：
  1. 首先在每个数据分片上都排序并查询前1000条文档。
  2. 然后将所有节点的结果聚合，在内存中重新排序选出前1000条文档
  3. 最后从这1000条中，选取从990开始的10条文档
• 如果搜索页数过深，或者结果集（from + size）越大，对内存和CPU的消耗也越高。因此ES设定结果集查询的上限是10000
  
• 针对深度分页，ES提供了两种解决方案
  • search after：分页时需要排序，原理是从上一次的排序值开始，查询下一页数据。[推荐]
  • scroll：原理将排序数据形成快照，保存在内存。[不推荐使用]

2.3 小结

分页查询的常见实现方案	优点	缺点	使用场景
from + size	支持随机翻页	深度分页问题，默认查询上限（from + size）是10000	百度、京东、谷歌、淘宝这样的随机翻页搜索
after search	没有查询上限（单次查询的size不超过10000）	只能向后逐页查询，不支持随机翻页	没有随机翻页需求的搜索，例如手机向下滚动翻页
scroll	没有查询上限（单次查询的size不超过10000）	会有额外内存消耗，并且搜索结果是非实时的	海量数据的获取和迁移。从ES7.1开始不推荐，建议用 after search方案。

2.4 高亮

• 高亮显示的实现分为两步：
  1. 给文档中的所有关键字都添加一个标签，例如<em>标签
  2. 页面给<em>标签编写CSS样式
• 高亮语法：

  GET /hotel/_search
  {
        
        
    "query": {
        
        
      "match": {
        
        
        "FIELD": "TEXT" // 查询条件，高亮一定要使用全文检索查询
      }
    },
    "highlight": {
        
        
      "fields": {
        
         // 指定要高亮的字段
        "FIELD": {
        
        
          "pre_tags": "<em>",  // 用来标记高亮字段的前置标签
          "post_tags": "</em>" // 用来标记高亮字段的后置标签
        }
      }
    }
  }
  

• 注意：
  • 高亮是对关键字高亮，因此搜索条件必须带有关键字，而不能是范围这样的查询。
  • 默认情况下，高亮的字段，必须与搜索指定的字段一致，否则无法高亮
  • 如果要对非搜索字段高亮，则需要添加一个属性：required_field_match=false
• 演示
  

  # 实现高亮
  GET /hotel/_search
  {
        
        
    "query": {
        
        
      "match": {
        
        
        "all": "如家"
      }
    },
    "highlight": {
        
        
      "fields": {
        
        
        "name": {
        
        
          "require_field_match": "false",
          "pre_tags": "<em>", 
          "post_tags": "</em>"
        }
      }
    }
  }
  

三 RestClient查询文档

3.1 快速入门

• 代码解读：
  • 第一步，创建SearchRequest对象，指定索引库名
  • 第二步，利用request.source()构建DSL，DSL中可以包含查询、分页、排序、高亮等
  • query()：代表查询条件，利用QueryBuilders.matchAllQuery()构建一个match_all查询的DSL
  • 第三步，利用client.search()发送请求，得到响应
• 关键的API：
  • request.source()，其中包含了查询、排序、分页、高亮等所有功能
  • QueryBuilders，其中包含match、term、function_score、bool等各种查询

---

3.2 解析响应

elasticsearch返回的结果是一个JSON字符串，结构包含：

• hits：命中的结果
  • total：总条数，其中的value是具体的总条数值
  • max_score：所有结果中得分最高的文档的相关性算分
  • hits：搜索结果的文档数组，其中的每个文档都是一个json对象
    • _source：文档中的原始数据，也是json对象

逐层解析JSON字符串，流程如下：

• SearchHits：通过response.getHits()获取，就是JSON中的最外层的hits，代表命中的结果
  • SearchHits#getTotalHits().value：获取总条数信息
  • SearchHits#getHits()：获取SearchHit数组，也就是文档数组
    • SearchHit#getSourceAsString()：获取文档结果中的_source，也就是原始的json文档数据
• 完整代码

  @Test
  void testMatchAll() throws IOException {
        
        
      // 1.准备Request
      SearchRequest request = new SearchRequest("hotel");
      // 2.准备DSL
      request.source()
          .query(QueryBuilders.matchAllQuery());
      // 3.发送请求
      SearchResponse response = client.search(request, RequestOptions.DEFAULT);
  
      // 4.解析响应
      handleResponse(response);
  }
  
  private void handleResponse(SearchResponse response) {
        
        
      // 4.解析响应
      SearchHits searchHits = response.getHits();
      // 4.1.获取总条数
      long total = searchHits.getTotalHits().value;
      System.out.println("共搜索到" + total + "条数据");
      // 4.2.文档数组
      SearchHit[] hits = searchHits.getHits();
      // 4.3.遍历
      for (SearchHit hit : hits) {
        
        
          // 获取文档source
          String json = hit.getSourceAsString();
          // 反序列化
          HotelDoc hotelDoc = JSON.parseObject(json, HotelDoc.class);
          System.out.println("hotelDoc = " + hotelDoc);
      }
  }
  

---

3.3 全文检索查询

• 全文检索的match和multi_match查询与match_all的API基本一致。差别是查询条件，也就是query的部分。同样是利用QueryBuilders提供的方法：
  

@Test
void testMatch() throws IOException {
    
    
    // 1.准备Request
    SearchRequest request = new SearchRequest("hotel");
    // 2.准备DSL
    request.source()
        .query(QueryBuilders.matchQuery("all", "如家"));
    // 3.发送请求
    SearchResponse response = client.search(request, RequestOptions.DEFAULT);
    // 4.解析响应
    handleResponse(response);

}

---

3.4 精确查询

@Test
    void testTerm() throws IOException {
    
    
        // 1.准备Request
        SearchRequest request = new SearchRequest("hotel");
        // 2.准备DSL
        //request.source().query(QueryBuilders.termQuery("city", "杭州"));
        request.source().query(QueryBuilders.rangeQuery("price").gte(100).lte(150));
        // 3.发送请求
        SearchResponse response = client.search(request, RequestOptions.DEFAULT);
        // 4.解析响应
        handleResponse(response);

    }

---

3.5 布尔查询

• 布尔查询是用must、must_not、filter等方式组合其它查询
  

@Test
    void testBool() throws IOException {
    
    
        // 1.准备Request
        SearchRequest request = new SearchRequest("hotel");
        // 2.准备DSL
            // 2.1.准备BooleanQuery
            BoolQueryBuilder boolQuery = QueryBuilders.boolQuery();
            // 2.2.添加term
            boolQuery.must(QueryBuilders.termQuery("city", "上海"));
            // 2.3.添加range
            boolQuery.filter(QueryBuilders.rangeQuery("price").lte(250));

        request.source().query(boolQuery);
        // 3.发送请求
        SearchResponse response = client.search(request, RequestOptions.DEFAULT);
        // 4.解析响应
        handleResponse(response);
    }

---

3.6 排序&分页

 @Test
    void testPageAndSort() throws IOException {
    
    
        // 页码，每页大小
        int page = 1, size = 3;

        // 1.准备Request
        SearchRequest request = new SearchRequest("hotel");
        // 2.准备DSL
        // 2.1.query
        request.source().query(QueryBuilders.matchAllQuery());
        // 2.2.排序 sort
        request.source().sort("price", SortOrder.ASC);
        // 2.3.分页 from、size
        request.source().from((page - 1) * size).size(size);
        // 3.发送请求
        SearchResponse response = client.search(request, RequestOptions.DEFAULT);
        // 4.解析响应
        handleResponse(response);

    }

---

3.7 高亮

• 高亮API包括请求DSL构建和结果解析两部分。我们先看请求的DSL构建：
  
• 高亮的结果处理相对比较麻烦：
  

@Test
    void testHighlight() throws IOException {
    
    
        // 1.准备Request
        SearchRequest request = new SearchRequest("hotel");
        // 2.准备DSL
            // 2.1.query
            request.source().query(QueryBuilders.matchQuery("all", "如家"));
            // 2.2.高亮
            request.source().highlighter(new HighlightBuilder().field("name").requireFieldMatch(false));
        // 3.发送请求
        SearchResponse response = client.search(request, RequestOptions.DEFAULT);
        // 4.解析响应
        //高亮的结果与查询的文档结果默认是分离的，并不在一起。
        highlightResponse(response);
    }
    private static void highlightResponse(SearchResponse response) {
    
    
        SearchHits searchHits = response.getHits();
        //查询的总条数
        long total = searchHits.getTotalHits().value;
        System.out.println("共搜索到" + total + "条数据");
        //查询的结果数组 文档数组
        SearchHit[] hits = searchHits.getHits();
        for(SearchHit hit:hits) {
    
    
            //获取文档source
            String json = hit.getSourceAsString();
            //反序列化
            HotelDoc hotelDoc = JSON.parseObject(json, HotelDoc.class);
            //获取高亮结果
            Map<String, HighlightField> highlightFields = hit.getHighlightFields();
            if (!CollectionUtils.isEmpty(new Map[]{
    
    highlightFields})) {
    
    
                // 根据字段名获取高亮结果
                HighlightField highlightField = highlightFields.get("name");
                if (highlightField != null) {
    
    
                    // 获取高亮值
                    String name = highlightField.getFragments()[0].string();
                    // 覆盖非高亮结果
                    hotelDoc.setName(name);
                }
            }

            System.out.println("hotelDoc="+hotelDoc);
        }
    }

结语：关于黑马旅游的建议

• 如果使用的时edge浏览器，访问黑马的案例页面，建议关闭网站的跟踪防护
  

• 在添加广告标记的部分：进行验证结果的时候，可以先查询到添加广告标记的酒店信息，直接去页面搜索该酒店