在有搜索引擎之前,我们查文档常使用顺序匹配。我们需要在文档中顺序扫描,找到完全匹配的子句。
有的情况精确匹配比搜索引擎的查找有优势,比如这样的内容”chinese:1388838245“,如果用户输入”883“希望搜到这则内容,在常规的情况下是搜不到的。
这是因为在有了搜索引擎后,我们对查询语句做的处理就不一样了。我们通常会先分词,然后查找对应的词条索引,最后得到评分由高到低的文档列表。上面的例句在常规的分词情况下,没有也不可能有”883“这个词条,因此搜索不到这则内容。
我一度以为没法实现完全匹配了,直到一个硬需求的出现。花了一天时间,把完全匹配用搜索引擎的思维整理出来。
简要描述实现思路,字段按一字一词的形式分词,再利用短语查询来搜索。
ES中,可以实现一字一词的的分词器是NGram。
Ngram分词的官方文档地址: https://www.elastic.co/guide/en/elasticsearch/reference/current/analysis-ngram-tokenizer.html
它其实是一个上下文相连续字符的分词工具,可以看官方文档中的例子。当我们将它 min_gram 和 max_gram 都设为1时,它会按一字一词的形式分词。比如“[email protected]”,分词的结果是["s" , "h" , "i" , "n" , "y" , "k" , "e" , "@" , "1" , "8" , "9" , "." , "c" , "n" ]。
- <pre name="code" class="javascript">/index_name/
- {
- "settings": {
- "analysis": {
- "analyzer": {
- "charSplit": {
- "type": "custom",
- "tokenizer": "ngram_tokenizer"
- }
- },
- "tokenizer": {
- "ngram_tokenizer": {
- "type": "nGram",
- "min_gram": "1",
- "max_gram": "1",
- "token_chars": [
- "letter",
- "digit",
- "punctuation"
- ]
- }
- }
- }
- }
- }
以上语句中,构建了一个名为“charSplit”的分析器。它使用一个名为“ngram_tokenizer”的Ngram分词器。
可以用如下语句测试charSplit分析器,可以看到一字一词的效果:
- curl -POST http://IP:port/{index_name}/_analyze?pretty&analyzer=charSplit
- "测试语句"
把这个分析器在mapping里用起来:
- ...
- "sender": {
- "type": "string",
- "store": "yes",
- "analyzer": "charSplit",
- "fields": {
- "raw": {
- "type": "string",
- "index": "not_analyzed"
- }
- },
- ...
接下来就可以用match_phrase来实现完全匹配查询。
- /{index_name}/{type_name}/_search
- {
- "query": {
- "multi_match": {
- "query": "@189.cn",
- "type": "phrase", //type指定为phrase
- "slop": 0, //slop指定每个相邻词之间允许相隔多远。此处设置为0,以实现完全匹配。
- "fields": [
- "sender"
- ],
- "analyzer": "charSplit", //分析器指定为charSplit
- "max_expansions": 1
- }
- },
- "highlight": { //测试高亮是否正常
- "pre_tags": [
- "<b>"
- ],
- "post_tags": [
- "</b>"
- ],
- "fragment_size": 100,
- "number_of_fragments": 2,
- "require_field_match": true,
- "fields": {
- "sender": {}
- }
- }
- }
phrase查询原始的作用是用来做短语查询,它有一个重要的特点:有顺序。我们利用了它匹配的有序性,限制slop为0,则可实现完全匹配查询。
以上语句返回的结果是:
- {
- "took": 18,
- "timed_out": false,
- "_shards": {
- "total": 9,
- "successful": 9,
- "failed": 0
- },
- "hits": {
- "total": 1,
- "max_score": 0.40239456,
- "hits": [
- {
- "_index": "index_name",
- "_type": "type_name",
- "_id": "AU9OLIGOZN4dLecgyoKp",
- "_score": 0.40239456,
- "_source": {
- "sender": "18977314000 <[email protected]>, 李X <[email protected]>, 秦X <[email protected]>, 刘X <[email protected]>"
- },
- "highlight": {
- "sender": [
- "18977314000 <18977314000<b>@</b><b>1</b><b>8</b><b>9</b><b>.</b><b>c</b><b>n</b>>, 李X <18977314000<b>@</b><b>1</b><b>8</b><b>9</b><b>.</b><b>c</b><b>n</b>>, 秦纯X <18977314000<b>@</b><b>1</b><b>8</b><b>9</b><b>.</b><b>c</b><b>n</b>>, 刘X <189773140"
- ]
- }
- }
- ]
- }
- }
到此,就实现了完全匹配查询。实际环境中用NGram做一字一词分析器的时候会更细致一些,比如有一些字符需要用stop word过滤掉。这些细节可以根据实际需要在构造分析器时添加filter实现,在此不做赘述。