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" ]。
/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": {} } } }
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。