Elasticsearch Query DSL之全文检索(Full text queries)上篇
Elasticsearch Query DSL之全文检索(Full text queries)上篇
全文查询包括如下几种模式：
- match query
- match_phrase query
- match_phrase_prefix query
- multi_match query
- common terms query
- query_string query
- simple_query_string query
接下来我们详细介绍上述查询模式。
1、match query
标准的全文检索模式，包含模糊匹配、前缀或近似匹配等。
2、match_phrase query
与match query类似，但只是用来精确匹配的短语。
3、match_phrase_prefix query
与match_phrase查询类似，但是在最后一个单词上执行通配符搜索。
4、multi_match query
支持多字段的match query。
5、common terms query
相比match query，消除停用词与高频词对相关度的影响。
6、query_string query
查询字符串方式
7、simple_query_string query
简单查询字符串方式
本篇主要介绍前四种全文检索方式。
1、match query详解
1.1 match query使用示例与基本工作原理
全文索引查询，这意外着首先会对待查字符串（查询条件）进行分词，然后再去匹配，返回结果中会待上本次匹配的关联度分数。
例如存在这样一条数据：
"_source":{ "post_date":"2009-11-16T14:12:12", "message":"trying out Elasticsearch", "user":"dingw2" }
查询字符串：
"query": { "match" : { "message" : "this out Elasticsearch" } }
其JAVA代码对应：
SearchSourceBuilder sourceBuilder = new SearchSourceBuilder(); sourceBuilder.query(QueryBuilders.matchQuery("message", "this out elasticsearch"));
其大体步骤如下：
首先对this out Elasticsearch分词，最终返回结果为 this、out、Elasticsearch，然后分别去库中进行匹配，默认只要一个匹配，就认为匹配，但会加入一个匹配程度（关联度），用scoce分数表示。
1.2 match query常用参数详解
- operator（操作类型） 可选值为：Operator.OR 和 Operator.AND。表示对查询字符串分词后，返回的词根列表，OR只需一个满足及认为匹配，而AND则需要全部词根都能匹配，默认值为：Operator.OR。
- minimum_should_match 最少需要匹配个数。在操作类型为Operator.OR时生效，指明分词后的词根，至少minimum_should_match 个词根匹配，则命中。
"match" : { "message" : "this out Elasticsearch"， “minimum_should_match ”：“3” }
此时由于this词根并不在原始数据"trying out Elasticsearch"中，又要求必须匹配的词根个数为3，故本次查询，无法命中。minimum_should_match 可选值如下：
|
Type |
Example |
Description |
|---|---|---|
|
Integer |
3 |
直接数字，不考虑查询字符串分词后的个数。如果分词的个数小于3个，则无法匹配到任何条目。 |
|
Negative integer |
-2 |
负数表示最多不允许不匹配的个数。也就是需要匹配的个数为(total-2)。 |
|
Percentage |
75% |
百分比，表示需要匹配的词根占总数的百分比。 |
|
Negative percentage |
-25% |
允许不匹配的个数占总数的百分比。 |
|
Combination |
3<90% |
如果查询字符串分词的个数小于等于3（前面的整数），则只要全部匹配则返回，如果分词的个数大于3个，则只要90%的匹配即可。 |
|
Multiple combinations |
2<-25% 9<-3 |
支持多条件表达式，中间用空格分开。该表达式的意义如下：1、如果分词的个数小于等于2，则必须全部匹配；如果大于2小于9，则除了25%（注意负号）之外都需要满足。2、如果大于9个，则只允许其中3个不满足。 |
- analyzer
设置分词器，默认使用字段映射中定义的分词器或elasticsearch默认的分词器。
- lenient
是否忽略由于数据类型不匹配引起的异常，默认为false。例如尝试用文本查询字符串查询数值字段，默认会抛出错误。
- fuzziness
模糊匹配。
- zero_terms_query
默认情况下，如果分词器会过滤查询字句中的停用词，可能会造成查询字符串分词后变成空字符串，此时默认的行为是无法匹配到任何文档，如果想改变该默认情况，可以设置zero_terms_query=all，类似于match_all,默认值为none。
- cutoff_frequency
match查询支持cutoff_frequency，允许指定绝对或相对的文档频率：
- OR：高频单词被放入“或许有”的类别，仅在至少有一个低频（低于cutoff_frequency）单词满足条件时才积分；
- AND：高频单词被放入“或许有”的类别，仅在所有低频（低于cutoff_frequency）单词满足条件时才积分。该查询允许在运行时动态处理停用词而不需要使用停用词文件。它阻止了对高频短语（停用词）的评分/迭代，并且只在更重要/更低频率的短语与文档匹配时才会考虑这些文档。然而，如果所有查询条件都高于给定的cutoff_frequency，则查询将自动转换为纯连接(and)查询，以确保快速执行。
cutoff_frequency取值是相对于文档的总数的小数[0..1)，也可以是绝对值[1, +∞)。
- Synonyms（同义词）
可在分词器中定义同义词，具体同义词将在后续章节中会单独介绍。
1.3 match query示例
public static void testMatchQuery() { RestHighLevelClient client = EsClient.getClient(); try { SearchRequest searchRequest = new SearchRequest(); searchRequest.indices("twitter"); SearchSourceBuilder sourceBuilder = new SearchSourceBuilder(); sourceBuilder.query( QueryBuilders.matchQuery("message", "is out Elasticsearch") .zeroTermsQuery(ZeroTermsQuery.ALL) .operator(Operator.OR) .minimumShouldMatch("4<90%") ).sort(new FieldSortBuilder("post_date").order(SortOrder.DESC)) .docValueField("post_date", "epoch_millis"); searchRequest.source(sourceBuilder); SearchResponse result = client.search(searchRequest, RequestOptions.DEFAULT); System.out.println(result); } catch (Throwable e) { e.printStackTrace(); } finally { EsClient.close(client); } }
2、match_phrase query
与match query类似，但只是用来精确匹配的短语。
其主要工作流程：
首先，Elasearch(lucene)会使用分词器对全文本进行分词（返回一个一个的词根（顺序排列）），然后同样使用分词器对查询字符串进行分析，返回一个一个的词根（顺序性）。如果能在全字段中能够精确找到与查询字符串通用的词根序列，则认为匹配，否则认为不匹配。
举例如下：
如果原文字段message:"quick brown fox test we will like to you",则使用标准分词器(analyzer=standard)返回的结果如下：
使用命令：
curl -X GET "192.168.1.10:9200/_analyze" -H 'Content-Type: application/json' -d' { "tokenizer" : "standard", "text" : "quick brown fox test we will like to you", "attributes" : ["keyword"] }'
得出如下结果：
{ "tokens":[ { "token":"quick", "start_offset":0, "end_offset":5, "type":"<ALPHANUM>", "position":0 }, { "token":"brown", "start_offset":6, "end_offset":11, "type":"<ALPHANUM>", "position":1 }, { "token":"fox", "start_offset":12, "end_offset":15, "type":"<ALPHANUM>", "position":2 }, { "token":"test", "start_offset":16, "end_offset":20, "type":"<ALPHANUM>", "position":3 }, { "token":"we", "start_offset":21, "end_offset":23, "type":"<ALPHANUM>", "position":4 }, { "token":"will", "start_offset":24, "end_offset":28, "type":"<ALPHANUM>", "position":5 }, { "token":"like", "start_offset":29, "end_offset":33, "type":"<ALPHANUM>", "position":6 }, { "token":"to", "start_offset":34, "end_offset":36, "type":"<ALPHANUM>", "position":7 }, { "token":"you", "start_offset":37, "end_offset":40, "type":"<ALPHANUM>", "position":8 } ] }
其词根具有顺序性（词根序列）为quick、brown、fox、test 、we 、will、 like、 to 、you
如果查询字符串为 quick brown，分词后的词根序列为 quick brown，则是原词根序列的子集，则匹配。
如果查询字符串为 quick fox，分词后的词根序列为 quick fox，与原词根序列不匹配。如果指定slop属性，设置为1，则匹配，其表示每一个词根直接跳过一个词根形成新的序列，与搜索词根进行比较，是否匹配。
如果查询字符串为quick fox test,其特点是quick与原序列跳过一个词brown，但fox后面不跳过任何次，与test紧挨着，如果指定slop=1，同样能匹配到文档，但查询字符串quick fox test will，却匹配不到文档，说明slop表示整个搜索词根中为了匹配流，能跳过的最大次数。
按照match_phrase的定义，与match query的区别一个在与精确匹配，一个在于词组term（理解为词根序列），故match_phrase与match相比，不会有如下参数：fuzziness、cutoff_frequency、operator、minimum_should_match 这些参数。
3、match phrase prefix query
与match phrase基本相同，只是该查询模式会对最后一个词根进行前缀匹配。
GET /_search { "query": { "match_phrase_prefix" : { "message" : { "query" : "quick brown f", "max_expansions" : 10 } } } }
其工作流程如下：首先先对除最后一个词进行分词，得到词根序列 quick brown，然后遍历整个elasticsearch倒排索引，查找以f开头的词根，依次组成多个词根流，例如(quick brown fox) (quick brown foot)，默认查找50组，受参数max_expansions控制，在使用时请设置合理的max_expansions，该值越大，查询速度将会变的更慢。该技术主要完成及时搜索，指用户在输入过程中，就根据前缀返回查询结果，随着用户输入的字符越多，查询的结果越接近用户的需求。
4、multi match query
multi_match查询建立在match查询之上，允许多字段查询。
GET /_search { "query": { "multi_match" : { "query": "this is a test", "fields": [ "subject", "message" ] // @1 } } }
@1执行作用（查询）的字段，有如下几种用法： 1、[ "subject", "message" ] ，表示针对查询自动对subject,message字段进行查询匹配。 2、[ "title", "*name" ]，支持通配符，表示对title，以name结尾的字段进行查询匹配。 3、[ "subject^3", "message" ]，表示subject字段是message的重要性的3倍，类似于字段权重。 4.1 multi_query重要参数详解
4.1.1 type 属性
指定multi_query内部的执行方式，取值如下：best_fields、most_fields、cross_fields、phrase、phrase_prefix。
1、best_fields
type默认值，只要其中一个字段匹配则匹配文档（match query)。但是使用最佳匹配的字段的score来表示文档的分数，会影响文档的排序。
例如有如下两个文档，id,title,context字段值分别如下：
doc1 : 1 "Quick brown rabbits" "Brown rabbits are commonly seen brown."
doc2：2 "Keeping pets healthy", "My quick brown as fox eats rabbits on a regular basis."
如果查询字段“brown fox”字符串，两个文档的匹配度谁高呢？初步分析如下：查询字符串"brown fox"会被分词为brown、fox两个词根，首先brown在doc1的title、context中都能匹配brown，而且次数为3次，在doc2中，只有在context字段中匹配到brown fox各一次，那哪个相关度（评分score）。
best_fields类型，认为在同一个字段能匹配到更多的查询字符串词根，则认为该字段更佳。由于doc2的context字段能匹配到两个查询词根，故doc2的匹配度更高，doc2会优先返回，对应测试代码：
public static void testMultiQueue_best_fields() { RestHighLevelClient client = EsClient.getClient(); try { SearchRequest searchRequest = new SearchRequest(); searchRequest.indices("esdemo"); SearchSourceBuilder sourceBuilder = new SearchSourceBuilder(); sourceBuilder.query( QueryBuilders.multiMatchQuery("brown fox", "title","context") .type(Type.BEST_FIELDS) ); searchRequest.source(sourceBuilder); SearchResponse result = client.search(searchRequest, RequestOptions.DEFAULT); System.out.println(result); } catch (Throwable e) { e.printStackTrace(); } finally { EsClient.close(client); } }
执行的查询结果如下：
{
"took":4,
"timed_out":false,
"_shards":{
"total":5,
"successful":5,
"skipped":0,
"failed":0
},
"hits":{
"total":2,
"max_score":0.5753642,
"hits":[
{
"_index":"esdemo",
"_type":"matchquerydemo",
"_id":"2",
"_score":0.5753642,
"_source":{
"context":"My quick brown as fox eats rabbits on a regular basis.",
"title":"Keeping pets healthy"
}
},
{
"_index":"esdemo",
"_type":"matchquerydemo",
"_id":"1",
"_score":0.2876821,
"_source":{
"context":"Brown rabbits are commonly seen.",
"title":"Quick brown rabbits"
}
}
]
}
}
best_fields类型内部会转换为（dis_max）：
GET /_search { "query": { "dis_max": { "queries": [ { "match": { "subject": "brown fox" }}, { "match": { "message": "brown fox" }} ], "tie_breaker": 0.3 } } }
通常best_fields类型使用单个最佳匹配字段的分数，但如果指定了tie_breaker，则其计算结果如下:最佳匹配字段的分数加上 tie_breaker * _score(其他匹配字段分数)。该查询模式支持match query相关的参数，例如analyzer, boost, operator, minimum_should_match, fuzziness, lenient, prefix_length, max_expansions, rewrite, zero_terms_query, cutoff_frequency, auto_generate_synonyms_phrase_query 、fuzzy_transpositions等参数。
best_fields和大多数字段类型都是以字段为中心的——它们为每个字段生成匹配查询。这意味着运算符和minimum_should_match参数将分别应用于每个字段。
2、most_fields
查找匹配任何字段并结合每个字段的_score的文档，Elasticsearch会为每个字段生成一个match查询，然后将它们包含在一个bool查询中。其算法的核心是各个字段的评分相加作为文档的最终得分参与排序。其建议场景是不同字段对同一关键字的存储维度不一样，例如字段一可能包含同义词、词干、变音符等；字段二可能包含原始词根，这种情况下综合各个字段的评分就会显的更加具有相关性。
该查询模式支持match query相关的参数，例如analyzer, boost, operator, minimum_should_match, fuzziness, lenient, prefix_length, max_expansions, rewrite, zero_terms_query, cutoff_frequency, auto_generate_synonyms_phrase_query 、fuzzy_transpositions等参数。
3、phrase、phrase_prefix
这两种类型score的计算采用best_fields方法，但是其查询方式分别为match_phrase、match_phrase_prefix。
4、cross_fields
交叉字段，对于需要匹配多个字段的结构化文档，cross_fields类型特别有用。例如，在查询“Will Smith”的first_name和last_name字段时，在一个字段中可能会有“Will”，而在另一个字段中可能会有“Smith”。这听起来很象most_fields，cross_fields与most_fields的两个明显区别如下：
- 对于opreator、minimum_should_match的作用域不一样，most_fields是针对字段的，（遍历每个字段，然后遍历查询词根列表，进行逐一匹配），而cross_fields是针对词根的，即遍历词根列表，搜索范围是所有字段。
- 相关性的考量不相同，cross_fields重在这个交叉匹配，对于一组查询词根，一部分出现在其中一个字段，另外一部分出现在另外一个字段中，其相关性计算评分将更高。
举例说明：例如有如下查询语句：
{ "query": { "multi_match" : { "query": "Will Smith", "type": "cross_fields", "fields": [ "first_name", "last_name" ], "operator": "and" } } }
其执行操作时，首先对查询字符串分析得出will、smith两个词根，然后遍历这两个词根，一次对first_name,last_name进行匹配，也就是说opreator、minimum_should_match这些参数作用2次，而most_fields方式，是一个嵌套循环，先遍历字段，然后对每一个词根在该字段上进行匹配，在该示例中，opreator、minimum_should_match这些参数作用4次。
4.1.2 tie_breaker属性
默认情况下，每个词汇混合查询将使用组中任何字段返回的最佳分数，然后将这些分数相加，以给出最终分数。tie_breaker参数可以改变每项混合查询的默认行为。tie_breaker可选值如下：
- 0.0 ： 默认行为，使用最佳字段的score。
- 1.0 ：所有匹配字段socre的和。
- 0.0 ~ 1.0 : 使用最佳匹配字段的score + (其他匹配字段score) * tie_breaker。
4.1.3 multi_query支持其他match query参数
其他诸如analyzer, boost, operator, minimum_should_match, fuzziness, lenient, prefix_length, max_expansions, rewrite, zero_terms_query,
cutoff_frequency, auto_generate_synonyms_phrase_query 、fuzzy_transpositions等参数,multi_query同样支持。
由于篇幅的原因，本节就只介绍全文检索方式的前4种方式，全文检索的其他查询方式将在下一节详细介绍。
