Elasticsearch系列---前缀搜索和模糊搜索
概要
本篇我们介绍一下部分搜索的几种玩法，我们经常使用的浏览器搜索框，输入时会弹出下拉提示，也是基于局部搜索原理实现的。
前缀搜索
我们在前面了解的搜索，词条是最小的匹配单位，也是倒排索引中存在的词，现在我们来聊聊部分匹配的话题，只匹配一个词条中的一部分内容，相当于mysql的"where content like '%love%'"，在数据库里一眼就能发现这种查询是不走索引的，效率非常低。
Elasticsearch对这种搜索有特殊的拆分处理，支持多种部分搜索格式，这次重点在于not_analyzed精确值字段的前缀匹配。
前缀搜索语法
我们常见的可能有前缀搜需求的有邮编、产品序列号、快递单号、证件号的搜索，这些值的内容本身包含一定的逻辑分类含义，如某个前缀表示地区、年份等信息，我们以邮编为例子：
# 只创建一个postcode字段，类型为keyword
PUT /demo_index
{
"mappings": {
"address": {
"properties": {
"postcode": {
"type": "keyword"
}
}
}
}
}
# 导入一些示例的邮编
POST /demo_index/address/_bulk
{ "index": { "_id": 1 }}
{ "postcode" : "510000"}
{ "index": { "_id": 2 }}
{ "postcode" : "514000"}
{ "index": { "_id": 3 }}
{ "postcode" : "527100"}
{ "index": { "_id": 4 }}
{ "postcode" : "511500"}
{ "index": { "_id": 5 }}
{ "postcode" : "511100"}
前缀搜索示例：
GET /demo_index/address/_search
{
"query": {
"prefix": {
"postcode": {
"value": "511"
}
}
}
}
搜索结果可以看到两条，符合预期：
{
"took": 3,
"timed_out": false,
"_shards": {
"total": 5,
"successful": 5,
"skipped": 0,
"failed": 0
},
"hits": {
"total": 2,
"max_score": 1,
"hits": [
{
"_index": "demo_index",
"_type": "address",
"_id": "5",
"_score": 1,
"_source": {
"postcode": "511100"
}
},
{
"_index": "demo_index",
"_type": "address",
"_id": "4",
"_score": 1,
"_source": {
"postcode": "511500"
}
}
]
}
}
前缀搜索原理
prefix query不计算relevance score，_score固定为1，与prefix filter唯一的区别就是，filter会cache bitset。
我们分析一下示例的搜索过程：
- 索引文档时，先建立倒排索引，keyword没有分词的操作，直接建立索引，简易示例表如下：
| postcode | doc ids |
|---|---|
| 510000 | 1 |
| 514000 | 2 |
| 527100 | 3 |
| 511500 | 4 |
| 511100 | 5 |
- 如果是全文搜索，搜索字符串"511"，没有匹配的结果，直接返回为空。
- 如果是前缀搜索，扫描到一个"511500"，继续搜索，又得到一个"511100"，继续搜，直到整个倒排索引全部搜索完，返回结果结束。
从这个过程我们可以发现：match的搜索性能还是非常高的，前缀搜索由于要遍历索引，性能相对低一些，但有些场景，却是只有前缀搜索才能胜任。如果前缀的长度越长，那么能匹配的文档相对越少，性能会好一些，如果前缀太短，只有一个字符，那么匹配数据量太多，会影响性能，这点要注意。
通配符和正则搜索
通配符搜索和正则表达式搜索跟前缀搜索类型，只是功能更丰富一些。
通配符
常规的符号：？任意一个字符，0个或任意多个字符，示例：
GET /demo_index/address/_search
{
"query": {
"wildcard": {
"postcode": {
"value": "*110*"
}
}
}
}
正则搜索
即搜索字符串是用正则表达式来写的，也是常规的格式：
GET /demo_index/address/_search
{
"query": {
"regexp": {
"postcode": {
"value": "[0-9]11.+"
}
}
}
}
这两种算是一种高级语法介绍，可以让我们编写更灵活的查询请求，但性能都不怎么好，所以用得也不多。
即时搜索
我们使用搜索引擎时，会发现搜索框里会有相关性的词语提示，如下我们在google网站上搜索"Elasticsearch"时，会有这样的提示框出现：
浏览器捕捉每一个输入事件，每输入一个字符，向后台发一次请求，将你搜索的内容作为搜索前缀，搜索相关的当前热点的前10条数据，返回给你，用来辅助你完成输入，baidu也有类似的功能。
这种实现原理是基于前缀搜索来完成的，只是google/baidu的后台实现更复杂，我们可以站在Elasticsearch的视角上来模拟即时搜索：
GET /demo_index/website/_search
{
"query": {
"match_phrase_prefix": {
"title": "Elasticsearch q"
}
}
}
原理跟match_phrase，只是最后一个term是作前缀来搜索的。
即搜索字符串"Elasticsearch q"，Elasticsearch做普通的match查询，而"q"作前缀搜索，会去扫描整个倒排索引，找到所有q开头的文档，然后找到所有文档中，既包含Elasticsearch，又包含以q开头字符的文档。
当然这个查询支持slop参数。
max_expansions参数
前缀查询时我们提到了前缀太短会有性能的风险，此时我们可以通过max_expansions参数来降低前缀过短带来的性能问题，建议的值是50，如下示例：
GET /demo_index/website/_search
{
"query": {
"match_phrase_prefix": {
"postcode": {
"query": "Elasticsearch q",
"max_expansions": 50
}
}
}
}
max_expansions的作用是控制与前缀匹配的词的数量，它会先查找第一个与前缀"q" 匹配的词，然后依次查找搜集与之匹配的词（按字母顺序），直到没有更多可匹配的词或当数量超过max_expansions时结束。
我们使用google搜索资料时，关键是输一个字符请求一次，这样我们就可以使用max_expansions去控制匹配的文档数量，因为我们会不停的输入，直到想要搜索的内容输入完毕或挑到合适的提示语之后，才会点击搜索按钮进行网页的搜索。
所以使用match_phrase_prefix记得一定要带上max_expansions参数，要不然输入第一个字符的时候，性能实在是太低了。
ngram的应用
前面我们用的部分查询，没有作索引做过特殊的设置，这种解决方案叫做查询时(query time)实现，这种无侵入性和灵活性通常以牺牲搜索性能为代价，还有一种方案叫索引时(index time)，对索引的设置有侵入，提前完成一些搜索的准备工作，对性能提升有非常大的帮助。如果某些功能的实时性要求比较高，由查询时转为索引时是一个非常好的实践。
前缀搜索功能看具体的使用场景，如果是在一级功能的入口处，承担着大部分的流量，建议使用索引时，我们先来了解一下ngram。
ngrams是什么
前缀查询是通过挨个匹配来达到查找目的的，整个过程有些盲目，搜索量又大，所以性能比较低，但如果我事先把这些关键词，按照一定的长度拆分出来，就又可以回到match查询这种高效率的方式了。ngrams其实就是拆分关键词的一个滑动窗口，窗口的长度可以设置，我们拿"Elastic"举例，7种长度下的ngram：
- 长度1：[E,l,a,s,t,i,c]
- 长度2：[El,la,as,st,ti,ic]
- 长度3：[Ela,las,ast,sti,tic]
- 长度4：[Elas,last,asti,stic]
- 长度5：[Elast,lasti,astic]
- 长度6：[Elasti,lastic]
- 长度7：[Elastic]
可以看到，长度越长，拆分的词越少。
每个拆分出来的词都会加入到倒排索引中，这样就可以进行match搜索了。
还有一种特殊的edge ngram，拆词时它只留下首字母开头的词，如下：
- 长度1：E
- 长度2：El
- 长度3：Ela
- 长度4：Elas
- 长度5：Elast
- 长度6：Elasti
- 长度7：Elastic
这样的拆分特别符合我们的搜索习惯。
案例
- 创建一个索引，指定filter
PUT /demo_index
{
"settings": {
"analysis": {
"filter": {
"autocomplete_filter": {
"type": "edge_ngram",
"min_gram": 1,
"max_gram": 20
}
},
"analyzer": {
"autocomplete": {
"type": "custom",
"tokenizer": "standard",
"filter": [
"lowercase",
"autocomplete_filter"
]
}
}
}
}
}
filter的意思是对于这个token过滤器接收的任意词项，过滤器会为之生成一个最小固定值为1，最大为20的n-gram。
- 在自定义分析器autocomplete中使用上面这个token过滤器
PUT /demo_index/_mapping/_doc
{
"properties": {
"title": {
"type": "text",
"analyzer": "autocomplete",
"search_analyzer": "standard"
}
}
}
- 我们可以测试一下效果
GET /demo_index/_analyze
{
"analyzer": "autocomplete",
"text": "love you"
}
响应结果：
{
"tokens": [
{
"token": "l",
"start_offset": 0,
"end_offset": 4,
"type": "<ALPHANUM>",
"position": 0
},
{
"token": "lo",
"start_offset": 0,
"end_offset": 4,
"type": "<ALPHANUM>",
"position": 0
},
{
"token": "lov",
"start_offset": 0,
"end_offset": 4,
"type": "<ALPHANUM>",
"position": 0
},
{
"token": "love",
"start_offset": 0,
"end_offset": 4,
"type": "<ALPHANUM>",
"position": 0
},
{
"token": "y",
"start_offset": 5,
"end_offset": 8,
"type": "<ALPHANUM>",
"position": 1
},
{
"token": "yo",
"start_offset": 5,
"end_offset": 8,
"type": "<ALPHANUM>",
"position": 1
},
{
"token": "you",
"start_offset": 5,
"end_offset": 8,
"type": "<ALPHANUM>",
"position": 1
}
]
}
测试结果符合预期。
- 增加一点测试数据
PUT /demo_index/_doc/_bulk
{ "index": { "_id": "1"} }
{ "title" : "love"}
{ "index": { "_id": "2"}}
{"title" : "love me"} }
{ "index": { "_id": "3"}}
{"title" : "love you"} }
{ "index": { "_id": "4"}}
{"title" : "love every one"}
- 使用简单的match查询
GET /demo_index/_doc/_search
{
"query": {
"match": {
"title": "love ev"
}
}
}
响应结果：
{
"took": 1,
"timed_out": false,
"_shards": {
"total": 5,
"successful": 5,
"skipped": 0,
"failed": 0
},
"hits": {
"total": 2,
"max_score": 0.83003354,
"hits": [
{
"_index": "demo_index",
"_type": "_doc",
"_id": "4",
"_score": 0.83003354,
"_source": {
"title": "love every one"
}
},
{
"_index": "demo_index",
"_type": "_doc",
"_id": "1",
"_score": 0.41501677,
"_source": {
"title": "love"
}
}
]
}
}
如果用match，只有love的也会出来，全文检索，只是分数比较低。
- 使用match_phrase
推荐使用match_phrase，要求每个term都有，而且position刚好靠着1位，符合我们的期望的。
GET /demo_index/_doc/_search
{
"query": {
"match_phrase": {
"title": "love ev"
}
}
}
我们可以发现，大多数工作都是在索引阶段完成的，所有的查询只需要执行match或match_phrase即可，比前缀查询效率高了很多。
搜索提示
Elasticsearch还支持completion suggest类型实现搜索提示，也叫自动完成auto completion。
completion suggest原理
建立索引时，要指定field类型为completion，Elasticsearch会为搜索字段生成一个所有可能完成的词列表，然后将它们置入一个有限状态机（finite state transducer 内，这是个经优化的图结构。
执行搜索时，Elasticsearch从图的开始处顺着匹配路径一个字符一个字符地进行匹配，一旦它处于用户输入的末尾，Elasticsearch就会查找所有可能结束的当前路径，然后生成一个建议列表，并且把这个建议列表缓存在内存中。
性能方面completion suggest比任何一种基于词的查询都要快很多。
示例
- 指定title.fields字段为completion类型
PUT /music
{
"mappings": {
"children" :{
"properties": {
"title": {
"type": "text",
"fields": {
"suggest": {
"type":"completion"
}
}
},
"content": {
"type": "text"
}
}
}
}
}
- 插入一些示例数据
PUT /music/children/_bulk
{ "index": { "_id": "1"} }
{ "title":"children music London Bridge", "content":"London Bridge is falling down"}
{ "index": { "_id": "2"}}
{"title":"children music Twinkle", "content":"twinkle twinkle little star"}
{ "index": { "_id": "3"}}
{"title":"children music sunshine", "content":"you are my sunshine"}
- 搜索请求及响应
GET /music/children/_search
{
"suggest": {
"my-suggest": {
"prefix": "children music",
"completion": {
"field":"title.suggest"
}
}
}
}
响应如下，有删节：
{
"took": 26,
"timed_out": false,
"suggest": {
"my-suggest": [
{
"text": "children music",
"offset": 0,
"length": 14,
"options": [
{
"text": "children music London Bridge",
"_index": "music",
"_type": "children",
"_id": "1",
"_score": 1,
"_source": {
"title": "children music London Bridge",
"content": "London Bridge is falling down"
}
},
{
"text": "children music Twinkle",
"_index": "music",
"_type": "children",
"_id": "2",
"_score": 1,
"_source": {
"title": "children music Twinkle",
"content": "twinkle twinkle little star"
}
},
{
"text": "children music sunshine",
"_index": "music",
"_type": "children",
"_id": "3",
"_score": 1,
"_source": {
"title": "children music sunshine",
"content": "you are my sunshine"
}
}
]
}
]
}
}
这样返回的值，就可以作为提示语补充到前端页面上，如数据填充到浏览器的下拉框里。
模糊搜索
fuzzy搜索可以针对输入拼写错误的单词，有一定的纠错功能，示例：
GET /music/children/_search
{
"query": {
"fuzzy": {
"name": {
"value": "teath",
"fuzziness": 2
}
}
}
}
fuzziness：最多纠正的字母个数，默认是2，有限制，设置太大也是无效的，不能无限加大，错误太多了也纠正不了。
常规用法：match内嵌套一个fuzziness，设置为auto。
GET /music/children/_search
{
"query": {
"match": {
"name": {
"query": "teath",
"fuzziness": "AUTO",
"operator": "and"
}
}
}
}
了解一下即可。
小结
本篇介绍了前缀搜索，通配符搜索和正则搜索的基本玩法，对前缀搜索的性能影响和控制手段做了简单讲解，ngram在索引时局部搜索和搜索提示是非常经典的做法，最后顺带介绍了一下模糊搜索的常规用法，可以了解一下。
专注Java高并发、分布式架构，更多技术干货分享与心得，请关注公众号：Java架构社区
可以扫左边二维码添加好友，邀请你加入Java架构社区微信群共同探讨技术
