Elasticsearch之match_phrase小坑记录

1、问题抛出

某个词组在Elasitcsearch中的某个document中存在，就一定通过某种匹配方式把它搜出来。 
举例：

title=公路局正在治理解放大道路面积水问题。

输入关键词:道路，能否搜索到这个document呢？ 
实际应用中可能需要： 
1）检索关键词”理解”、”解放”、”道路”、“理解放大”，都能搜出这篇文档。 
2）单个的字拆分“治”、“水”太多干扰，不要被检索出来。 
3）待检索的词不在词典中，也必须要查到。 
4）待检索词只要在原文title或content中出现，都要检索到。 
5）检索要快，要摒弃wildcard模糊匹配性能问题。

2、问题分析

常用的stand标准分词，可以满足要求1）、3）、4）、5）。 
标准分词器是什么鬼？ 
标准分析仪是默认分析仪，如果没有指定，则默认使用该分词器。 它提供了基于语法的标记，并且适用于大多数语言。 
对于中文字符串，会逐个汉字分词。 
标准分词器的结果如下：

GET /ik_index/_analyze?analyzer=standard
{
"text":"公路局正在治理解放大道路面积水问题"
}
公,路,局,正,在,治,理,解,放,大,道,路,面,积,水,问,题

但，会出现冗余数据非常多。 

针对要求2），排除match检索，排除stand分词。 
针对要求5），排除wildcard模糊检索。 
针对要求3）、4)，新词也要被检索到比如：“声临其境”、“孙大剩”等也要能被搜索到。 
针对要求1），采用match_phrase貌似靠谱些。

3、小试牛刀

先使用IK-max-word细粒度分词器，结合match_phrase试一试？

步骤1：定义索引和Mapping

PUT ik_index
{
  "mappings":{
  "ik_type":{
  "properties":{
  "title":{
  "type":"text",
  "fields":{
  "ik_my_max":{
  "type":"text",
  "analyzer":"ik_max_word"
  },
  "ik_my_smart":{
  "type":"text",
  "analyzer":"ik_smart"
  },
  "keyword":{
  "type":"keyword",
  "ignore_above":256
  }
  }
  }
  }
  }
  }
  }

 

这里，为了验证分词，同时使用了ik_smart和ik_max两种分词。 

实际开发中不需要，因为：两种分词共存，会导致导入数据创建索引的时候，索引会非常大，对磁盘和检索性能都会有影响。

步骤2：插入文档

POST ik_index/ik_type/3
{
  "title":"公路局正在治理解放大道路面积水问题"
}

 

步骤3：实施检索

 

POST ik_index/ik_type/_search
{
  "profile":"true",
  "query":
  {
  "match_phrase":
  {
  "title.ik_my_max":"道路"
  }
  }
}

 

搜索结果如下： 
无结果返回。

{
  "took": 1,
  "timed_out": false,
  "_shards": {
  "total": 5,
  "successful": 5,
  "failed": 0
  },
  "hits": {
  "total": 0,
  "max_score": null,
  "hits": []
  }
}

为什么使用了max_word细粒度分词，使用了match_pharse检索，为什么没有结果。 
分析一下： 
细粒度ik_max_word分词结果为：

GET /ik_index/_analyze?analyzer=ik_max_word
{
"text":"公路局正在治理解放大道路面积水问题"
}
公路局 ,公路 ,路局 ,路 ,局正 ,正在 ,正 ,治理 ,治 ,理解 ,
理 ,解放 ,解 ,放大 ,大道 ,大 ,道路 ,道 ,路面 ,路 ,
面积 ,面 ,积水 ,积 ,水 ,问题

 

以上方式，除了可以返回分词结果外，还能返回词所在的位置position。

构建索引的时候，道路被拆分为：道路:16，道:17，路：19。（注意中间加了18：路面）

 

{
  "token": "路面",
  "start_offset": 11,
  "end_offset": 13,
  "type": "CN_WORD",
  "position": 18
  }

 

而检索的时候，而道路拆分为： 道路0 道1 路2

match_phrase检索时候，文档必须同时满足以下两个条件，才能被检索到： 
1）分词后所有词项都出现在该字段中； 
2）字段中的词项顺序要一致。 
位置信息可以被存储在倒排索引中，因此 match_phrase 查询这类对词语位置敏感的查询， 就可以利用位置信息去匹配包含所有查询词项，且各词项顺序也与我们搜索指定一致的文档，中间不夹杂其他词项。

为了验证如上的解释，新增一篇“道路”相关的title，检验一下：

POST ik_index/ik_type/4
{
  "title":"党员干部坚持走马克思主义道路的重要性"
}

注意：这时，搜索道路是可以匹配到的。

"hits": {
  "total": 1,
  "max_score": 1.9684901,
  "hits": [
  {
  "_index": "ik_index",
  "_type": "ik_type",
  "_id": "4",
  "_score": 1.9684901,
  "_source": {
  "title": "党员干部坚持走马克思主义道路的重要性"
  }
  }
  ]
  },

细粒度ik_max_word分词结果为：

党员干部, 党员, 干部, 坚持走, 坚持, 坚, 持, 走马, 马克思主义, 马克思,
马克, 马, 克, 思, 主义, 道路, 道, 路, 重要性, 重要,
要性, 性

 

构建索引的时候，道路被拆分为：15，16，17位置。 
与检索的词项顺序是一致的。 
这里解析更详细：http://t.cn/R8pzw9e

4、match_pharse都搜不出来，还有没有别的方案？

有，和match_pharse类似，不过match_phrase_prefix支持最后一个term前缀匹配。 
除了把查询文本的最后一个分词只做前缀匹配之外，match_phrase_prefix和match_phrase查询基本一样，参数 max_expansions 控制最后一个单词会被重写成多少个前缀，也就是，控制前缀扩展成分词的数量，默认值是50（官网文档建议50）。 
扩展的前缀数量越多，找到的文档数量就越多； 
如果前缀扩展的数量太少，可能查找不到相应的文档，遗漏数据。

POST ik_index/ik_type/_search
{
  "profile":"true",
  "query":
  {
  "match_phrase_prefix" : {
  "title.ik_my_max" : {
  "query": "道路",
  "max_expansions": 50
  }
  }
}
}

 

经验证： 关键词”理解”、”解放”、”道路”、“理解放大”，都能搜出这篇文档。

5、应用场景

我们自己开发搜索引擎的时候，经常会出现基于title或者content字段进行检索。 
如果用match检索，会出现噪音很多的情况； 
如果用match_phrase，会出现某些字段检索不出来的情况，如上分析的“道路”； 
如果用wildcard，能检索出来，但又有性能问题的存在。 
这时候，可以考虑下： match_phrase_prefix。

6、小结

实际开发中，根据应用场景不同，采用不同的分词器。 
如果选用ik，建议使用ik_max_word分词，因为：ik_max_word的分词结果包含ik_smart。 
匹配的时候，如果想尽可能的多检索结果，考虑使用match; 
如果想尽可能精确的匹配分词结果，考虑使用match_phrase; 
如果短语匹配的时候，怕遗漏，考虑使用match_phrase_prefix。