DSL查询文档
## 1.DSL查询文档
1.1.DSL查询分类
## 1.1.DSL查询分类
Elasticsearch提供了基于JSON的DSL（[Domain Specific Language](https://www.elastic.co/guide/en/elasticsearch/reference/current/query-dsl.html)）来定义查询。常见的查询类型包括：
- **查询所有**：查询出所有数据，一般测试用。例如：match_all
GET /indexName/_search
{
"query": {
"查询类型": {
"查询条件": "条件值"
}
}
}
- **全文检索（full text）查询**：利用分词器对用户输入内容分词，然后去倒排索引库中匹配。例如：
- match_query
- multi_match_query
- **精确查询**：根据精确词条值查找数据，一般是查找keyword、数值、日期、boolean等类型字段。例如：
- ids
- range
- term
- **地理（geo）查询**：根据经纬度查询。例如：
- geo_distance
- geo_bounding_box
- **复合（compound）查询**：复合查询可以将上述各种查询条件组合起来，合并查询条件。例如：
- bool
- function_score
- **全文检索（full text）查询**：
利用分词器对用户输入内容分词，然后去倒排索引库中匹配。
#全文检索查询的基本流程如下：
#- 对用户搜索的内容做分词，得到词条
#- 根据词条去倒排索引库中匹配，得到文档id
#- 根据文档id找到文档，返回给用户
例如：
- match_query
- multi_match_query
# 单字段查询
GET /hotel/_search
{
"query": {
"match": {
"city": "北京"
}
}
}
# 多字段查询，任意一个字段符合条件就算符合查询条件
# 参与查询字段越多，查询性能越差
GET /hotel/_search
{
"query": {
"multi_match": {
"query": "外滩",
"fields": ["brand", "name", "business"]
}
}
}
- **精确查询**：
根据精确词条值查找数据，一般是查找keyword、数值、日期、boolean等类型字段。例如：
- ids
- term查询：根据词条精确匹配，一般搜索keyword类型、数值类型、布尔类型、日期类型字段
- range查询：根据数值范围查询，可以是数值、日期的范围
#term GET /hotel/_search { "query": { "term": { "city": { "value": "北京" } } } }
#range #这里的gte代表大于等于，gt则代表大于 #lte代表小于等于，lt则代表小于 GET /hotel/_search { "query": { "range": { "price": { "gte":100, "lte":300 } } } }
- **地理（geo）查询**：
根据经纬度查询。例如：
- geo_distance
- geo_bounding_box
# geo_distance 附近查询
# 附近查询，也叫做距离查询（geo_distance）：查询到指定中心点小于某个距离值的所有文档。
GET /hotel/_search
{
"query": {
"geo_distance": {
"distance": "15km",
"location": "31.21,121.5"
}
}
}
# geo_bounding_box 矩形范围查询
GET /hotel/_search
{
"query":{
"geo_bounding_box":{
"location":{
"top_left":{
"lat":31.1,
"lon":121.5
},
"bottom_right":{
"lat":30.9,
"lon":121.7
}
}
}
}
}
- **复合（compound）查询**：
复合查询可以将上述各种查询条件组合起来，合并查询条件。例如：
- bool -
function_score
function score 查询中包含四部分内容：
- **原始查询**条件：query部分，基于这个条件搜索文档，并且基于BM25算法给文档打分，**原始算分**（query score)
- **过滤条件**：filter部分，符合该条件的文档才会重新算分
- **算分函数**：符合filter条件的文档要根据这个函数做运算，得到的**函数算分**（function score），有四种函数
- weight：函数结果是常量
- field_value_factor：以文档中的某个字段值作为函数结果
- random_score：以随机数作为函数结果
- script_score：自定义算分函数算法
- **运算模式**：算分函数的结果、原始查询的相关性算分，两者之间的运算方式，包括：
- multiply：相乘
- replace：用function score替换query score
- 其它，例如：sum、avg、max、min
function score的运行流程如下：
- 1）根据**原始条件**查询搜索文档，并且计算相关性算分，称为**原始算分**（query score）
- 2）根据**过滤条件**，过滤文档
- 3）符合**过滤条件**的文档，基于**算分函数**运算，得到**函数算分**（function score）
- 4）将**原始算分**（query score）和**函数算分**（function score）基于**运算模式**做运算，得到最终结果，作为相关性算分。
因此，其中的关键点是：
- 过滤条件：哪些文档要加分
- 算分函数：如何计算function score
- 加权方式：function score 与 query score如何运算
GET /hotel/_search { "query":{ "function_score": { "query": {"match": { "all": "外滩" }}, "functions": [ { "filter": {"term":{"brand":"如家"}}, "weight": 10 } ], "boost_mode": "multiply" } } }
- TF-IDF算法
- BM25算法，elasticsearch5.1版本后采用的算法
TF-IDF算法有一各缺陷，就是词条频率越高，文档得分也会越高，单个词条对文档影响较大。而BM25则会让单个词条的算分有一个上限，曲线更加平滑：
布尔查询
布尔查询是一个或多个查询子句的组合，每一个子句就是一个**子查询**。子查询的组合方式有：
- must：必须匹配每个子查询，类似“与”
- should：选择性匹配子查询，类似“或”
- must_not：必须不匹配，**不参与算分**，类似“非”
- filter：必须匹配，**不参与算分**
GET /hotel/_search { "query":{ "bool":{ "must":[ {"term":{"city":"上海"}} ], "should":[ {"term":{"brand":"皇冠假日"}}, {"term":{"brand":"华美达"}} ], "must_not":[ {"range":{"price":{"lte":500}}} ], "filter":[ {"range":{"score":{"gte":45}}} ] } } }
##2.搜索结果处理
### 2.1.1.普通字段排序
keyword、数值、日期类型排序的语法基本一致。
**语法**：
GET /indexName/_search { "query": { "match_all": {} }, "sort": [ { "FIELD": "desc" // 排序字段、排序方式ASC、DESC } ] }
排序条件是一个数组，也就是可以写多个排序条件。按照声明的顺序，当第一个条件相等时，再按照第二个条件排序，以此类推。
### 2.1.2.地理坐标排序
GET /hotel/_search { "query":{ "match_all": {} }, "sort":{ "_geo_distance":{ "location": { "lat": "31.034661", "lon": "121.612282" }, "order":"asc", "unit":"km" } } }
这个查询的含义是：
- 指定一个坐标，作为目标点
- 计算每一个文档中，指定字段（必须是geo_point类型）的坐标 到目标点的距离是多少
- 根据距离排序
## 2.2.分页
elasticsearch 默认情况下只返回top10的数据。而如果要查询更多数据就需要修改分页参数了。elasticsearch中通过修改from、size参数来控制要返回的分页结果：
- from：从第几个文档开始
- size：总共查询几个文档
类似于mysql中的`limit ?, ?`
### 2.2.1.基本的分页
分页的基本语法如下：
GET /hotel/_search { "query": { "match_all": {} }, "from": 0, // 分页开始的位置，默认为0 "size": 10, // 期望获取的文档总数 "sort": [ {"price": "asc"} ] }
现在，我要查询990~1000的数据，查询逻辑要这么写：
GET /hotel/_search { "query": { "match_all": {} }, "from": 990, // 分页开始的位置，默认为0 "size": 10, // 期望获取的文档总数 "sort": [ {"price": "asc"} ] }
这里是查询990开始的数据，也就是 第990~第1000条 数据。
不过，elasticsearch内部分页时，必须先查询 0~1000条，然后截取其中的990 ~ 1000的这10条：
查询TOP1000，如果es是单点模式，这并无太大影响。
但是elasticsearch将来一定是集群，例如我集群有5个节点，我要查询TOP1000的数据，并不是每个节点查询200条就可以了。
因为节点A的TOP200，在另一个节点可能排到10000名以外了。
因此要想获取整个集群的TOP1000，必须先查询出每个节点的TOP1000，汇总结果后，重新排名，重新截取TOP1000。
那如果我要查询9900~10000的数据呢？是不是要先查询TOP10000呢？那每个节点都要查询10000条？汇总到内存中？
当查询分页深度较大时，汇总数据过多，对内存和CPU会产生非常大的压力，因此elasticsearch会禁止from+ size 超过10000的请求。
针对深度分页，ES提供了两种解决方案，[官方文档](https://www.elastic.co/guide/en/elasticsearch/reference/current/paginate-search-results.html)：
- search after：分页时需要排序，原理是从上一次的排序值开始，查询下一页数据。官方推荐使用的方式。
- scroll：原理将排序后的文档id形成快照，保存在内存。官方已经不推荐使用。
# - search after 例子：
GET /hotel/_search { "query": { "match_al": {} }, "size": 2, "from": 0, "search_after": [ 135,45 ], "sort": [ {"price": "asc"}, {"score": "asc"} ] }
### 2.2.3.小结
分页查询的常见实现方案以及优缺点：
- `from + size`：
- 优点：支持随机翻页
- 缺点：深度分页问题，默认查询上限（from + size）是10000
- 场景：百度、京东、谷歌、淘宝这样的随机翻页搜索
- `after search`：
- 优点：没有查询上限（单次查询的size不超过10000）
- 缺点：只能向后逐页查询，不支持随机翻页
- 场景：没有随机翻页需求的搜索，例如手机向下滚动翻页
- `scroll`：
- 优点：没有查询上限（单次查询的size不超过10000）
- 缺点：会有额外内存消耗，并且搜索结果是非实时的
- 场景：海量数据的获取和迁移。从ES7.1开始不推荐，建议用 after search方案。
## 2.3.高亮
### 2.3.1.高亮原理
什么是高亮显示呢？
我们在百度，京东搜索时，关键字会变成红色，比较醒目，这叫高亮显示：
高亮显示的实现分为两步：
- 1）给文档中的所有关键字都添加一个标签，例如`<em>`标签
- 2）页面给`<em>`标签编写CSS样式
### 2.3.2.实现高亮
**高亮的语法**：
```json
GET /hotel/_search
{
"query": {
"match": {
"FIELD": "TEXT" // 查询条件，高亮一定要使用全文检索查询
}
},
"highlight": {
"fields": { // 指定要高亮的字段
"FIELD": {
"pre_tags": "<em>", // 用来标记高亮字段的前置标签
"post_tags": "</em>" // 用来标记高亮字段的后置标签
}
}
}
}
```
GET /hotel/_search { "query": { "match": { "all": "如家" } }, "size": 2, "from": 0, "highlight": { "fields": { "name": { "require_field_match": "false" } } } }
**注意：**
- 高亮是对关键字高亮，因此**搜索条件必须带有关键字**，而不能是范围这样的查询。
- 默认情况下，**高亮的字段，必须与搜索指定的字段一致**，否则无法高亮
- 如果要对非搜索字段高亮，则需要添加一个属性：required_field_match=false
##3.聚合查询
### 3.1.1.聚合的种类
聚合常见的有三类：
- **桶（Bucket）**聚合：用来对文档做分组
- TermAggregation：按照文档字段值分组，例如按照品牌值分组、按照国家分组
- Date Histogram：按照日期阶梯分组，例如一周为一组，或者一月为一组
- **度量（Metric）**聚合：用以计算一些值，比如：最大值、最小值、平均值等
- Avg：求平均值
- Max：求最大值
- Min：求最小值
- Stats：同时求max、min、avg、sum等
- **管道（pipeline）**聚合：其它聚合的结果为基础做聚合
> **注意：**参加聚合的字段必须是keyword、日期、数值、布尔类型
## 3.1.2.DSL实现聚合
现在，我们要统计所有数据中的酒店品牌有几种，其实就是按照品牌对数据分组。此时可以根据酒店品牌的名称做聚合，也就是Bucket聚合。
### 3.2Bucket聚合语法
语法如下：
GET /hotel/_search { "size":0, "query":{ "term": {"city":"北京"} }, "aggs":{ "brandAgg": { "terms":{ "field":"brand", "size":20, "order":{ "_count": "asc" } } } } }
### 3.3Metric聚合语法
上节课，我们对酒店按照品牌分组，形成了一个个桶。现在我们需要对桶内的酒店做运算，获取每个品牌的用户评分的min、max、avg等值。
这就要用到Metric聚合了，例如stat聚合：就可以获取min、max、avg等结果。
语法如下：
```json GET /hotel/_search { "size": 0, "aggs": { "brandAgg": { "terms": { "field": "brand", "size": 20 }, "aggs": { // 是brands聚合的子聚合，也就是分组后对每组分别计算 "score_stats": { // 聚合名称 "stats": { // 聚合类型，这里stats可以计算min、max、avg等 "field": "score" // 聚合字段，这里是score } } } } } }
这次的score_stats聚合是在brandAgg的聚合内部嵌套的子聚合。因为我们需要在每个桶分别计算。
另外，我们还可以给聚合结果做个排序，例如按照每个桶的酒店平均分做排序：
- 限定聚合的的文档范围
聚合必须的三要素：
- 聚合名称
- 聚合类型
- 聚合字段
聚合可配置属性有：
- size：指定聚合结果数量
- order：指定聚合结果排序方式
- field：指定聚合字段
