《ElasticSearch6.x实战教程》之复杂搜索、Java客户端（下）

第八章-复杂搜索

关注公众号：CoderBuff，回复“es”获取《ElasticSearch6.x实战教程》完整版PDF。

黑夜给了我黑色的眼睛，我却用它寻找光明。

经过了解简单的API和简单搜索，已经基本上能应付大部分的使用场景。可是非关系型数据库数据的文档数据往往又多又杂，各种各样冗余的字段，组成了一条"记录"。复杂的数据结构，带来的就是复杂的搜索。所以在进入本章节前，我们要构建一个尽可能"复杂"的数据结构。

下面分为两个场景，场景1偏向数据结构上的复杂并且介绍聚合查询、指定字段返回、深分页，场景2偏向搜索精度上的复杂。

场景1

存储一个公司的员工，员工信息包含姓名、工号、性别、出生年月日、岗位、上级、下级、所在部门、进入公司时间、修改时间、创建时间。其中员工工号作为主键ID全局唯一，员工只有一个直属上级，但有多个下级，可以通过父子文档实现。员工有可能属于多个部门（特别是领导可能兼任多个部门的负责人）。

数据结构

创建索引并定义映射结构：

PUT http://localhost:9200/company
{
	"mappings":{
		"employee":{
			"properties":{
				"id":{
					"type":"keyword"
				},
				"name":{
					"type":"text",
					"analyzer":"ik_smart",
					"fields":{
						"keyword":{
							"type":"keyword",
							"ignore_above":256
						}
					}
				},
				"sex":{
					"type":"keyword"
				},
        "age":{
          "type":"integer"
				},
				"birthday":{
					"type":"date"
				},
				"position":{
					"type":"text",
					"analyzer":"ik_smart",
					"fields":{
						"keyword":{
							"type":"keyword",
							"ignore_above":256
						}
					}
				},
				"level":{
					"type":"join",
					"relations":{
						"superior":"staff",
            "staff":"junior"
					}
				},
				"departments":{
					"type":"text",
					"analyzer":"ik_smart",
					"fields":{
						"keyword":{
							"type":"keyword",
							"ignore_above":256
						}
					}
				},
				"joinTime":{
					"type":"date"
				},
				"modified":{
					"type":"date"
				},
				"created":{
					"type":"date"
				}
			}
		}
	}
}

数据

接下来是构造数据，我们构造几条关键数据。

  • 张三是公司的董事长，他是最大的领导，不属于任何部门。
  • 李四的上级是张三，他的下级是王五、赵六、孙七、周八，他同时是市场部和研发部的负责人，也就是隶属于市场部和研发部。
  • 王五、赵六的上级是张三，他没有下级，他隶属于市场部。
  • 孙七、周八的上级是李四，他没有下级，他隶属于研发部。

更为全面直观的数据如下表所示：

姓名 工号 性别 年龄 出生年月日 岗位 上级 下级 部门 进入公司时间 修改时间 创建时间
张三 1 男 49 1970-01-01 董事长 / 李四 / 1990-01-01 1562167817000 1562167817000
李四 2 男 39 1980-04-03 总经理 张三 王五、赵六、孙七、周八 市场部、研发部 2001-02-02 1562167817000 1562167817000
王五 3 女 27 1992-09-01 销售 李四 / 市场部 2010-07-01 1562167817000 1562167817000
赵六 4 男 29 1990-10-10 销售 李四 / 市场部 2010-08-08 1562167817000 1562167817000
孙七 5 男 26 1993-12-10 前端工程师 李四 / 研发部 2016-07-01 1562167817000 1562167817000
周八 6 男 25 1994-05-11 Java工程师 李四 / 研发部 2018-03-10 1562167817000 1562167817000

插入6条数据：

POST http://localhost:9200/company/employee/1?routing=1
{
	"id":"1",
	"name":"张三",
	"sex":"男",
  "age":49,
	"birthday":"1970-01-01",
	"position":"董事长",
	"level":{
    "name":"superior"
  },
	"joinTime":"1990-01-01",
	"modified":"1562167817000",
	"created":"1562167817000"
}

POST http://localhost:9200/company/employee/2?routing=1
{
	"id":"2",
	"name":"李四",
	"sex":"男",
  "age":39,
	"birthday":"1980-04-03",
	"position":"总经理",
	"level":{
    "name":"staff",
    "parent":"1"
  },
  "departments":["市场部","研发部"],
	"joinTime":"2001-02-02",
	"modified":"1562167817000",
	"created":"1562167817000"
}

POST http://localhost:9200/company/employee/3?routing=1
{
	"id":"3",
	"name":"王五",
	"sex":"女",
  "age":27,
	"birthday":"1992-09-01",
	"position":"销售",
	"level":{
    "name":"junior",
    "parent":"2"
  },
  "departments":["市场部"],
	"joinTime":"2010-07-01",
	"modified":"1562167817000",
	"created":"1562167817000"
}

POST http://localhost:9200/company/employee/4?routing=1
{
	"id":"4",
	"name":"赵六",
	"sex":"男",
  "age":29,
	"birthday":"1990-10-10",
	"position":"销售",
	"level":{
    "name":"junior",
    "parent":"2"
  },
  "departments":["市场部"],
	"joinTime":"2010-08-08",
	"modified":"1562167817000",
	"created":"1562167817000"
}

POST http://localhost:9200/company/employee/5?routing=1
{
	"id":"5",
	"name":"孙七",
	"sex":"男",
  "age":26,
	"birthday":"1993-12-10",
	"position":"前端工程师",
	"level":{
    "name":"junior",
    "parent":"2"
  },
  "departments":["研发部"],
	"joinTime":"2016-07-01",
	"modified":"1562167817000",
	"created":"1562167817000"
}

POST http://localhost:9200/company/employee/6?routing=1
{
	"id":"6",
	"name":"周八",
	"sex":"男",
  "age":28,
	"birthday":"1994-05-11",
	"position":"Java工程师",
	"level":{
    "name":"junior",
    "parent":"2"
  },
  "departments":["研发部"],
	"joinTime":"2018-03-10",
	"modified":"1562167817000",
	"created":"1562167817000"
}

搜索

  1. 查询研发部的员工
GET http://localhost:9200/company/employee/_search
{
	"query":{
		"match":{
			"departments":"研发部"
		}
	}
}
  1. 查询在研发部且在市场部的员工
GET http://localhost:9200/company/employee/_search
{
    "query": {
        "bool":{
        	"must":[{
        		"match":{
        			"departments":"市场部"
        		}
        	},{
        		"match":{
        			"departments":"研发部"
        		}
        	}]
        }
    }
}

*被搜索的字段是一个数组类型，但对查询语句并没有特殊的要求。

  1. 查询name="张三"的直接下属。
GET http://localhost:9200/company/employee/_search
{
    "query": {
        "has_parent":{
        	"parent_type":"superior",
        	"query":{
        		"match":{
        			"name":"张三"
        		}
        	}
        }
    }
}
  1. 查询name="李四"的直接下属。
GET http://localhost:9200/company/employee/_search

{
    "query": {
        "has_parent":{
        	"parent_type":"staff",
        	"query":{
        		"match":{
        			"name":"李四"
        		}
        	}
        }
    }
}
  1. 查询name="王五"的直接上级。
GET http://localhost:9200/company/employee/_search
{
    "query": {
        "has_child":{
        	"type":"junior",
        	"query":{
        		"match":{
        			"name":"王五"
        		}
        	}
        }
    }
}

聚合查询

ES中的聚合查询类似MySQL中的聚合函数(avg、max等)，例如计算员工的平均年龄。

GET http://localhost:9200/company/employee/_search?pretty
{
    "size": 0,
    "aggs": {
        "avg_age": {
            "avg": {
                "field": "age"
            }
        }
    }
}

指定字段查询

指定字段返回值在查询结果中指定需要返回的字段。例如只查询张三的生日。

GET http://localhost:9200/company/employee/_search?pretty
{
    "_source":["name","birthday"],
    "query":{
    	"match":{
    		"name":"张三"
    	}
    }
}

深分页

ES的深分页是一个老生常谈的问题。用过ES的都知道，ES默认查询深度不能超过10000条，也就是page * pageSize < 10000。如果需要查询超过1万条的数据，要么通过设置最大深度，要么通过scroll滚动查询。如果调整配置，即使能查出来，性能也会很差。但通过scroll滚动查询的方式带来的问题就是只能进行"上一页"、"下一页"的操作，而不能进行页码跳转。

scroll原理简单来讲，就是一批一批的查，上一批的最后一个数据，作为下一批的第一个数据，直到查完所有的数据。

首先需要初始化查询

GET http://localhost:9200/company/employee/_search?scroll=1m
{
	"query":{
		"match_all":{}
	},
	"size":1,
	"_source": ["id"]
}

像普通查询结果一样进行查询，url中的scroll=1m指的是游标查询的过期时间为1分钟，每次查询就会更新，设置过长占会用过多的时间。

接下来就可以通过上述API返回的_scroll_id进行滚动查询，假设上面的结果返回"_scroll_id": "DnF1ZXJ5VGhlbkZldGNoBQAAAAAAAAFBFk1pNzdFUVhDU3hxX3VtSVFUdDJBWlEAAAAAAAABQhZNaTc3RVFYQ1N4cV91bUlRVHQyQVpRAAAAAAAAAUMWTWk3N0VRWENTeHFfdW1JUVR0MkFaUQAAAAAAAAFEFk1pNzdFUVhDU3hxX3VtSVFUdDJBWlEAAAAAAAABRRZNaTc3RVFYQ1N4cV91bUlRVHQyQVpR"。

GET http://localhost:9200/_search/scroll
{
    "scroll":"1m",
    "scroll_id": "DnF1ZXJ5VGhlbkZldGNoBQAAAAAAAAFBFk1pNzdFUVhDU3hxX3VtSVFUdDJBWlEAAAAAAAABQhZNaTc3RVFYQ1N4cV91bUlRVHQyQVpRAAAAAAAAAUMWTWk3N0VRWENTeHFfdW1JUVR0MkFaUQAAAAAAAAFEFk1pNzdFUVhDU3hxX3VtSVFUdDJBWlEAAAAAAAABRRZNaTc3RVFYQ1N4cV91bUlRVHQyQVpR"
}

这种方式有一个小小的弊端，如果超过过期时间就不能继续往下查询，这种查询适合一次全量查询所有数据。但现实情况有可能是用户在一个页面停留很长时间，再点击上一页或者下一页，此时超过过期时间页面不能再进行查询。所以还有另外一种方式，范围查询。

另一种深分页

假设员工数据中的工号ID是按递增且唯一的顺序，那么我们可以通过范围查询进行分页。

例如，按ID递增排序，第一查询ID>0的数据，数据量为1。

GET http://localhost:9200/company/employee/_search
{
	"query":{
		"range":{
			"id":{
				"gt":0
			}
		}
	},
	"size":1,
	"sort":{
		"id":{
			"order":"asc"
		}
	}
}

此时返回ID=1的1条数据，我们再继续查询ID>1的数据，数据量仍然是1。

GET http://localhost:9200/company/employee/_search
{
	"query":{
		"range":{
			"id":{
				"gt":1
			}
		}
	},
	"size":1,
	"sort":{
		"id":{
			"order":"asc"
		}
	}
}

这样我们同样做到了深分页的查询，并且没有过期时间的限制。

场景2

存储商品数据，根据商品名称搜索商品，要求准确度高，不能搜索洗面奶结果出现面粉。

由于这个场景主要涉及的是搜索的精度问题，所以并不会有复杂的数据结构，只有一个title字段。

定义一个只包含title字段且分词器默认为standard的索引：

PUT http://localhost:9200/ware_index
{
    "mappings": {
        "ware": {
            "properties": {
            	"title":{
            		"type":"text"
            	}
            }
        }
    }
}

插入两条数据：

POST http://localhost:9200/ware_index/ware
{
	"title":"洗面奶"
}


POST http://localhost:9200/ware_index/ware
{
	"title":"面粉"
}

搜索关键字"洗面奶"：

POST http://localhost:9200/ware_index/ware/_search
{
	"query":{
		"match":{
			"title":"洗面奶"
		}
	}
}

搜索结果出现了"洗面奶"和"面粉"两个风马牛不相及的结果，这显然不符合我们的预期。

原因在分词一章中已经说明，text类型默认分词器为standard，它会将中文字符串一个字一个字拆分，也就是将"洗面奶"拆分成了"洗"、"面"、"奶"，将"面粉"拆分成了"面"、"粉"。而match会将搜索的关键词拆分，也就拆分成了"洗"、"面"、"奶"，最后两个"面"都能匹配上，也就出现了上述结果。所以对于中文的字符串搜索我们需要指定分词器，而常用的分词器是ik_smart，它会按照最大粒度拆分，如果采用ik_max_word它会将词按照最小粒度拆分，也有可能造成上述结果。

DELETE http://localhost:9200/ware_index删除索引，重新创建并指定title字段的分词器为ik_smart。

PUT http://localhost:9200/ware_index
{
	"mappings":{
		"ware":{
			"properties":{
        "id":{
          "type":"keyword"
        },
				"title":{
					"type":"text",
					"analyzer":"ik_smart"
				}
			}
		}
	}
}

这时如果插入“洗面奶”和“面粉”，搜索“洗面奶”是结果就只有一条。但此时我们插入以下两条数据：

POST http://localhost:9200/ware_index/ware
{
    "id":"1",
  	"title":"新希望牛奶"
}


POST http://localhost:9200/ware_index/ware
{
    "id":"2",
    "title":"春秋上新短袖"
}

搜索关键字”新希望牛奶“：

POST http://localhost:9200/ware_index/ware/_search
{
	"query":{
		"match":{
			"title":"新希望牛奶"
		}
	}
}

搜索结果出现了刚插入的2条，显然第二条”春秋上新短袖“并不是我们想要的结果。出现这种问题的原因同样是因为分词的问题，在ik插件的词库中并没有"新希望"一词，所以它会把搜索的关键词"新希望"拆分为"新"和"希望"，同样在"春秋上新短袖"中"新"也并没有组合成其它词语，它也被单独拆成了"新"，这就造成了上述结果。解决这个问题的办法当然可以在ik插件中新增"新希望"词语，如果我们在分词中所做的那样，但也有其它的办法。

短语查询

match_phrase，短语查询，它会将搜索关键字"新希望牛奶"拆分成一个词项列表"新 希望 牛奶"，对于搜索的结果需要完全匹配这些词项，且位置对应，本例中的"新希望牛奶"文档数据从词项和位置上完全对应，故通过match_phrase短语查询可搜索出结果，且只有一条数据。

POST http://localhost:9200/ware_index/ware/_search
{
    "query":{
        "match_phrase":{
            "title":"新希望牛奶"
        }
    }
}

尽管这能满足我们的搜索结果，但是用户实际在搜索中常常可能是"牛奶 新希望"这样的顺序，但遗憾的是根据match_phrase短语匹配的要求是需要被搜索的文档需要完全匹配词项且位置对应，关键字"牛奶 新希望"被解析成了"牛奶 新 希望"，尽管它与"新希望牛奶"词项匹配但位置没有对应，所以并不能搜索出任何结果。同理，此时如果我们插入"新希望的牛奶"数据时，无论是搜索"新希望牛奶"还是"牛奶新希望"均不能搜索出"新希望的牛奶"结果，前者的关键字是因为词项没有完全匹配，后者的关键字是因为词项和位置没有完全匹配。

所以match_phrase也没有达到完美的效果。

短语前缀查询

match_phrase_prefix，短语前缀查询，类似MySQL中的like "新希望%"，它大体上和match_phrase_prefix一致，也是需要满足文档数据和搜索关键字在词项和位置上保持一致，同样如果搜索"牛奶新希望"也不会出现任何结果。它也并没有达到我们想要的结果。

最低匹配度

前面两种查询中虽然能通过"新希望牛奶"搜索到我们想要的结果，但是对于"牛奶 新希望"却无能为力。接下来的这种查询方式能"完美"的达到我们想要的效果。

先来看最低匹配度的查询示例：

POST http://localhost:9200/ware_index/ware/_search
{
    "query": {
        "match": {
            "title": {
                "query": "新希望牛奶",
                "minimum_should_match": "80%"
            }
        }
    }
}

minimum_should_match即最低匹配度。"80%"代表什么意思呢？还是要从关键字"新希望牛奶"被解析成哪几个词项说起，前面说到"新希望牛奶"被解析成"新 希望 牛奶"三个词项，如果通过match搜索，则含有"新"的数据同样出现在搜索结果中。"80%"的含义则是3个词项必须至少匹配80% * 3 = 2.4个词项才会出现在搜索结果中，向下取整为2，即搜索的数据中需要至少包含2个词项。显然，"春秋上新短袖"只有1个词项，不满足最低匹配度2个词项的要求，故不会出现在搜索结果中。

同样，如果搜索"牛奶 新希望"也是上述的结果，它并不是短语匹配，所以并不会要求词项所匹配的位置相同。

可以推出，如果"minimum_should_match":"100%"也就是要求完全匹配，此时要求数据中包含所有的词项，这样会出现较少的搜索结果；如果"minimun_should_match:0"此时并不代表一个词项都可以不包含，而是只需要有一个词项就能出现在搜索结果，实际上就是默认的match搜索，这样会出现较多的搜索结果。

找到一个合适的值，就能有一个较好的体验，根据二八原则，以及实践表明，设置为"80%"能满足大部分场景，既不会多出无用的搜索结果，也不会少。

第九章-Java客户端（下）

基于Java客户端（上），本文不再赘述如何创建一个Spring Data ElasticSearch工程，也不再做过多文字叙述。更多的请一定配合源码使用，源码地址https://github.com/yu-linfeng/elasticsearch6.x_tutorial/tree/master/code/spring-data-elasticsearch，具体代码目录在complex包。

本章请一定结合代码重点关注如何如何通过Java API进行父子文档的数据插入，以及查询。

父子文档的数据插入

父子文档在ES中存储的格式实际上是以键值对方式存在，例如在定义映射Mapping时，我们将子文档定义为：

{
    ......
    "level":{
        "type":"join",
        "relations":{
				    "superior":"staff",
            "staff":"junior"
        }
    }
    ......
}

在写入一条数据时：

{
    ......
    "level":{
        "name":"staff",
        "parent":"1"
    }
    ......
}

对于于Java实体，我们可以把level字段设置为Map<String, Object>类型。关键注意的是，在使用Spring Data ElasticSearch时，我们不能直接调用sava或者saveAll方法。ES规定父子文档必须属于同一分片，也就是说在写入子文档时，需要定义routing参数。下面是代码节选：

BulkRequestBuilder bulkRequestBuilder = client.prepareBulk();
bulkRequestBuilder.add(client.prepareIndex("company", "employee", employeePO.getId()).setRouting(routing).setSource(mapper.writeValueAsString(employeePO), XContentType.JSON)).execute().actionGet();

一定参考源码一起使用。

ES实在是一个非常强大的搜索引擎。能力有限，实在不能将所有的Java API一一举例讲解，如果你在编写代码时，遇到困难也请联系作者邮箱hellobug at outlook.com，或者通过公众号coderbuff，解答得了的一定解答，解答不了的一起解答。

关注公众号：CoderBuff，回复“es”获取《ElasticSearch6.x实战教程》完整版PDF。

这是一个能给程序员加buff的公众号 （CoderBuff）
posted @ 2019-07-23 00:14  OKevin  阅读(2087)  评论(0)  编辑  收藏  举报