“ElasticSearch查询：全文搜索”的版本间差异

2021年5月21日 (五) 00:07的版本

关于

全文搜索是 ES 的关键特性之一，平时我们使用 SQL 的 like 语句，搜索一些文本、字符串是否包含指定的关键词。

但是如果两篇文章，都包含我们的关键词，具体那篇文章内容的相关度更高？ 这是 SQL 的 like 语句是做不到的，更别说 like 语句的性能问题了。

ES 通过分词处理、相关度计算可以解决这个问题。

ES 内置了一些相关度算法，例如：TF/IDF 算法，大体上思想就是：如果一个关键词在一篇文章出现的频率高，并且在其他文章中出现的少，那说明这个关键词与这篇文章的相关度很高。

与 SQL 的差异

SQL 中也有全文索引（通过倒排索引），也有 like 进行模糊查询。

但是：

如上所述，对于同一个关键词，两个 text 记录的相关度是 SQL 不能判断的；
SQL 的性能问题：仅使用服务器认为代价最低的那个索引。所以不能保证全部条件都能够用到索引来优化。

分词的目的

主要就是为了提取搜索关键词，理解搜索的意图。

在进行搜索内容的时候，输入的内容可能很长，但不是每个字都对搜索有帮助，所以通过分词算法，输入的关键词会进一步分解成多个关键词。

例如：搜索输入“上海陆家嘴在哪里？”，分词算法可能分解出：“上海、陆家嘴、哪里”，具体会分解出什么关键词，跟具体的分词算法有关。

默认全文搜索

默认情况下，使用全文搜索很简单，只要将字段类型定义为 text 类型，然后用 match 语句匹配即可。

ES 对于 text 类型的字段，在插入数据的时候，会进行分词处理，然后根据分词的结果索引文档。当我们搜索 text 类型字段的时候，也会先对搜索关键词进行分词处理、然后根据分词的结果去搜索。
ES 默认的分词器是 standard。
- 对英文比较友好，例如：“hello world”会被分解成“hello”和“world”；
- 但如果是中文会全部分解成单字，例如：“上海大学”会分解成: “上”、“海”、“大”、“学”。

语法：

GET /_analyze
{
   "text": "需要分词的内容",
   "analyzer": "分词器"
}

示例 1：

GET /_analyze
{
  "text": "hello wolrd",
  "analyzer": "standard"
}

输出：

{
  "tokens" : [
    {
      "token" : "hello",
      "start_offset" : 0,
      "end_offset" : 5,
      "type" : "<ALPHANUM>",
      "position" : 0
    },
    {
      "token" : "wolrd",
      "start_offset" : 6,
      "end_offset" : 11,
      "type" : "<ALPHANUM>",
      "position" : 1
    }
  ]
}

token 就是分解出来的关键词。

示例 2：

GET /_analyze
{
  "text": "上海大学",
  "analyzer": "standard"
}

输出：

{
  "tokens" : [
    {
      "token" : "上",
      "start_offset" : 0,
      "end_offset" : 1,
      "type" : "<IDEOGRAPHIC>",
      "position" : 0
    },
    {
      "token" : "海",
      "start_offset" : 1,
      "end_offset" : 2,
      "type" : "<IDEOGRAPHIC>",
      "position" : 1
    },
    {
      "token" : "大",
      "start_offset" : 2,
      "end_offset" : 3,
      "type" : "<IDEOGRAPHIC>",
      "position" : 2
    },
    {
      "token" : "学",
      "start_offset" : 3,
      "end_offset" : 4,
      "type" : "<IDEOGRAPHIC>",
      "position" : 3
    }
  ]
}

中文分词器

不过 ES 支持安装分词插件，增加新的分词器。

目前中文分词器比较常用的有：smartcn 和 ik 两种。

指定 analyzer

默认的分词器不满足需要，可以在定义索引映射的时候，指定 text 字段的分词器（analyzer）。

示例：

PUT /article
{
  "mappings": {
    "properties": {
      "title":   { 
          "type": "text",
          "analyzer": "smartcn"
      }
    }
  }
}

smartcn 分词器

smartcn 是目前 ES 官方推荐的中文分词插件，不过目前不支持自定义词库。

smartcn 的分词器名字就叫做：smartcn

插件安装：

{ES安装目录}/bin/elasticsearch-plugin install analysis-smartcn

安装完成后，重启 ES 即可。

示例：

GET /_analyze
{
  "text": "红烧牛肉面",
  "analyzer": "smartcn"
}

输出：

{
  "tokens" : [
    {
      "token" : "红烧",
      "start_offset" : 0,
      "end_offset" : 2,
      "type" : "word",
      "position" : 0
    },
    {
      "token" : "牛肉面",
      "start_offset" : 2,
      "end_offset" : 5,
      "type" : "word",
      "position" : 1
    }
  ]
}

ik 分词器

ik 支持自定义扩展词库：有时候分词的结果不满足我们业务需要，需要根据业务设置专门的词库，词库的作用就是自定义一批关键词，分词的时候优先根据词库设置的关键词分割内容。

例如：词库中包含 “上海大学” 关键词，如果对“上海大学在哪里？”进行分词，“上海大学” 会做为一个整体被切割出来。

ik 分词插件支持两种分词器：

ik_smart：粗粒度的分词；
ik_max_word：尽可能的枚举可能的关键词；