【ElasticSearch】 全文搜索（七）

全文搜索介绍

　　全文搜索两个最重要的方面是:

• 相关性(Relevance) 它是评价查询与其结果间的相关程度，并根据这种相关程度对结果排名的一种能力，这 种计算方式可以是 TF/IDF 方法、地理位置邻近、模糊相似，或其他的某些算法。
• 分词(Analysis) 它是将文本块转换为有区别的、规范化的 token 的一个过程，目的是为了创建倒排索引以及 查询倒排索引。

数据准备

　　本例使用ES版本为7.6.1

　　1、创建索引

PUT /user

{
    "settings": {
        "index": {
            "number_of_shards": "1",
            "number_of_replicas": "0"
        }
    },
    "mappings": {
        "properties": {
            "name": {
                "type": "text"
            },
            "age": {
                "type": "integer"
            },
            "mail": {
                "type": "keyword"
            },
            "hobby": {
                "type": "text",
                "analyzer": "ik_max_word"
            }
        }
    }
}

　　2、插入数据

POST /user/_bulk

{"index":{"_index":"user"}
{"name":"张三","age": 20,"mail": "111@qq.com","hobby":"羽毛球、乒乓球、足球"} 
{"index":{"_index":"user"}
{"name":"李四","age": 21,"mail": "222@qq.com","hobby":"羽毛球、乒乓球、足球、篮球"} 
{"index":{"_index":"user"}
{"name":"王五","age": 22,"mail": "333@qq.com","hobby":"羽毛球、篮球、游泳、听音乐"} 
{"index":{"_index":"user"}
{"name":"赵六","age": 23,"mail": "444@qq.com","hobby":"跑步、游泳、篮球"} 
{"index":{"_index":"user"}
{"name":"孙七","age": 24,"mail": "555@qq.com","hobby":"听音乐、看电影、羽毛球"}

　　3、效果如下：

　　　　

搜索

1、单词搜索

　　示例：

POST /user/_search

{
    "query": {
        "match": {
            "hobby": "音乐"
        }
    },
    "highlight": {
        "fields": {
            "hobby": {}
        }
    }
}

　　效果如下：

　　

　　过程说明:

1. 检查字段类型
   爱好 hobby 字段是一个 text 类型( 指定了IK分词器)，这意味着查询字符串本身也应该被分词。

2. 分析查询字符串 。
   将查询的字符串 “音乐” 传入IK分词器中，输出的结果是单个项 音乐。因为只有一个单词项，所以 match 查询执行的是单个底层 term 查询。

3. 查找匹配文档 。
   用 term 查询在倒排索引中查找 “音乐” 然后获取一组包含该项的文档，本例的结果是文档:3 、5 。

4. 为每个文档评分 。
   用 term 查询计算每个文档相关度评分 _score ，这是种将 词频(term frequency，即词 “音乐” 在相关文档的 hobby 字段中出现的频率)和
   反向文档频率(inverse document frequency，即词 “音乐” 在所有文档的 hobby 字段中出现的频率)，
   以及字段的长度(即字段越短相关度越高)相结合的计算方式。

2、多词搜索

　　示例：

POST /user/_search

{
    "query": {
        "match": {
            "hobby": "音乐 篮球"
        }
    },
    "highlight": {
        "fields": {
            "hobby": {}
        }
    }
}

　　效果如下：

　　

　　可以看到，包含了“音乐”、“篮球”的数据都已经被搜索到了。 可是，搜索的结果并不符合我们的预期，因为我们想搜索的是既包含“音乐”又包含“篮球”的用户，显然结果返回

的“或”的关系。

　　在Elasticsearch中，可以指定词之间的逻辑关系，如下:

　　and关系示例：

POST /user/_search

{
    "query": {
        "match": {
            "hobby": {
                "query": "音乐 篮球",
                "operator": "and"
            }
        }
    },
    "highlight": {
        "fields": {
            "hobby": {}
        }
    }
}

　　or关系示例：

POST /user/_search

{
    "query": {
        "match": {
            "hobby": {
                "query": "音乐 篮球",
                "operator": "or"
            }
        }
    },
    "highlight": {
        "fields": {
            "hobby": {}
        }
    }
}

　　前面我们测试了“OR” 和 “AND”搜索，这是两个极端，其实在实际场景中，并不会选取这2个极端，更有可能是选取这 种，或者说，只需要符合一定的相似度就可以查询到数据，在Elasticsearch中也支持这样的查询，通过 minimum_should_match来指定匹配度，如:70%;

　　minimum_should_match关系示例

POST /user/_search

{
    "query": {
        "match": {
            "hobby": {
                "query": "音乐 篮球",
                "minimum_should_match": "80%"
            }
        }
    },
    "highlight": {
        "fields": {
            "hobby": {}
        }
    }
}

 　　相似度应该多少合适，需要在实际的需求中进行反复测试，才可得到合理的值。

3、组合搜索

　　在搜索时，也可以使用过滤器中讲过的bool组合查询，示例:

POST /user/_search

{
    "query": {
        "bool": {
            "must": {
                "match": {
                    "hobby": "篮球"
                }
            },
            "must_not": {
                "match": {
                    "hobby": "音乐"
                }
            },
            "should": [
                {
                    "match": {
                        "hobby": "游泳"
                    }
                }
            ]
        }
    },
    "highlight": {
        "fields": {
            "hobby": {}
        }
    }
}

　　上面搜索的意思是:

　　　　搜索结果中必须包含篮球，不能包含音乐，如果包含了游泳，那么它的相似度更高。

　　效果如下：

　　　　

　　评分的计算规则

　　　　bool 查询会为每个文档计算相关度评分 _score ， 再将所有匹配的 must 和 should 语句的分数 _score 求和，最后除以 must 和 should 语句的总数。

　　　　must_not 语句不会影响评分; 它的作用只是将不相关的文档排除。

 　　默认情况下，should中的内容不是必须匹配的，如果查询语句中没有must，那么就会至少匹配其中一个。

　　当然了， 也可以通过minimum_should_match参数进行控制，该值可以是数字也可以的百分比。

4、权重

　　有些时候，我们可能需要对某些词增加权重来影响该条数据的得分。如下:

　　搜索关键字为“游泳篮球”，如果结果中包含了“音乐”权重为10，包含了“跑步”权重为2。

POST /user/_search

{
    "query": {
        "bool": {
            "must": {
                "match": {
                    "hobby": {
                        "query": "游泳篮球",
                        "operator": "and"
                    }
                }
            },
            "should": [
                {
                    "match": {
                        "hobby": {
                            "query": "音乐",
                            "boost": 10
                        }
                    }
                },
                {
                    "match": {
                        "hobby": {
                            "query": "跑步",
                            "boost": 2
                        }
                    }
                }
            ]
        }
    },
    "highlight": {
        "fields": {
            "hobby": {}
        }
    }
}

　　效果如下：