改正用户拼写
Term suggester：词项匹配建议；可以通过wiki的插件来下载wiki上面的单词以及短语，来作为你的拼写提示基础仓库；
Phrase suggester：n-gram算法，短语匹配；
Complete suggester：prefix匹配；内置了FST（Finite State Tranduter）数据结构，实现快速检索，自动完成后续字符填充；但是这个在实现层面上，对于输入那些内容需要预先指定好，这个工作量可就有点大了，然后指定output，就是这些指定的内容输入后，将会返回这个指定值，感觉不是很智能。
改善查询流程
这个比较干货的内容，这个环节也会整理出来很多小白问题，也是使用ES的基本功。
首先是一个普通的query，想要查询澳大利亚的一个系统：
这里_all代表所有的字段，所有的字段来匹配australian system，比如title，text只要匹配就行；这样明显不是我们需要的，我们需要更加精准的控制。
下面进行优化，就是采用多字段匹配；同时指定多字段匹配的权重：
下一步优化是对于短语匹配的优化：
结果如下：
Australian Antarctic Building System
Australian rating system
Australian Series System
…
匹配方面我们做的差不多了，下一步是排序以及过滤问题，我们希望第二个，第三个这种的，能够排在第一个前面；看到这里，想到了通过设定距离来实现，
通过指定了slop来限定了词项间的距离为1，这样查询结果如下：
Australian Honours System
Australian honours system
Wikipedia:Articles for deletion/Australian university system
Australian rating system
…
这里科普一下，must代表必须满足，should代表里面的查询从句只需要自定的数量即可，默认是1个，可以通过mini_should_match参数来指定；不过最终must和should子句的关系是"AND"就是must要满足，同时should中指定从句数量要满足；是"AND"关系。
然后是过滤一下文档，包括从定向页面（wiki的重定向页面并不是最终页面，所以可以忽略）以及特殊页面（通常都是已经删除的页面）
在query同级别，添加一个filter即可，过滤器查询还快，因为没有评分：
最后，我们为match_phrase增加boost，提升他的评分：
替换：
为
这样title满足短语匹配的文档将会获得高分，作为高分显示出来。
当然，还可以继续优化，比如增加错误拼写文字的建议之类。
回过头来，我们再来梳理一下优化的全过程，首先我们针对一个普通全字段查询：
- 优化为多匹配并指定权重查询，让title的词项匹配满足的拥有高权重；
- 增加了短语匹配，令满足短语的title和text匹配的至少一个；
- 然后增加了距离敏感处理，让短语之间间隔单词为1的数据留下；
- 对于数据进行一下清洗（这一步其实可以提前做），对于redirect和特殊的文档进行过滤；
- 最后，对于短语匹配通过增加boost来为其进行提高分数，提分这种的，是优化的最后一步，对于查询各个环境尽心梳理，哪些条件是可以提高其权重的（第一条是提高词项匹配的权重，这个则是对短语匹配的提高权重）；
总结
数据清洗，过滤掉不要的数据（通常最先来做，避免后续查询还要为无效文档计算评分）；
词项优化，指定字段的优先级；
短语优化，指定短语匹配，设置距离以及短语权重（boost）；