Elasticsearch 搜索（网转）

本文主要介绍 ElasticSearch 搜索相关的知识，首先会介绍下 URI Search 和 Request Body Search，同时也会学习什么是搜索的相关性，如何衡量相关性。

Search API

我们可以把 ES 的 Search API 分为两大类，第一类是 URI Search，用 HTTP GET 的方式在 URL 中使用查询参数已达到查询的目的；另一类为 Request Body Search，可以使用 ES 提供的基于 JSON 格式的格式更加完备的查询语言 Query DSL（Domain Specific Language）

语法	范围
/_search	集群上所有的索引
/jvm/_search	jvm
/jvm,sql/_search	jvm 和 sql
/jvm*/_search	以 jvm 开头的索引

在查询的时候需要通过 _search 来标明这个请求为搜索请求，同时可以指定 index，也可以指定多个 index，也可以使用通配符的方式对 index 进行搜索。

下面来看下 URI Search：

URI Search

GET /users/_search?q=username:wupx

URI Search 使用的是 GET 方式，其中 q 指定查询语句，语法为 Query String Syntax，是 KV 键值对的形式；上面的请求表示对 username 字段进行查询，查询包含 wupx 的所有文档。

URI Search 有很多参数可以指定，除了 q 还有如下参数：

• df：默认字段，不指定时会对所有字段进行查询
• sort：根据字段名排序
• from：返回的索引匹配结果的开始值，默认为 0
• size：搜索结果返回的条数，默认为 10
• timeout：超时的时间设置
• fields：只返回索引中指定的列，多个列中间用逗号分开
• analyzer：当分析查询字符串的时候使用的分词器
• analyze_wildcard：通配符或者前缀查询是否被分析，默认为 false
• explain：在每个返回结果中，将包含评分机制的解释
• _source：是否包含元数据，同时支持 _source_includes 和 _source_excludes
• lenient：若设置为 true，字段类型转换失败的时候将被忽略，默认为 false
• default_operator：默认多个条件的关系，AND 或者 OR，默认为 OR
• search_type：搜索的类型，可以为 dfs_query_then_fetch 或 query_then_fetch，默认为 query_then_fetch

在了解了基本的查询参数后，让我们先来看下什么是指定字段查询和什么是泛查询？

比如 GET /movies/_search?q=2012&df=title 这个例子就是指定字段查询，同样 GET /movies/_search?q=title:2012 也可以达到指定字段查询的目的。

再举一个泛查询的例子 GET /movies/_search?q=2012，会对所有字段进行查询。

接下来，看下什么是 Term Query 和 Phrase Query：

比如：Beautiful Mind 等效于 Beautiful OR Mind；"Beautiful Mind"等效于 Beautiful AND Mind，另外还要求前后顺序保存一致。

当为 Term Query 的时候，就需要把这两个词用括号括起来，请求为 GET /movies/_search?q=title:(Beautiful Mind)，意思就是查询 title 中包括 Beautiful 或者 Mind。

当为 Phrase Query 的时候就需要用引号包起来，请求为 GET /movies/_search?q=title:"Beautiful Mind"。

另外还支持布尔操作，比如 AND（&&）、OR（||）、NOT（！），需要注意大写，不能小写。

在这里举一个 NOT 的例子：GET /movies/_search?q=title:(Beautiful NOT Mind)，这个请求表示查询 title 中必须包括 Beautiful 不能包括 Mind 的文档。

URI Search 还包括一些范围查询和数学运算符号，比如指定电影的年份大于 1994：GET /movies/_search?q=year:>=1994。

URI Search 还支持通配符查询（查询效率低，占用内存大，不建议使用，特别是放在最前面），还支持正则表达式，以及模糊匹配和近似查询。

URI Search 好处就是操作简单，只要写个 URI 就可以了，方便测试，但是 URI Search 只包含一部分查询语法，不能覆盖所有 ES 支持的查询语法。

因此让我们来看下 Request Body Search：

Request Body Search

在 ES 中一些高阶用法只能在 Request Body 里做，所以我们尽量使用 Request Body Search，它支持 GET 和 POST 方式对索引进行查询，需要指定操作的索引名称，同样也要通过 _search 来标明这个请求为搜索请求，我们可以在请求体中使用 ES 提供的 DSL，下面这个例子就是简单的 Query DSL：

POST /users/_search
{
    "query": {
        "match_all": {}
    }
}

上面的请求的意思就是把所以的结果都返回。

也可以在 Request Body 中加入 from 和 size 参数以达到分页的效果：

POST /movies/_search
{
  "from":10,
  "size":20,
  "query":{
    "match_all": {}
  }
}

默认 from 从 0 开始，返回 10 个结果，获取靠后的翻页成本较高。

如果想对搜索的结果排序也可以在请求体中加上 sort 参数：

POST /movies/_search
{
  "sort":[{"year":"desc"}],
  "query":{
    "match_all": {}
  }
}

最好在“数字型”与“日期型”字段上排序，因为对于多值类型或者分析过的字段排序，系统会选一个值，无法得知该值。

如果 _source 的数据量比较大，有些字段也不需要拿到这个信息，那么就可以对它的 _source 进行过滤，把需要的信息加到 _source 中，比如以下请求就是 _source 中只返回 title：

POST /movies/_search
{
  "_source":["title"],
  "query":{
    "match_all": {}
  }
}

如果 _source 没有存储，那就只返回匹配的文档的元数据，同时 _source 也支持使用通配符。

接下来介绍下脚本字段，脚本字段可以使用 ES 中的 painless 的脚本去算出一个新的字段结果。

GET /movies/_search
{
  "script_fields": {
    "new_field": {
      "script": {
        "lang": "painless",
        "source": "doc['year'].value+'_hello'"
      }
    }
  },
  "query": {
    "match_all": {}
  }
}

这个例子中就使用 painless 把电影的年份和 _hello 进行拼接形成一个新的字段 new_field。

在上面我们刚介绍了在 URI Search 中的 Term Query 和 Phrase Query，接下来让我们看下 Request Body 中是怎么做的吧！

在此之前先来插播一条小知识-字段类查询，字段类查询主要包括以下两类：

• 全文匹配：针对 text 类型的字段进行全文检索，会对查询语句先进行分词处理，如 match，match_phrase 等 query 类型
• 单词匹配：不会对查询语句做分词处理，直接去匹配字段的倒排索引，如 term，terms，range 等 query 类型

好了，现在我们来接着往下看。

可以在 Request Body 中使用在 query match 的方式把信息填在里面，我们先来看下 Match Query，比如下面这个例子，填入两个单词，默认是 wupx or huxy 的查询条件，如果想查询两者同时出现，可以通过加 "operator": "and" 来实现。

POST /users/_search
{
  "query": {
    "match": {
      "title": "wupx huxy"
      "operator": "and"
    }
  }
}

我们通过一张图来看下 Match Query 的流程：

 

首先对查询语句进行分词，分成 wupx 和 huxy 两个 Term，然后 ES 会拿到 username 的倒排索引，对 wupx 和 huxy 去进行匹配的算分，比如 wupx 对应的文档是 1 和 2，huxy 对应的文档为 1，然后 ES 会利用算分算法（比如 TF/IDF 和 BM25，BM25 模型 5.x 之后的默认模型）列出文档跟查询的匹配得分，然后 ES 会对 wupx huxy 的文档的得分结果做一个汇总，最终根据得分排序，返回匹配文档。

Request Body 中还支持 Match Phrase 查询，但在 query 条件中的词必须顺序出现的，可以通过 slop 参数控制单词间的间隔，比如加上 "slop" :1，表示中间可以有一个其他的字符。

首先对查询语句进行分词，分成 wupx 和 huxy 两个 Term，然后 ES 会拿到 username 的倒排索引，对 wupx 和 huxy 去进行匹配的算分，比如 wupx 对应的文档是 1 和 2，huxy 对应的文档为 1，然后 ES 会利用算分算法（比如 TF/IDF 和 BM25，BM25 模型 5.x 之后的默认模型）列出文档跟查询的匹配得分，然后 ES 会对 wupx huxy 的文档的得分结果做一个汇总，最终根据得分排序，返回匹配文档。

Request Body 中还支持 Match Phrase 查询，但在 query 条件中的词必须顺序出现的，可以通过 slop 参数控制单词间的间隔，比如加上 "slop" :1，表示中间可以有一个其他的字符。

POST /movies/_search
{
  "query": {
    "match_phrase": {
      "title":{
        "query": "one love"
        "slop":1
      }
    }
  }
}

了解完 Match Query，让我们再来看下 Term Query：

如果不希望 ES 对输入语句作分词处理的话，可以用 Term Query，将查询语句作为整个单词进行查询，使用方法和 Match 类似，只需要把 match 换为 term 就可以了，如下所示：

POST /users/_search
{
  "query": {
    "term": {
        "username":"wupx"
    }
  }
}

Terms Query 顾名思义就是一次可以传入多个单词进行查询，关键词是 terms，如下所示：

POST /users/_search
{
  "query": {
    "terms": {
      "username": [
        "wupx",
        "huxy"
      ]
    }
  }
}

另外 DSL 还支持特定的 Query String 的查询，比如指定默认查询的字段名 default_field 就和前面介绍的 df 是一样的，在 query 中也可以使用 AND 来实现一个与的操作。

POST users/_search
{
  "query": {
    "query_string": {
      "default_field": "username",
      "query": "wupx AND huxy"
    }
  }
}

下面来看下 Simple Query String Query，它其实和 Query String 类似，但是会忽略错误的查询语法，同时只支持部分查询语法，不支持 AND OR NOT，会当作字符串处理，Term 之间默认的关系是 OR，可以指定 default_operator 来实现 AND 或者 OR，支持用 + 替代 AND，用 | 替代 OR，用 - 替代 NOT。

下面这个例子就是查询 username 字段中同时包含 wu 和px 的请求：

{
  "query": {
    "simple_query_string": {
      "query": "wu px",
      "fields": ["username"],
      "default_operator": "AND"
    }
  }
}

到此为止，我们就对 DSL 做了个简单介绍，更高阶的 DSL 会在以后的文章中进行介绍。

然后，我们来看下请求后返回的结果 Response 长什么样吧！

Response

{
  "took" : 1,
  "timed_out" : false,
  "_shards" : {
    "total" : 1,
    "successful" : 1,
    "skipped" : 0,
    "failed" : 0
  },
  "hits" : {
    "total" : {
      "value" : 1,
      "relation" : "eq"
    },
    "max_score" : 0.9808292,
    "hits" : [
      {
        "_index" : "users",
        "_type" : "_doc",
        "_id" : "1",
        "_score" : 0.9808292,
        "_source" : {
          "username" : "wupx",
          "age" : "18"
        }
      }
    ]
  }
}

其中 took 表示花费的时间；total 表示符合条件的总文档数；hits 为结果集，默认是前 10 个文档；_index 为索引名；_id 为文档 id；_score 为相关性评分；_source 为文档的原始信息。

搜索的相关性（Relevance）

那么我们平时在搜索的时候，比如输入小米手机，会返回很多结果，从用户角度关心的有：是否找到所有相关的内容，有多少不相关的内容被返回了，比如输入的小米手机的时候不应该返回粮食的小米给用户，同时文档应该按照打分的方式进行排序，也就是搜索结果中的 _score，另外，搜索引擎需要结合业务需求，平衡结果排名。

如何评估相关性？

在信息检索学中对相关性是有指标去评估的，第一个是查准率（Precision），具体含义是尽可能返回较少的无关文档给用户；第二个为查全率（Recall），也就是尽量返回较多的相关文档；第三个为是否能够按照相关度进行排序（Ranking）。

下面通过一张图来对查准率和查全率有一个更形象的理解：

 

其中黄色的三角形代表不相关的内容，绿色的圆代表相关的内容；在搜索结果中，黄色的三角形起名为 False Positive（纳伪，简写 fp），通常称作误报，绿色的圆起名为 True Positive（纳真，简写 tp）；在没有被搜索到的范围中，绿色的圆的起名为 False Negatives（去真，简写 fn），也常称作漏报，黄色的三角形起名为 True Negative（去伪，简写 tn）。

那么我们可以得到：

• 查准率等于正确的搜索结果除以全部返回的结果，即 Precision = tp / ( tp + fp )
• 查全率等于正确的搜索结果除以所有应该返回的结果，即 Recall = tp / ( tp + fn )

在 ES 中提供了许多的查询相关参数来改善搜索的 Precision 和 Recall。

总结

本文主要简单介绍了 ES Search API 的两种形式，学习了 URI Search 的基本方法，还学习了 Term Search 和 Phrase Search 的区别，同时介绍了什么叫搜索相关性，以及如何评估相关性。

参考文献

《Elasticsearch技术解析与实战》

Elastic Stack从入门到实践

Elasticsearch顶尖高手系列

Elasticsearch核心技术与实战

https://www.elastic.co/guide/en/elasticsearch/reference/7.1/search.html