Looly · 更新于 2018-11-28 11:00:43

查找准确值

对于准确值,你需要使用过滤器。过滤器的重要性在于它们非常的快。它们不计算相关性(避过所有计分阶段)而且很容易被缓存。我们今后再来讨论过滤器的性能优势【过滤器缓存】,现在,请先记住尽可能多的使用过滤器。

用于数字的 term 过滤器

我们下面将介绍 term 过滤器,首先因为你可能经常会用到它,这个过滤器旨在处理数字,布尔值,日期,和文本。

我们来看一下例子,一些产品最初用数字来索引,包含两个字段 priceproductID

POST /my_store/products/_bulk
{ "index": { "_id": 1 }}
{ "price" : 10, "productID" : "XHDK-A-1293-#fJ3" }
{ "index": { "_id": 2 }}
{ "price" : 20, "productID" : "KDKE-B-9947-#kL5" }
{ "index": { "_id": 3 }}
{ "price" : 30, "productID" : "JODL-X-1937-#pV7" }
{ "index": { "_id": 4 }}
{ "price" : 30, "productID" : "QQPX-R-3956-#aD8" }

我们的目标是找出特定价格的产品。假如你有关系型数据库背景,可能用 SQL 来表现这次查询比较熟悉,它看起来像这样:

SELECT document
FROM   products
WHERE  price = 20

在 Elasticsearch DSL 中,我们使用 term 过滤器来实现同样的事。term 过滤器会查找我们设定的准确值。term 过滤器本身很简单,它接受一个字段名和我们希望查找的值:

{
    "term" : {
        "price" : 20
    }
}

term 过滤器本身并不能起作用。像在【查询 DSL】中介绍的一样,搜索 API 需要得到一个查询语句,而不是一个 过滤器。为了使用 term 过滤器,我们需要将它包含在一个过滤查询语句中:

GET /my_store/products/_search
{
    "query" : {
        "filtered" : { <1>
            "query" : {
                "match_all" : {} <2>
            },
            "filter" : {
                "term" : { <3>
                    "price" : 20
                }
            }
        }
    }
}

`filtered` 查询同时接受 `query` 与 `filter`。 `match_all` 用来匹配所有文档,这是默认行为,所以在以后的例子中我们将省略掉 `query` 部分。 这是我们上面见过的 `term` 过滤器。注意它在 `filter` 分句中的位置。 执行之后,你将得到预期的搜索结果:只能文档 2 被返回了(因为只有 `2` 的价格是 `20`): ```json "hits" : [ { "_index" : "my_store", "_type" : "products", "_id" : "2", "_score" : 1.0, "_source" : { "price" : 20, "productID" : "KDKE-B-9947-#kL5" } } ] ``` 过滤器不会执行计分和计算相关性。分值由 `match_all` 查询产生,所有文档一视同仁,所有每个结果的分值都是 `1` #### 用于文本的 `term` 过滤器 像我们在开头提到的,`term` 过滤器可以像匹配数字一样轻松的匹配字符串。让我们通过特定 UPC 标识码来找出产品,而不是通过价格。如果用 SQL 来实现,我们可能会使用下面的查询: ```sql SELECT product FROM products WHERE productID = "XHDK-A-1293-#fJ3" ``` 转到查询 DSL,我们用 `term` 过滤器来构造一个类似的查询: ```json GET /my_store/products/_search { "query" : { "filtered" : { "filter" : { "term" : { "productID" : "XHDK-A-1293-#fJ3" } } } } } ``` 有点出乎意料:我们没有得到任何结果值!为什么呢?问题不在于 `term` 查询;而在于数据被索引的方式。如果我们使用 `analyze` API,我们可以看到 UPC 被分解成短小的表征: ```json GET /my_store/_analyze?field=productID XHDK-A-1293-#fJ3 ``` ```json { "tokens" : [ { "token" : "xhdk", "start_offset" : 0, "end_offset" : 4, "type" : "", "position" : 1 }, { "token" : "a", "start_offset" : 5, "end_offset" : 6, "type" : "", "position" : 2 }, { "token" : "1293", "start_offset" : 7, "end_offset" : 11, "type" : "", "position" : 3 }, { "token" : "fj3", "start_offset" : 13, "end_offset" : 16, "type" : "", "position" : 4 } ] } ``` 这里有一些要点: * 我们得到了四个分开的标记,而不是一个完整的标记来表示 UPC。 * 所有的字符都被转为了小写。 * 我们失去了连字符和 `#` 符号。 所以当我们用 `XHDK-A-1293-#fJ3` 来查找时,得不到任何结果,因为这个标记不在我们的倒排索引中。相反,那里有上面列出的四个标记。 显然,在处理唯一标识码,或其他枚举值时,这不是我们想要的结果。 为了避免这种情况发生,我们需要通过设置这个字段为 `not_analyzed` 来告诉 Elasticsearch 它包含一个准确值。我们曾在【自定义字段映射】中见过它。为了实现目标,我们要先删除旧索引(因为它包含了错误的映射),并创建一个正确映射的索引: ```json DELETE /my_store PUT /my_store { "mappings" : { "products" : { "properties" : { "productID" : { "type" : "string", "index" : "not_analyzed" } } } } } ``` 必须首先删除索引,因为我们不能修改已经存在的映射。 删除后,我们可以用自定义的映射来创建它。 这里我们明确表示不希望 `productID` 被分析。 现在我们可以继续重新索引文档: ```json POST /my_store/products/_bulk { "index": { "_id": 1 }} { "price" : 10, "productID" : "XHDK-A-1293-#fJ3" } { "index": { "_id": 2 }} { "price" : 20, "productID" : "KDKE-B-9947-#kL5" } { "index": { "_id": 3 }} { "price" : 30, "productID" : "JODL-X-1937-#pV7" } { "index": { "_id": 4 }} { "price" : 30, "productID" : "QQPX-R-3956-#aD8" } ``` 现在我们的 `term` 过滤器将按预期工作。让我们在新索引的数据上再试一次(注意,查询和过滤都没有修改,只是数据被重新映射了)。 ```json GET /my_store/products/_search { "query" : { "filtered" : { "filter" : { "term" : { "productID" : "XHDK-A-1293-#fJ3" } } } } } ``` `productID` 字段没有经过分析,`term` 过滤器也没有执行分析,所以这条查询找到了准确匹配的值,如期返回了文档 1。 #### 内部过滤操作 Elasticsearch 在内部会通过一些操作来执行一次过滤: 1. _查找匹配文档_。 `term` 过滤器在倒排索引中查找词 `XHDK-A-1293-#fJ3`,然后返回包含那个词的文档列表。在这个例子中,只有文档 1 有我们想要的词。 2. _创建字节集_ 然后过滤器将创建一个 _字节集_ —— 一个由 1 和 0 组成的数组 —— 描述哪些文档包含这个词。匹配的文档得到 `1` 字节,在我们的例子中,字节集将是 `[1,0,0,0]` 3. _缓存字节集_ 最后,字节集被储存在内存中,以使我们能用它来跳过步骤 1 和 2。这大大的提升了性能,让过滤变得非常的快。 当执行 `filtered` 查询时,`filter` 会比 `query` 早执行。结果字节集会被传给 `query` 来跳过已经被排除的文档。这种过滤器提升性能的方式,查询更少的文档意味着更快的速度。

上一篇: 结构化搜索 下一篇: 组合过滤