Elasticsearch Query DSL之全文检索(Full text queries)下篇
本文将继续介绍Elasticsearch Query DSL之全文检索(Full text queries)方式的后3种。
- common terms query
- query_string query
- simple_query_string query
5、common terms query
该查询模式的定位：排除停用词或高频词对文档的匹配影响。提高文档匹配的精确度，同时不对性能产生影响。
我们来看一个停用词（高频词）对文档过滤帅选带来的影响：
查询字符串中的每个词根都有搜索成本。搜索“the brown fox”需要三个词根查询，分别为“The”、“brown”和“fox”，所有这些查询都是针对索引中的所有文档执行的。对于“The”的查询可能匹配许多文档，因此对相关性的影响要比其他两个术语小得多。
一种解决这个问题的方法是忽略高频项。通过将“the”视为stopword（停用词），我们可以减少索引大小，并减少需要执行的词根查询的数量。这种方法的问题在于，尽管停用词对相关性的影响很小，但它们仍然很重要。如果我们去掉stopwords，我们就会失去精确性(比如我们无法区分“快乐”和“不快乐”)，我们就会失去回忆(比如像“The The The”或“to be or not to be”这样的文本就不会存在于索引中)。
本文将介绍另外一种方式来解决上述问题：
common terms query将查询词根分为两组:更重要的(即低频词根)和不那么重要的(即高频词根，以前应该是停用词)，其工作方式如下：
首先，它搜索与更重要的词根(低频词)匹配的文档。这些术语出现在较少的文档中，对相关性的影响更大，性能更好。
然后，它对不太重要的词根(高频词)执行第二个查询。但是它并不会计算所有匹配（匹配高频词的所有文档）文档的相关得分，而是只计算第一个查询已经匹配的文档的_score。通过这种方式，高频项可以在不付出性能差的代价的情况下改进关联计算（低频词、高频次相互关联）。
如果查询只包含高频术语，那么一个查询将作为AND(连接)查询执行，换句话说，所有的词根都必须满足。尽管每个单独的词根将匹配许多文档，但术语组合将结果集缩小到最相关的部分，当然单个查询也可以指定至少多少个词根匹配即可（minimum_should_match）。
词根根据cutoff_frequency被分配给高频或低频组，可以指定为绝对频率(>=1)或相对频率(0.0)。1.0)。
5.1 示例详解
5.1.1 简单使用说明
GET /_search { "query": { "common": { "body": { "query": "this is bonsai cool", "cutoff_frequency": 0.001 } } } }
上述查询方式会对查询词根 this、is、bonsai、cool4个词根分词，词根频率小于0.001的bonsail、cool会被当成低频次，而this、is会被设置为高频词组。由于common term query将词根分成了低频组与高频组，故针对match query的operator、minimum_should_match分别由如下四个参数代替：
- low_freq_operator
- high_freq_operator
- minimum_should_match:{low_freq、hign_freq}。
java rest api使用示例如下：
public static void testCommonQuery() { RestHighLevelClient client = EsClient.getClient(); try { SearchRequest searchRequest = new SearchRequest(); searchRequest.indices("esdemo"); SearchSourceBuilder sourceBuilder = new SearchSourceBuilder(); sourceBuilder.query( QueryBuilders.commonTermsQuery("context", "this is brown fox") .cutoffFrequency(0.001f) .highFreqOperator(Operator.OR) .highFreqMinimumShouldMatch("3") .lowFreqOperator(Operator.OR) .lowFreqMinimumShouldMatch("2") ); searchRequest.source(sourceBuilder); SearchResponse result = client.search(searchRequest, RequestOptions.DEFAULT); System.out.println(result); } catch (Throwable e) { e.printStackTrace(); } finally { EsClient.close(client); } }
6、query_string query
查询字符串方式。query_string查询解析器支持对查询字符串按照操作符进行切割，每个部分独立分析，例如：
GET /_search { "query": { "query_string": { "default_field": "content", "query": "(new york city) OR (big apple)" } } }
qquery_string的顶层参数如下：uery_string的顶层参数如下：
query_string的顶层参数如下：
- query 查询字符串
- default_field 默认匹配字段，如果未设置，则为"*"，表示所有的字段，也可通过index.query.default_field来统一配置默认字段
- default_operator 设置默认操作类型，可选值：Operator.OR 和 Operator.AND，默认为Operator.OR
- analyzer 设置分词器
- quote_analyzer 用于分析查询字符串中引用的短语的分析器的名称。对于这些部分，它覆盖了使用analyzer参数或search_quote_analyzer设置设置的其他分析器
- allow_leading_wildcard 是否允许第一个字符为通配符(*或?),默认为允许
- enable_position_increments 是否允许以在结果查询中启用位置增量。默认值为true
- fuzzy_max_expansions 控制模糊匹配的词根的扩展个数，在match phrase prefix的max_expansions已详解，默认为50
- fuzziness 设置为模糊匹配。
- fuzzy_prefix_length 模糊查询设置前缀长度。默认值为0
- fuzzy_transpositions 是否开启模糊互换(ab -> ba)。默认为true
- phrase_slop match_phrase查询的slop。
- boost 设置查询的boost值。默认为1.0
- auto_generate_phrase_queries 是否自动生成短语查询(match_phrase)，默认为false
- analyze_wildcard 默认情况下，查询字符串中的通配符项不会被分析。通过将该值设置为true，还将尽力分析这些值
- max_determinized_states 设置可以创建自动状态机（正则表达式），默认为 10000
- minimum_should_match 具体参考match_query的minimum_should_match
- lenient 是否忽略由于数据类型不匹配引起的异常，默认为false
- time_zone 时区应用于与日期相关的任何范围查询。参见JODA时区
- quote_field_suffix
- auto_generate_synonyms_phrase_query 在使用match_phrase_query查询时开启同义词匹配，默认为true
- all_fields 6.4.0版本后已废弃，使用default_field
6.1 多字段支持（multi field）
query_string支持多字段查询，可通过fields属性指定，例如：
GET /_search { "query": { "query_string" : { "fields" : ["content", "name"], "query" : "this AND that" } } }
其含义类似于："query": "(content:this OR name:this) AND (content:that OR name:that)"。
同时query_string(查询字符串)模式同样支持match_query等查询对应的参数，其工作机制一样，示例如下：
GET /_search
{
"query": {
"query_string" : {
"fields" : ["content", "name^5"],
// "fields" : ["city.*"],
"query" : "this AND that OR thus",
"tie_breaker" : 0,
"type": "best_fields",
"auto_generate_synonyms_phrase_query" : false (同义词synonym机制)
}
}
}
6.2 支持通配符
查询字符串中支持使用通配符?与，其中?表示的单个字符，而表示0个或多个字符。查询字符串使用通配符，可能会消耗更多的内存，查询性能较低下。为了提高通配符效率，如果只是一个的话，命令就会被重写为存在查询（是否存在文档），例如fields:[""]。在关系型数据库中前置通配符(" ab")，这种查询是不支持索引查询的，在es中同样如此，需要遍历索引中所有词根，可以通过allow_leading_wildcard=false来禁用这种查询。通过将analyze_wildcard设置为true，将分析以结尾的查询，并从不同的令牌构建布尔查询，方法是确保第一个N-1令牌上的精确匹配，以及最后一个令牌上的前缀匹配。
6.3 支持正则表达式
正则表达式可以嵌入到查询字符串中，方法是将它们包装成斜杠("/")。注意allow_leading_wildcard无法控制正则表达式的行为。
6.4 邻近查询（可前可后）
虽然短语查询match_phrase(如“john smith”)要求所有的术语都按照完全相同的顺序进行查询，但是接近查询允许指定的单词进一步分开或以不同的顺序进行查询,并且也提供诸如match_query的slop属性。例如："fox quick"~5。
6.5 范围查询
可以为日期、数字或字符串字段指定范围查询。包含范围用方括号[min到max]指定，排他范围用花括号{min到max}指定。例如如下：
- 日期在2012年之内。 date:[2012-01-01 TO 2012-12-31]
- 大于等1，小于等5 count:[1 TO 5]
- Tags在 alpha 和omega之间，但不包括alpha和omega tag:{alpha TO omega}
- 大于等于10 count:[10 TO *]
- 日期小于2012年 date:{* TO 2012-01-01}
6.6 搜索字符串权重提升
使用提高运算符^可以设置一个词根相比其他词根更加重要（相关性更高）。例如针对查询字符串"quick^2 fox"，表明quick这个词根的重要性比fox重要2倍。该操作符也可以针对短语或组，一个组用()表示，示例如下："john smith"^2 (foo bar)^4。
6.7 boolean运算
默认情况下，所有词根都是可选的，只要一个词根匹配即可(Opreator.OR),从上面得知通过修改default_operator可以改变其默认行为。ES还支持对查询字符串进行boolean运算。例如查询字符串“quick brown +fox -news”表示的含义是：
1、fox词根必须存在。
2、news词根必须不存在。
3、quick brown 可选。
也支持常见的布尔运算符AND, OR和NOT(也写为&&，||和!)，但要注意，它们不遵守通常的优先规则，因此当多个运算符一起使用时，应该使用括号。例如，前面的查询可以改写为:((quick AND fox) OR (brown AND fox) OR fox) AND NOT news。
6.8 分组(grouping)
多个词根或子句可以用括号组合在一起，形成子查询，例如(quick OR brown) AND fox。
6.9 转义字符
在ES中，如下字符需要使用转义符合，保留字符是:+ - = && || > < !(){ }[]”^ ~ * ?: /。
6.10 空查询
如果查询字符串为空或仅包含空白，则查询将生成空结果集。
6.11 query_string示例
public static void testQueryStringQuery_Query() { RestHighLevelClient client = EsClient.getClient(); try { SearchRequest searchRequest = new SearchRequest(); searchRequest.indices("esdemo"); SearchSourceBuilder sourceBuilder = new SearchSourceBuilder(); sourceBuilder.query( // QueryBuilders.queryStringQuery("brown -fox") // QueryBuilders.queryStringQuery("brown^8 fox^2") QueryBuilders.queryStringQuery("(quick OR brown) AND fox") .allowLeadingWildcard(false) .field("context") .field("title") // .minimumShouldMatch("1") ); searchRequest.source(sourceBuilder); SearchResponse result = client.search(searchRequest, RequestOptions.DEFAULT); System.out.println(result); } catch (Throwable e) { e.printStackTrace(); } finally { EsClient.close(client); } }
测试情况如下：
目前范围查询暂不知如何编写查询字符串，但ES专门通过QueryBuilders.rangeQuery(String name)返回RangeQueryBuilder，邻近查询未能编写Demo。
7、simple_query_string query
简单字符串查询模式。使用SimpleQueryParser解析上下文的查询。与常规的query_string查询不同，simple_query_string查询永远不会抛出异常，并丢弃查询的无效部分。下面是一个例子:
GET /_search { "query": { "simple_query_string" : { "query": ""fried eggs" +(eggplant | potato) -frittata", "fields": ["title^5", "body"], "default_operator": "and" } } }
查询字符串的写法非常符合(query_string)中定义的，例如查询字符串中支持boolean运算等。simple_query_string中的顶级参数都定义在org.elasticsearch.index.query.SimpleQueryStringBuilder中，其含义与query_string中类似，在这里就不重复介绍了。
simple_query_string支持如下写法。
- + signifies 表示必须包含。
- | signifies 相当于OR。
- - negates 相当于非
- " 包装一些标记以表示搜索的短语
- * 例如a*，表示前缀匹配
- ( and ) 括号可表示优先级
- ~N after a word 表示模糊匹配举例，类似于match_phrase slop。
- ~N after a phrase（短语），表示溢出量。
上述这些写法与在query_string机制一样。接下来主要再讲述query_string不同点。
7.1 flags
simple_query_string支持多个标记来指定应该启用哪些解析特性。它被指定为一个|分隔的字符串,例如：
GET /_search
{
"query": {
"simple_query_string" : {
"query" : "foo | bar + baz*",
"flags" : "OR|AND|PREFIX"
}
}
}
可用的flag的列表如下：ALL, NONE, AND, OR, NOT, PREFIX, PHRASE, PRECEDENCE, ESCAPE, WHITESPACE, FUZZY, NEAR, and SLOP。
7.2 使用示例
public static void testSimpleQueryString_Query() { RestHighLevelClient client = EsClient.getClient(); try { SearchRequest searchRequest = new SearchRequest(); searchRequest.indices("esdemo"); SearchSourceBuilder sourceBuilder = new SearchSourceBuilder(); sourceBuilder.query( QueryBuilders.simpleQueryStringQuery("brown -fox") ); searchRequest.source(sourceBuilder); SearchResponse result = client.search(searchRequest, RequestOptions.DEFAULT); System.out.println(result); } catch (Throwable e) { e.printStackTrace(); } finally { EsClient.close(client); } }
全文索引查询就介绍到这里了，下节开始将介绍Elasticsearch DSL term query(词根匹配)。
本文分享自微信公众号 - 中间件兴趣圈（dingwpmz_zjj）
原文出处及转载信息见文内详细说明，如有侵权，请联系 yunjia_community@tencent.com 删除。
原始发表时间：2018-11-14
本文参与腾讯云自媒体分享计划，欢迎正在阅读的你也加入，一起分享。