干货 | Elasticsearch 检索类型选型指南

Posted 2022-08-03 铭毅天下

之前在 DSL 中一次问卷调查中，收集到如下几个和搜索类型相关的问题。

• Q1：麻烦讲一下es常用的查询关键词，及使用场景，比如term、match、should、filter等等，谢谢老大......

• Q2：讲下查询term，match，match_pharse，operator，mget，multi_match等的用法和区别?

• Q3：term、match、phrase、bool query等常用语法，及对不同类型数据字段的支持。在分词场景下的区别?

• Q4：fuzzy查询的fuzziness参数不同取值，minimumshouldmatch不同取值负数，百分比等…...

• Q5：希望可以通俗一点。可以有视频和文档~~

这些问题经常会被问到，今天我们从如下几个方面详细解读一下。

• 宏观俯瞰 Elasticsearch 检索分类；

• 分类解读各个搜索类型特点及应用场景；

• 各个检索类型的区别。

1、宏观俯瞰 Elasticsearch 检索分类

以 Elasticsearch 8.1 官方文档为例，检索分类不会也不可能超出这个范围。

这么看，貌似不够清晰，来张脑图梳理一下。

常用的部分下文会详细解读，不常用的建议大家使用前优先阅读一遍官方文档，做到“知己知彼、有的放矢”。

貌似清晰了很多。

说一下，我在初学 Elasticsearch 犯过的“错误”或者遇到的问题，看看大家有没有“中招”。

第一：一把梭用法

Match 检索很好用，召回数据又多。业务凡是涉及检索都是 Match query。

用星爷的话非常应景：“曾经有一堆检索类型放在我面前，我没有珍惜。我挑出 use 最多最爽的 Match query 用的乐此不疲。当召回了一大批不相关的数据才后悔莫及！如果老天再给我一次选型的机会的话，我会优先考虑 Match_phrase"。

图片来自网络

这么说，大家可能没有感觉，后文会有详细示例说明。

第二：自己代码实现“与或非”检索。

由于对于检索类型了解不全，只知道有限的几种类型：term、match、terms等。

不知道 query string 检索类型已经实现了：“AND OR NOT” 与或非检索。

自己实现花了时间不说，也不如 query string 自身实现考虑的全面。

第三：数百个 wildcard 模糊匹配组合导致演示现场集群宕机

这个我在这篇文章有过详细说明，不再赘述。

如上，回头看，出现问题体现在：

• 检索类型了解不全，拿来就用；

• 不能分辨不同检索类型的应用场景和可能的副作用；

• 项目着急只关注了能用，没有关注“用好”、“好用”。

2、精准匹配检索和全文检索的本质区别

本文继续缩小范围，把重心缩小为最常用的：精准匹配检索、全文检索、组合检索三种类型。

精准匹配检索和全文检索的本质区别：

• 精准匹配把检索的整个文本不做分词处理，当前一个串整体处理。

• 而全文检索需要分词处理，对分词后的每个词单独检索然后大bool组合检索。

文章后续内容以如下数据示例展开讨论：

PUT test-0415

  "mappings": 
    "properties": 
      "title": 
        "type": "text",
        "analyzer": "ik_max_word",
        "fields": 
          "keyword": 
            "type": "keyword"
          
        
      
    
  


POST test-0415/_bulk
"index":"_id":1
"title":"乌兰图雅经典歌曲30首连播 标清_手机乐视视频"
"index":"_id":2
"title":"乌兰县地区生产总值22.9亿元 "
"index":"_id":3
"title":"乌兰新闻网欢迎您!"
"index":"_id":4
"title":"乌兰:你说急什么呢,我30岁了"
"index":"_id":5
"title":"千城胜景丨胜境美誉 多彩乌兰"

精准匹配和全文检索的区别，如下一例说得清楚：

POST test-0415/_search

  "query": 
    "match": 
      "title": "乌兰新闻网欢迎您!"
    
  

召回数据（只截取了title）如下：

也就是说：检索“乌兰新闻网欢迎您!”召回了全部数据！

为啥？

检索语句加上“profile:true”，一探究竟：

一句话：match_query 在检索的时候将待检索字符串做了分词处理。

如上所示：检索的时候“乌兰新闻网欢迎您”切词后变成 [ “乌兰”, "新闻网", "新闻”，“网”，“欢迎您”， “欢迎”， “您”]。

有同学会问，咋分的呢？通过 analyzer API 可以看出。

然后，我们再看一下精准匹配的检索实现。

POST test-0415/_search

  "profile": true, 
  "query": 
    "term": 
      "title.keyword": "乌兰新闻网欢迎您!"
    
  

profile:true 看到结果如下：

也就是说，精准匹配是拿整个文本串一起 term query检索的，不做分词处理。

有了这个大前提，后面才好理解一些。

接下来，分类解读各个搜索特点及应用场景。

3 精准匹配检索

3.1 Term 单字段精准匹配、

• Term query 应用场景：单值精准匹配。

• 注意点：避免将 term query 应用到 text 类型的检索。

再延伸一些，Term 检索针对的是非 text 类型，term 针对 text 类型并不会报错，但结果会达不到预期。

有同学说：我非要将 text 类型应用 term query会怎么样？来吧，看一下效果：

DELETE my-index-000001
# 不指定分词器就使用默认：standard 分词器。
PUT my-index-000001

  "mappings": 
    "properties": 
      "full_text": 
        "type": "text"
      
    
  

# 写入数据
PUT my-index-000001/_doc/1

  "full_text": "Quick Brown Foxes!"


# 执行检索，并不会召回数据
GET my-index-000001/_search?pretty

  "profile": true, 
  "query": 
    "term": 
      "full_text": "Quick Brown Foxes!"
    
  

检索结果如上图所示，为啥没有召回结果数据？

原因在于：写入的时候，Quick Brown Foxes! 经过默认分词器 standard 处理后，转化为：quick、brown、foxes 存储。

而检索的时候，咱们检索的是：“Quick Brown Foxes”，如下所示。所以：没有数据召回。

3.2 Terms 多字段精准匹配

• Terms query 应用场景：多值精准匹配。

注意点：同 term query核心区别：terms query 支持多个值，而 term query 仅支持单个值。

3.3 Range 范围检索

• Range query 应用场景：区间范围检索。

注意点1：当“search.allow_expensive_queries”设置为 false 时，range query 在 text 和 keyword 类型的检索不能被执行。

注意点2：range query 对 text、keyword 类型的区间检索实际意义不大。

3.4 Exists 是否存在检索

• Exists query 应用场景：判定字段是否有值。

特例很多，建议参考官方文档，这里仅强调一个：

DELETE test-0001
PUT test-0001

  "mappings": 
    "properties": 
      "title": 
        "type": "text",
        "index": false
      
    
  


POST test-0001/_bulk
"index":"_id":1
"title":"1"

POST test-0001/_search

  "profile": true, 
  "query": 
    "exists": 
      "field": "title"
    
  

如上的 exists query 本质上走的是：“ConstantScore(NormsFieldExistsQuery [field=title])“ 检索，由于 title 字段没有被索引，所以没有结果召回。

3.5 Wildcard 类mysql like 检索

Wildcard 应用场景：通配符检索，类似 MySQL like 查询。

注意：非必要，不使用。看下面截图就知道原因。

推荐阅读：Elasticsearch 警惕使用 wildcard 检索！然后呢？

3.6 prefix 前缀匹配检索

• prefix Query应用场景：前缀匹配。

先看一个社区实战问题：https://elasticsearch.cn/question/12595

比如我有3个文档，采用ik_max_word分词。

1. 考试专题

2. 测试考试成绩

3. 新动能考试

如何做到真正的前缀搜索？

prefix 可以搞定，针对 keyword 类型才可以。

DELETE test0416
PUT test0416

  "mappings": 
    "properties": 
      "title": 
        "type": "text",
        "analyzer": "ik_max_word", 
        "fields": 
          "keyword": 
            "type": "keyword"
          
        
      
    
  



POST test0416/_bulk
"index":"_id":1
"title":"考试专题"
"index":"_id":2
"title":"测试考试成绩题"
"index":"_id":3
"title":"新动能考试"


POST test0416/_search

  "query": 
    "prefix": 
      "title.keyword": 
        "value": "考试"
      
    
  

3.7 Terms set 检索

Terms set Query 应用场景：term query 检索 1个满足条件，terms query检索多个满足条件，而 Terms set query 介于两者中间。

3.8 Fuzzy 支持编辑距离的模糊查询

Fuzzy Query 应用场景：返回包含与搜索词相似的词的文档，也就是说：有一定的类似纠错功能。

3.9 IDs 检索

IDS query：基于 ID 组召回数据。

3.10 Regexp 正则匹配检索

Regexp Query：基于正则表达式的检索。

使用建议：非必要不使用。

4、全文检索类型

4.1 Match 检索

• Match Query 应用场景：召回率要求高、精准度要求不高的场景。

• 使用建议：精准度要求高的场景慎用。

如前所述，Match 的本质：大 bool + term query 组合体。

4.2 Match phrase 短语检索

• Match phrase Query 应用场景：更注重精准度召回的场景，match query 如果叫做分词检索的话，match phrase 叫短语匹配检索更为合适。

注意1：检索的时候可以指定分词器。

注意2：分词器指定不同，拼接的串中字符的切分粒度不同。

如下两个截图分别使用了：standard 标准分词器以及 ik_smart 粗粒度 IK 分词器。

4.3 Multi-match 检索

• Multi-match query 应用场景：多字段的 match query。

注意：多字段就涉及评分的整合，所以会有：most_fields、best_fields、cross_fields 等评分方式。

4.4 Match_phrase_prefix 检索

• Match_phrase_prefix query 应用场景：短语匹配+前缀匹配的组合体，适用于短语前缀匹配。

如下所示：

个人认为，新闻、新闻网是根据已有文本的 IK 分词（写入时指定的分词器 ik_max_word）的结果。

4.5 query_string 检索

• query_string query 应用场景：与或非表达式的检索。

AND：代表与，OR 代表或，NOT 代表非。

非常复杂的语法，建议参考官方文档。

4.6 simple_query_string 检索

simple_query_string 应用场景：同 query_string 。

核心不同点：simple_query_string 在语法不对时，并不会报错。

还有几种：Intervals query、Match boolean prefix query、Combined fields query，应用场景相对受限，我没有展开，大家根据官方文档选型即可。

5 组合检索类型

如果把上文的“精准匹配检索”和“全文检索”比作单兵种作战，那么组合检索就可以看做“海陆空”全方位作战。

组合检索主要分为两大类：bool 组合检索和自定义评分检索。

5.1 bool 组合检索

适用场景：复杂条件的组合检索。当单个或者单类检索条件不能适配复杂组合检索的时候，优先考虑 bool 组合条件检索。

其下可以包含但不限于：

• must：必须满足条件。

• must_not：必须不满足条件（忽略评分，召回数据评分为0）。

• filter：过滤条件（忽略评分，召回数据评分为0），可以借助缓存提升性能。

• should：部分条件满足，由minmum_should_match控制。

5.2 自定义评分检索

适用场景：传统基于BM25（词频TF、逆文档频率IDF）机制不能满足评分要求，某一个或者多个字段需要提升、降低或者修改权重比例的时候，优先考虑自定义评分实现。

如果自定义评分也无法满足，那只能自己开发评分插件实现。

自定义评分推荐阅读：实战 | Elasticsearch自定义评分的N种方法

6、总结

说到这里，开篇问题基本都能回答上了。检索类型选型流程参考如下：

全文检索（Full text query）类检索

- Match 适用于：召回率高、精准度不高的场景；

- Match phrase 适用于：精准度高、召回率不高的场景；

- Match phrase prefix 适用于：短语前缀匹配检索；

- Mulit-match 适用于：多字段检索；

- Query string 适用于：支持与或非表达式的检索；

- Simple query string：较 query string 容错率高的场景；

精准匹配（Term-level query）类检索

- Term 适用于：单字段精准匹配；

- Terms 适用于：多字段精准匹配；

- Range 适用于：范围检索；

- Exists 适用于：判定是否存在检索；

- Wildcard 适用于：类Mysql like 检索，非必要不使用；

- prefix 适用于：前缀匹配检索；

- Fuzzy 适用于：支持编辑距离的模糊查询；

- IDs 适用于：基于文档id组检索的场景；

- Regexp 适用于：正则匹配检索，非必要不使用。

大家有好的选型意见和建议，欢迎留言讨论。

参考

https://www.elastic.co/guide/en/elasticsearch/reference/current/query-dsl.html

推荐

1、重磅 | 死磕 Elasticsearch 方法论认知清单（2021年国庆更新版）

2、如何从0到1打磨一门 Elasticsearch 线上直播课？（口碑不错）

3、如何系统的学习 Elasticsearch ？

4、Elasticsearch是一把梭，用起来再说？！

更短时间更快习得更多干货！

和全球 1600+ Elastic 爱好者一起精进！

比同事抢先一步学习进阶干货！