Elasticsearch：运用 Python 来实现对搜索结果的分页

Posted 2021-10-22 中国社区官方博客

在今天的文章中，我将展示如何使用 Python 语言来针对搜索结果进行分页处理。我将使用 Jupyter 来进行展示。在我之前的文章 “Elasticsearch：使用 Jupyter Notebook 创建 Python 应用导入 CSV 文件” 中，我展示了如何使用 Jupyter 来对 Python 进行开发。在今天的文章中，我将进一步介绍如何使用 Python 来对 Elasticsearch 进行搜索。如果你对 Elasticsearch 的分页搜索还不是很熟的话，请参阅我之前的文章：

• Elasticsearch：运用 search_after 来进行深度分页

• Elasticsearch：运用 scroll 接口对大量数据实现更好的分页

准备数据

在进行 Python 编程之前，我们可以在 Kibana 中输入如下的命令来导入一些实验数据：

POST _bulk
{ "index" : { "_index" : "twitter", "_id": 1} }
{"user":"双榆树-张三","message":"今儿天气不错啊，出去转转去","uid":2,"age":20,"city":"北京","province":"北京","country":"中国","address":"中国北京市海淀区","location":{"lat":"39.970718","lon":"116.325747"}}
{ "index" : { "_index" : "twitter", "_id": 2 }}
{"user":"东城区-老刘","message":"出发，下一站云南！","uid":3,"age":30,"city":"北京","province":"北京","country":"中国","address":"中国北京市东城区台基厂三条3号","location":{"lat":"39.904313","lon":"116.412754"}}
{ "index" : { "_index" : "twitter", "_id": 3} }
{"user":"东城区-李四","message":"happy birthday!","uid":4,"age":30,"city":"北京","province":"北京","country":"中国","address":"中国北京市东城区","location":{"lat":"39.893801","lon":"116.408986"}}
{ "index" : { "_index" : "twitter", "_id": 4} }
{"user":"朝阳区-老贾","message":"123,gogogo","uid":5,"age":35,"city":"北京","province":"北京","country":"中国","address":"中国北京市朝阳区建国门","location":{"lat":"39.718256","lon":"116.367910"}}
{ "index" : { "_index" : "twitter", "_id": 5} }
{"user":"朝阳区-老王","message":"Happy BirthDay My Friend!","uid":6,"age":50,"city":"北京","province":"北京","country":"中国","address":"中国北京市朝阳区国贸","location":{"lat":"39.918256","lon":"116.467910"}}
{ "index" : { "_index" : "twitter", "_id": 6} }
{"user":"虹桥-老吴","message":"好友来了都今天我生日，好友来了,什么 birthday happy 就成!","uid":7,"age":90,"city":"上海","province":"上海","country":"中国","address":"中国上海市闵行区","location":{"lat":"31.175927","lon":"121.383328"}}

上面有6个数据。在搜索时，我们可以分为3页，也就是每页有2个文档。这是为了展示的方便。在实际的使用中，这个 pageSize 可以会比较大。

Python 分页展示

在下面，我们将使用3中不同的方式来进行展示。

from + size

我们可以使用 from + size 来进行搜索。这个适合于小数量的数据分页。首先，我们启动 Jupyter：

jupyter notebook

我们接下来创建一个叫做 es-pagination 的 notebook：

我们接着修改 notebook 的名字为 es-pagination：

这样我们就创建好了我们的 notebook。

接下来，我们需要装载所有的模块：

try:
    import os
    import sys
    
    import elasticsearch
    from elasticsearch import Elasticsearch 
    import pandas as pd
    
    print("All Modules Loaded ! ")
except Exception as e:
    print("Some Modules are Missing {}".format(e))

如果我们不能看到上面的 All Modules Loaded !，则说明你需要安装相应的模块。这里就不再赘述。

我们接着创建一个连接到 Elasticsearch 的连接：

def connect_elasticsearch():
    es = None
    es = Elasticsearch([{'host': 'localhost', 'port': 9200}])
    if es.ping():
        print('Yupiee  Connected ')
    else:
        print('Awww it could not connect!')
    return es
es = connect_elasticsearch()

我们接下来创建一个搜索。在这个搜索中，我们定以 from 及 size 的值：

myquery = {
  "query": {
    "match": {
      "city": "北京"
    }
  },
  "from": 2,
  "size": 2,
  "sort": [
    {
      "user.keyword": {
        "order": "desc"
      }
    }
  ]
}

res = es.search(
  index = 'twitter',
  size = 2,
  body = myquery)

我们打印出来上面 res 的值：

从上面，我们可以看出来有两个返回的结果。它返回的是第二页的结果。这个正是我们所需要的结果。

使用 scroll 来进行分页

在这种情况下，我们不能定义 from 参数。我们重新定义如下的 query：

myquery = {
  "query": {
    "match": {
      "city": "北京"
    }
  },
  "size": 2
}

res = es.search(
  index = 'twitter',
  scroll = '2m',
  size = 2,
  body = myquery)

上面 res 的返回结果是：

从上面的结果中，我们可以看出来一个叫做 _scroll_id 的字段。我们可以利用如下的程序来算出来有多少个 page：

counter = 0 
sid =  res["_scroll_id"]
scroll_size = res['hits']['total']
scroll_size = scroll_size['value']


# Start scrolling
while (scroll_size > 0):

    #print("Scrolling...")
    page = es.scroll(scroll_id = sid, scroll = '10m')
    
    #print("Hits : ",len(page["hits"]["hits"]))
    
    # Update the scroll ID
    sid = page['_scroll_id']

    # Get the number of results that we returned in the last scroll
    scroll_size = len(page['hits']['hits'])

    #print("Scroll Size {} ".format(scroll_size))
    
    # Do something with the obtained page
    counter = counter + 1

print("Total Pages  : {}".format(counter))

从上面的显示结果中，我们可以看出来有3页。当然，我们也可以在上面的代码中通过 page['hits']['hits'] 来得到每一个页里的文档的详情。

使用 search_after 来进行分页

我们可以重新定义如下的搜索：

myquery = {
  "size": 2,
  "query": {
    "match": {
      "city": "北京"
    }
  },
  "sort": [
    {
      "age": {
        "order": "asc"
      }
    },
    {
      "user.keyword": {
        "order": "asc"
      }
    }
  ]
}

res = es.search(
  index = 'twitter',
  size = 2,
  body = myquery)

上面显示的结果为：

在上面，我们可以看到一个叫做 sort 的返回项。这个 sort 值可以用于接下来的 search_after 字段：

def create_scroll(res):
    """
    :param res: json
    :return: string
    """

    try:
        data = res.get("hits", None).get("hits", None)
        data = data[-1]
        sort = data.get("sort", "None")
        return sort
    except Exception as e:
        return "Error,scroll error "

scroll = create_scroll(res)
myquery["search_after"] = scroll

我们接着进行如下的搜索：

res = es.search(
  index = 'twitter',
  size = 2,
  body = myquery)

从上面的搜索结果中，我们可以看出来它显示的是接下来一页的结果。

在上面的例子中，由于考虑到简单的原因，我在 sort 时使用了 age 及 city 两个来进行排序。在实际的使用中，应该尽量使用两个字段的组合是唯一性，这样才会有正确的结果。在我们的例子中假如有两个人的 age 和 city 是一样的，那么会造成分页的错误。

如果我们想得到总的分页数，我们可以使用如下的方法。在得到第一个搜索结果后：

docs = len(res['hits']['hits'])
pages = 0
while docs != 0:
    scroll = create_scroll(res)
    myquery["search_after"] = scroll
    print(scroll)
    res = es.search(
          index = 'twitter',
          size = 2,
          body = myquery)
    docs = len(res['hits']['hits'])
    print(docs)
    pages += 1