微服务Elasticsearch常用查询&结果处理

Posted 2023-02-21 观止study

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了微服务Elasticsearch常用查询&结果处理相关的知识，希望对你有一定的参考价值。

🚗Es学习·第三站~
🚩Es学习起始站：【微服务】Elasticsearch概述&环境搭建(一)
🚩本文已收录至专栏：微服务探索之旅
👍希望您能有所收获

在上一站的学习中，我们已经导入了大量数据到es中，实现了数据存储功能。接下来如需看自己实操效果请根据上一站的三.环境搭建部分导入初始数据。

一.DSL查询文档

(1) DSL查询分类

Elasticsearch依然是基于JSON风格的DSL来定义查询。常见的查询类型包括：

查询所有：查询出所有数据，一般用于测试。例如：match_all
全文检索（full text）查询：先利用分词器对用户输入内容分词，然后再去倒排索引库中匹配查询。例如：
- match：根据单字段查询
- multi_match：根据多字段查询
精确查询：根据精确词条值查找数据，一般是查找keyword、数值、日期、boolean等类型字段，所以不会对搜索条件分词。例如：
- term：根据词条精确值查询
- range：根据值的范围查询
地理（geo）查询：根据经纬度查询。例如：
- geo_distance：查询到指定中心点小于某个距离值的所有文档。
- geo_bounding_box：查询坐标落在某个矩形范围的所有文档
复合（compound）查询：可以将上述各种查询条件组合起来，合并查询条件。例如：
- fuction score：算分函数查询，可以控制文档相关性算分，控制文档排名
- bool query：布尔查询，利用逻辑关系组合多个其它的查询，实现复杂搜索

各种查询的语法基本一致：

GET /indexName/_search

  "query": 
    "查询类型": 
      "查询条件": "条件值"

我们以查询所有为例，其中：

查询类型为match_all
没有查询条件

// 查询所有
GET /indexName/_search

  "query": 
    "match_all":

类似的，其它查询无非就是查询类型、查询条件的变化。

(2) 全文检索查询

全文检索查询是先对用户输入的内容分词，再拿着词条去倒排索引库中检索匹配，因此参与搜索的字段也必须是可分词的text类型。

基本流程如下：

对用户搜索的内容做分词，得到词条
根据词条去倒排索引库中匹配，得到文档id
根据文档id找到文档，返回给用户

常见的有：

match：根据单字段查询
multi_match：根据多字段查询

(2.1) 使用场景

常用于搜索框搜索，比较常用的场景包括：

商城的输入框搜索
百度输入框搜索

例如京东：

(2.3) 单字段查询

根据单字段 match查询，返回与倒排索引库中词条匹配的文档

语法如下：

GET /indexName/_search

  "query": 
    "match": 
      "FIELD": "TEXT"

使用示例：

(2.4) 多查询

根据多字段multi_match查询，符合其中任意一个字段就算满足查询条件，返回与倒排索引库中词条匹配的文档

语法如下：

GET /indexName/_search

  "query": 
    "multi_match": 
      "query": "TEXT",
      "fields": ["FIELD1", " FIELD12"]

使用示例：

可以看到，两种查询结果是一样的，为什么？
- 因为我们在上一站中有说到将brand、name、business值都利用copy_to复制到了all字段中。因此根据三个字段搜索和根据all字段搜索效果一样。
- 这是因为搜索字段越多，对查询性能影响越大，因此建议采用copy_to，然后单字段match查询的方式。

(3) 精准查询

精确查询一般是查找keyword、数值、日期、boolean等类型字段。所以不会对搜索条件分词。常见的有：

term：根据词条精确值查询
range：根据值的范围查询

(3.1) 使用场景

常用于对数据的精确筛选，例如：

商城搜索结果筛选

(3.2) 精确查询

因为精确term查询的字段是不分词的字段，因此查询的条件也必须是不分词的词条。查询时，只有用户输入的内容跟字段值完全匹配时才认为符合条件。因此如果用户输入的内容过多，反而搜索不到数据。

语法说明：

// term查询
GET /indexName/_search

  "query": 
    "term": 
      "FIELD": 
        "value": "VALUE"

使用示例：

只有搜索的是精确词条时，才能正确查询出结果：

当搜索的内容不是词条，而是多个词语形成的短语时，反而搜索不到：

(3.3) 范围查询

范围range查询，一般应用在对数值类型做范围过滤的时候。比如对价格、日期范围过滤,。

基本语法：

// range查询
GET /indexName/_search

  "query": 
    "range": 
      "FIELD": 
        "gte": number, // gte 代表大于等于，gt 代表大于
        "lte": number // lte 代表小于等于，lt 代表小于

使用示例：

(4) 地理坐标查询

所谓的地理坐标查询，其实就是根据经纬度查询,官方文档

常见的有：

geo_distance：查询到指定中心点小于某个距离值的所有文档。
geo_bounding_box：查询坐标落在某个矩形范围的所有文档

(4.1) 使用场景

常见的使用场景包括：

携程：搜索我附近的酒店
滴滴：搜索我附近的出租车
微信：搜索我附近的人

附近的酒店：

附近的车：

(4.2) 矩形范围查询

矩形范围查询，也就是geo_bounding_box查询：

查询时，需要指定矩形的左上、右下两个点的坐标，es会据此画出一个矩形，落在该矩形内的都是符合条件的点。

语法说明：

// geo_bounding_box查询
GET /indexName/_search

  "query": 
    "geo_bounding_box": 
      "FIELD": 
        "top_left":  // 左上点
          "lat": 31.1,
          "lon": 121.5
        ,
        "bottom_right":  // 右下点
          "lat": 30.9,
          "lon": 121.7

这种并不符合“附近的人”这样的需求。

(4.3) 附近查询

附近查询，也叫做距离查询geo_distance：查询到指定中心点小于某个距离值的所有文档。

换句话来说，在地图上找一个点作为圆心，以指定距离为半径，画一个圆，落在圆内的坐标都算符合条件：

语法说明：

// geo_distance 查询
GET /indexName/_search

  "query": 
    "geo_distance": 
      "distance": "15km", // 半径
      "FIELD": "31.21,121.5" // 圆心

使用示例：

我们先搜索陆家嘴附近15km的酒店：

发现共有47家酒店。

然后把半径缩短到3公里：

可以发现，搜索到的酒店数量减少到了5家。

(5) 复合查询

复合（compound）查询：复合查询可以将其它简单查询组合起来，实现更复杂的搜索逻辑。常见的有两种：

fuction score：算分函数查询，可以控制文档相关性算分，控制文档排名
bool query：布尔查询，利用逻辑关系组合多个其它的查询，实现复杂搜索

(5.1) 使用场景

常见的使用场景包括：
- 广告排名靠前
- 根据多字段组合进行过滤

百度搜索广告：

根据多条件组合过滤：

(5.1) 相关性算分

当我们利用match查询时，文档结果会根据与搜索词条的关联度打分（_score），返回结果时按照分值降序排列。

例如，我们搜索 “虹桥如家”，结果如下：

[
  
    "_score" : 17.850193,
    "_source" : 
      "name" : "虹桥如家酒店真不错",
    
  ,
  
    "_score" : 12.259849,
    "_source" : 
      "name" : "外滩如家酒店真不错",
    
  ,
  
    "_score" : 11.91091,
    "_source" : 
      "name" : "迪士尼如家酒店真不错",
    
  
]

在elasticsearch中，早期使用的打分算法是TF-IDF算法，公式如下：

在后来的5.1版本升级中，elasticsearch将算法改进为BM25算法，公式如下：

TF-IDF算法有一各缺陷，就是词条频率越高，文档得分也会越高，单个词条对文档影响较大。而BM25则会让单个词条的算分有一个上限，曲线更加平滑：

(5.2) 算分函数查询

以百度为例，在搜索的结果中，并不是相关度越高排名越靠前，而是谁掏的钱多排名就越靠前。如图：

要想人为控制相关性算分，就需要利用elasticsearch中的算法函数function score 查询了。

(5.2.1) 基础语法

function score 查询中包含四部分内容：

原始查询条件：query部分，基于这个条件搜索文档，并且基于BM25算法给文档打分，原始算分（query score)
过滤条件：filter部分，符合该条件的文档才会重新算分
算分函数：符合filter条件的文档要根据这个函数做运算，得到的函数算分（function score），有四种函数
- weight：函数结果是常量
- field_value_factor：以文档中的某个字段值作为函数结果
- random_score：以随机数作为函数结果
- script_score：自定义算分函数算法
运算模式：算分函数的结果、原始查询的相关性算分，两者之间的运算方式，包括：
- multiply：相乘
- replace：用function score替换query score
- 其它，例如：sum、avg、max、min

function score的运行流程如下：

1）根据原始条件查询搜索文档，并且计算相关性算分，称为原始算分（query score）
2）根据过滤条件，过滤文档
3）符合过滤条件的文档，基于算分函数运算，得到函数算分（function score）
4）将原始算分（query score）和函数算分（function score）基于运算模式做运算，得到最终结果，作为相关性算分。

因此，其中的关键点是：

过滤条件：决定哪些文档的算分被修改
算分函数：决定函数算分的算法
运算模式：决定最终算分结果

(5.2.2) 使用示例

需求：给“如家”这个品牌的酒店排名靠前一些

翻译一下这个需求，转换为之前说的四个要点：

原始条件：不确定，可以任意变化
过滤条件：brand = “如家”
算分函数：可以简单粗暴，直接给固定的算分结果，weight
运算模式：比如求和

因此最终的DSL语句如下：

GET /hotel/_search

  "query": 
    "function_score": 
      "query":   .... , // 原始查询，可以是任意条件
      "functions": [ // 算分函数
        
          "filter":  // 满足的条件，品牌必须是如家
            "term": 
              "brand": "如家"
            
          ,
          "weight": 2 // 算分权重为2
        
      ],
      "boost_mode": "sum" // 加权模式，求和

测试，在未添加算分函数时，如家得分如下：

添加了算分函数后，如家得分就提升了：

(5.3) 布尔查询

布尔查询是一个或多个查询子句的组合，每一个子句就是一个子查询。子查询的组合方式有：

must：必须匹配每个子查询，类似“与”
should：选择性匹配子查询，类似“或”
must_not：必须不匹配，不参与算分，类似“非”
filter：必须匹配，不参与算分

比如在搜索商品时，除了关键字搜索外，我们还可能根据品牌、价格、作用等字段做过滤：

每一个不同的字段，其查询的条件、方式都不一样，必须是多个不同的查询，而要组合这些查询，就必须用bool查询了。

需要注意的是，搜索时，参与打分的字段越多，查询的性能也越差。因此这种多条件查询时，建议这样做：

搜索框的关键字搜索，是全文检索查询，使用must查询，参与算分
其它过滤条件，采用filter查询。不参与算分

(5.3.1) 基础语法

GET /hotel/_search

  "query": 
    "bool": 
      "must": [
        "term": "city": "上海"   // 必须匹配字段
      ],
      "should": [
        "term": "brand": "皇冠假日" ,  // 选择性匹配字段
        "term": "brand": "华美达"   // 选择性匹配字段
      ],
      "must_not": [
         "range":  "price":  "lte": 500    // 必须不匹配字段，不参与算分
      ],
      "filter": [
         "range": "score":  "gte": 45    // 必须匹配字段，不参与算分
      ]

(5.3.2) 使用示例

需求：搜索名字包含“如家”，价格不高于400，在坐标31.21,121.5周围10km范围内的酒店。

分析：

名称搜索，属于全文检索查询，应该参与算分。放到must中
价格不高于400，用range查询，属于过滤条件，不参与算分。放到must_not中
周围10km范围内，用geo_distance查询，属于过滤条件，不参与算分。放到filter中

二.搜索结果处理

Es搜索的结果可以按照用户指定的方式去处理或展示。

(1) 排序

es默认是根据相关度算分（_score）来排序，但是也支持自定义方式对搜索结果排序。可以排序字段类型有：keyword类型、数值类型、地理坐标类型、日期类型等。

(1.1) 普通字段排序

keyword、数值、日期类型排序的语法基本一致。

基本语法：

GET /indexName/_search

  "query": 
    "match_all": 
  ,
  "sort": [
    
      "FIELD": "desc"  // 排序字段、排序方式ASC升序、DESC降序
    
  ]

排序条件是一个数组，也就是可以写多个排序条件。按照声明的顺序，当第一个条件相等时，再按照第二个条件排序，以此类推

使用示例：

需求描述：酒店数据按照用户评价（score)降序排序，评价相同的按照价格(price)升序排序

(1.2) 地理坐标排序

地理坐标排序略有不同。

基本语法：

GET /indexName/_search

  "query": 
    "match_all": 
  ,
  "sort": [
    
      "_geo_distance" : 
          "FIELD" : "纬度，经度", // 文档中geo_point类型的字段名、目标坐标点
          "order" : "asc", // 排序方式
          "unit" : "km" // 排序的距离单位
      
    
  ]

这个查询的含义是：

指定一个坐标，作为目标点
计算每一个文档中，指定字段（必须是geo_point类型）的坐标到目标点的距离是多少
根据距离排序

使用示例：

需求描述：实现对酒店数据按照到你的位置坐标的距离升序排序

提示：获取位置的经纬度的方式：https://lbs.amap.com/demo/jsapi-v2/example/map/click-to-get-lnglat/

假设我的位置是：31.034661，121.612282，寻找我周围距离最近的酒店。

(2) 分页

es默认情况下只返回top10的数据。如果要查询更多数据则需要修改分页参数。可以通过修改from、size参数来控制要返回的分页结果：

from：从第几个文档开始
size：总共查询几个文档

类似于mysql中的limit ?, ?

(2.1) 基本的分页

分页的基本语法如下：

GET /hotel/_search

  "query": 
    "match_all": 
  ,
  "from": 0, // 分页开始的位置，默认为0
  "size": 10, // 期望获取的文档总数
  "sort": [
    "price": "asc"
  ]

(2.2) 深度分页问题

按照上述，如果我们要查询990~1000的数据，查询逻辑要这么写：

GET /hotel/_search

  "query": 
    "match_all": 
  ,
  "from": 990, // 分页开始的位置，默认为0
  "size": 10, // 期望获取的文档总数
  "sort": [
    "price": "asc"
  ]

这里是查询990开始的数据，也就是第990~第1000条数据。

但是elasticsearch内部分页时，必须先查询 0~1000条，然后才能截取其中的990 ~ 1000的这10条：

查询TOP1000，如果es是单点模式，这并无太大影响。

但是elasticsearch将来一定是集群，例如我集群有5个节点，我要查询TOP1000的数据，并不是每个节点查询200条就可以了。

因为节点A的TOP200，在另一个节点可能排到10000名以外了。

因此要想获取整个集群的TOP1000，必须先查询出每个节点的TOP1000，汇总结果后，重新排名，重新截取TOP1000。

那如果我要查询9900~10000的数据呢？是不是要先查询TOP10000呢？那每个节点都要查询10000条？汇总到内存中？
- 当查询分页深度较大时，汇总数据过多，对内存和CPU会产生非常大的压力，因此elasticsearch会禁止from+ size 超过10000的请求。
- 针对深度分页，ES提供了两种解决方案，官方文档：
  - search after：分页时需要排序，原理是从上一次的排序值开始，查询下一页数据。官方推荐使用的方式。
  - scroll：将排序后的文档id形成快照，保存在内存。官方已经不推荐使用。

(2.3) 使用对比

分页查询的常见实现方案以及优缺点：

from + size：
- 优点：支持随机翻页
- 缺点：深度分页问题，默认查询上限（from + size）是10000
- 场景：百度、京东、谷歌、淘宝这样的随机翻页搜索
after search：
- 优点：没有查询上限（单次查询的size不超过10000）
- 缺点：只能向后逐页查询，不支持随机翻页
- 场景：没有随机翻页需求的搜索，例如手机向下滚动翻页
scroll：
- 优点：没有查询上限（单次查询的size不超过10000）
- 缺点：会有额外内存消耗，并且搜索结果是非实时的
- 场景：海量数据的获取和迁移。从ES7.1开始不推荐，建议用 after search方案。

(3) 高亮

(3.1) 高亮原理

什么是高亮显示呢？

我们在百度，京东搜索时，关键字会变成红色，比较醒目，这叫高亮显示：

高亮显示的实现分为两步：

1）给文档中的所有关键字都添加一个标签，例如<em>标签
2）页面给<em>标签编写CSS样式

(3.2) 实现高亮

基本语法：

GET /hotel/_search

  "query": 
    "match": 
      "FIELD": "TEXT" // 查询条件，高亮一定要使用全文检索查询
    
  ,
  "highlight": 
    "fields":  // 指定要高亮的字段
      "FIELD": 
        "pre_tags": "<em>",  // 用来标记高亮字段的前置标签
        "post_tags": "</em>" // 用来标记高亮字段的后置标签

注意：

高亮是对关键字高亮，因此搜索条件必须带有关键字，而不能是范围这样的查询。
默认情况下，高亮的字段，必须与搜索指定的字段一致，否则无法高亮
如果要对非搜索字段高亮，则需要添加一个属性：required_field_match=false

使用示例：

(4) 综合小结

查询的DSL是一个大的JSON对象，包含下列属性：

query：查询条件
from和size：分页条件
sort：排序条件
highlight：高亮条件

示例：

三.RestClient查询文档

文档的查询同样是使用上一站学习到的RestHighLevelClient对象，其基本步骤也是类似的，包括：

1）准备Request对象
2）准备请求参数
3）发起请求
4）解析响应

(1) 整体步骤

我们以match_all查询为例

(1.1) 发起查询请求

代码解读：

第一步，创建SearchRequest对象，指定索引库名
第二步，利用request.source()构建DSL，DSL中可以包含查询、分页、排序、高亮等
- query()：代表查询条件，利用QueryBuilders.matchAllQuery()构建一个match_all查询的DSL
第三步，利用client.search()发送请求，得到响应

这里关键的API有两个，一个是request.source()，其中包含了查询、排序、分页、高亮等所有功能：

另一个是QueryBuilders，其中包含match、term、function_score、bool等各种查询：

(1.2) 解析响应

响应结果的解析：

elasticsearch返回的结果是一个JSON字符串，结构包含：

hits：命中的结果
- total：总条数，其中的value是具体的总条数值
- max_score：所有结果中得分最高的文档的相关性算分
- hits：搜索结果的文档数组，其中的每个文档都是一个json对象
  - _source：文档中的原始数据，也是json对象

因此，我们解析响应结果，就是逐层解析JSON字符串，流程如下：

SearchHits：通过response.getHits()获取，就是JSON中的最外层的hits，代表命中的结果
- SearchHits#getTotalHits().value：获取总条数信息
- SearchHits#getHits()：获取SearchHit数组，也就是文档数组
  - SearchHit#getSourceAsString()：获取文档结果中的_source，也就是原始的json文档数据

(1.3) 完整代码

完整代码如下：

// 查询所有
@Test
void testMatchAll() throws IOException 
    // 1.准备Request
    SearchRequest request = new SearchRequest("hotel");
    // 2.准备DSL
    request.source()
        .query(QueryBuilders.matchAllQuery());
    // 3.发送请求
    SearchResponse response = client.search(request, RequestOptions.DEFAULT);

    // 4.解析响应
    handleResponse(response);


// 封装解析查询结果方法
private void handleResponse(SearchResponse response) 
    // 4.解析响应
    SearchHits searchHits = response.getHits();
    // 4.1.获取总条数
    long total = searchHits.getTotalHits().value;
    System.out.println("共搜索到" + total + "条数据");
    // 4.2.文档数组
    SearchHit[] hits = searchHits.getHits();
    // 4.3.遍历
    for (SearchHit hit : hits) 
        // 获取文档source
        String json = hit.getSourceAsString();
        // 反序列化
        HotelDoc hotelDoc = JSON.parseObject(json, HotelDoc.class);
        System.out.println("hotelDoc = " + hotelDoc);

(2) match查询

全文检索的match和multi_match查询与match_all的API基本一致。差别是查询条件，也就是query的部分。

因此，Java代码上的差异主要是request.source().query()中的参数了。同样是利用QueryBuilders提供的方法：

而结果解析代码则完全一致，可以抽取并共享。

完整代码如下：

match单字段查询

@Test
void testMatch() throws IOException 
    // 1.准备Request
    SearchRequest request = new SearchRequest("hotel");
    // 2.准备DSL
    request.source()
        .query(QueryBuilders.matchQuery("all", "如家"));
    // 3.发送请求
    SearchResponse response = client.search(request, RequestOptions.DEFAULT);
    // 4.使用上述封装方法解析响应
    handleResponse(response)以上是关于微服务Elasticsearch常用查询&结果处理的主要内容，如果未能解决你的问题，请参考以下文章 
 微服务Elasticsearch数据聚合&自动补全&数据同步
 微服务Elasticsearch概述&环境搭建
 微服务实用篇6-分布式搜索elasticsearch篇2
 微服务实用篇6-分布式搜索elasticsearch篇2
 Elasticsearch学习笔记-p7（数据聚合&自动补全）
 微服务java 操作elasticsearch详细总结