ElasticStack系列之十三 & 联想补全策略

Posted 2020-10-10 星火燎原智勇

业务需求

　　1. 实现搜索引擎前缀搜索功能(中文,拼音前缀查询及简拼前缀查询功能)

　　2. 实现摘要全文检索功能，及标题加权处理功能(按照标题权值高内容权值相对低的权值分配规则，按照索引的相关性进行排序，列出前20条相关性最高的文章)

前缀搜索

中文搜索：

　　1. 搜索“刘”，匹配到“刘德华”、“刘斌”、“刘德志”

　　2. 搜索“刘德”，匹配到“刘德华”、“刘德志”

　　小结：搜索的文字需要匹配到集合中所有名字的子集。

全拼搜索：

　　1. 搜索“li”，匹配到“刘德华”、“刘斌”、“刘德志”

　　2. 搜索“liud”，匹配到“刘德华”、“刘德”

　　3. 搜索“liudeh”，匹配到“刘德华”

　　小结：搜索的文字转换成拼音后，需要匹配到集合中所有名字转成拼音后的子集

简拼搜索：

　　1. 搜索“w”，匹配到“我是中国人”，“我爱我的祖国”

　　2. 搜索“wszg”，匹配到“我是中国人”

　　小结：搜索的文字取拼音首字母进行组合，需要匹配到组合字符串中前缀匹配的子集

解决方案

方案一：

　　将 “like” 搜索的字段的 中、英简拼、英全拼 分别用索引的三个字段来进行存储并且 不进行分词，最简单直接，检索索引数据的时候进行通配符查询（like查询），从这三个字段中分别进行搜索，查询匹配的记录然后返回。

　　优势：存储格式简单，倒排索引存储的数据量最少。

　　缺点：like 索引数据的时候开销比较大 prefix 查询比 term 查询开销大得多

方案二：

　　将 中、中简拼、中全拼 用一个字段衍生出三个字段(multi-field)来存储三种数据，并且分词器filter 采用 edge_ngram 类型对分词的数据进行分词处理存储到倒排索引中，当检索索引数据时，检索所有字段的数据。

　　优势：格式紧凑，检索索引数据的时候采用 term 全匹配规则，也无需对入参进行分词，查询效率高。

　　缺点：采用以空间换时间的策略，但是对索引来说可以接受。采用衍生字段来存储，增加了存储及检索的复杂度，对于三个字段搜索会将相关度相加，容易混淆查询相关度结果

方案三：

　　将索引数据存储在一个不需分词的字段中(keyword), 生成倒排索引时进行三种类型倒排索引的生成，倒排索引生成的时候采用 edge_ngram 对倒排进一步拆分，以满足业务场景需求，检索时不对入参进行分词。

　　优势：索引数据存储简单，检索索引数据的时只需对一个字段采用 term 全匹配查询规则，查询效率极高。

　　缺点：采用以空间换时间的策略——比方案二要少，对索引数据来说可以接受。　

ES 针对这一业务场景解决方案还有很多种，先列出比较典型的这三种方案，选择方案三来进行处理。

准备工作

• pinyin分词插件安装及参数解读
• ElasticSearch edge_ngram 使用
• ElasticSearch multi-field 使用
• ElasticSearch 多种查询特性熟悉

代码

 myself_settings.json:

{
  "refresh_interval":"2s",
  "number_of_replicas":1,
  "number_of_shards":2,
  "analysis":{
    "filter":{
      "autocomplete_filter":{
        "type":"edge_ngram",
        "min_gram":1,
        "max_gram":15
      },
      "pinyin_first_letter_and_full_pinyin_filter" : {
        "type" : "pinyin",
        "keep_first_letter" : true,
        "keep_full_pinyin" : false,
        "keep_joined_full_pinyin": true,
        "keep_none_chinese" : false,
        "keep_original" : false,
        "limit_first_letter_length" : 16,
        "lowercase" : true,
        "trim_whitespace" : true,
        "keep_none_chinese_in_first_letter" : true
      },
      "full_pinyin_filter" : {
        "type" : "pinyin",
        "keep_first_letter" : true,
        "keep_full_pinyin" : false,
        "keep_joined_full_pinyin": true,
        "keep_none_chinese" : false,
        "keep_original" : true,
        "limit_first_letter_length" : 16,
        "lowercase" : true,
        "trim_whitespace" : true,
        "keep_none_chinese_in_first_letter" : true
      }
    },
    "analyzer":{
      "full_prefix_analyzer":{
        "type":"custom",
        "char_filter": [
          "html_strip"
        ],
        "tokenizer":"keyword",
        "filter":[
          "lowercase",
          "full_pinyin_filter",
          "autocomplete_filter"
        ]
      },
      "chinese_analyzer":{
        "type":"custom",
        "char_filter": [
          "html_strip"
        ],
        "tokenizer":"keyword",
        "filter":[
          "lowercase",
          "autocomplete_filter"
        ]
      },
      "pinyin_analyzer":{
        "type":"custom",
        "char_filter": [
          "html_strip"
        ],
        "tokenizer":"keyword",
        "filter":[
          "pinyin_first_letter_and_full_pinyin_filter",
          "autocomplete_filter"
        ]
      }
    }
  }
}

myself_mapping.json

{
  "test_type": {
    "properties": {
      "full_name": {
        "type":  "text",
        "analyzer": "full_prefix_analyzer"
      },
      "age": {
        "type":  "integer"
      }
    }
  }
}

 工程目录：

　　　　

测试项目代码：

public class PrefixTest {

    @Test
    public void testCreateIndex() throws Exception{
        TransportClient client = ESConnect.getInstance().getTransportClient();
        //定义索引
        BaseIndex.createWithSetting(client,"baidu_index","esjson/baidu_settings.json");
        //定义类型及字段详细设计
        BaseIndex.createMapping(client,"baidu_index","baidu_type","esjson/baidu_mapping.json");
    }
    @Test
    public void testBulkInsert() throws Exception{
        TransportClient client = ESConnect.getInstance().getTransportClient();
        List<Object> list = new ArrayList<>();
        list.add(new BulkInsert(12l,"我们都有一个家名字叫中国",12));
        list.add(new BulkInsert(13l,"兄弟姐妹都很多景色也不错 ",13));
        list.add(new BulkInsert(14l,"家里盘着两条龙是长江与黄河",14));
        list.add(new BulkInsert(15l,"还有珠穆朗玛峰儿是最高山坡",15));
        list.add(new BulkInsert(16l,"我们都有一个家名字叫中国",16));
        list.add(new BulkInsert(17l,"兄弟姐妹都很多景色也不错",17));
        list.add(new BulkInsert(18l,"看那一条长城万里在云中穿梭",18));
        boolean flag = BulkOperation.batchInsert(client,"baidu_index","baidu_type",list);
        System.out.println(flag);
    }
}

接下来查看下定义的分词器效果：

http://192.168.20.114:9200/baidu_index/_analyze?text=刘德华AT2016&analyzer=full_prefix_analyzer

得到的结果内容为：

{
    "tokens": [
        {
            "token": "刘",
            "start_offset": 0,
            "end_offset": 9,
            "type": "word",
            "position": 0
        },
        {
            "token": "刘德",
            "start_offset": 0,
            "end_offset": 9,
            "type": "word",
            "position": 0
        },
        {
            "token": "刘德华",
            "start_offset": 0,
            "end_offset": 9,
            "type": "word",
            "position": 0
        },
        {
            "token": "刘德华a",
            "start_offset": 0,
            "end_offset": 9,
            "type": "word",
            "position": 0
        },
        {
            "token": "刘德华at",
            "start_offset": 0,
            "end_offset": 9,
            "type": "word",
            "position": 0
        },
        {
            "token": "刘德华at2",
            "start_offset": 0,
            "end_offset": 9,
            "type": "word",
            "position": 0
        },
        {
            "token": "刘德华at20",
            "start_offset": 0,
            "end_offset": 9,
            "type": "word",
            "position": 0
        },
        {
            "token": "刘德华at201",
            "start_offset": 0,
            "end_offset": 9,
            "type": "word",
            "position": 0
        },
        {
            "token": "刘德华at2016",
            "start_offset": 0,
            "end_offset": 9,
            "type": "word",
            "position": 0
        },
        {
            "token": "l",
            "start_offset": 0,
            "end_offset": 9,
            "type": "word",
            "position": 0
        },
        {
            "token": "li",
            "start_offset": 0,
            "end_offset": 9,
            "type": "word",
            "position": 0
        },
        {
            "token": "liu",
            "start_offset": 0,
            "end_offset": 9,
            "type": "word",
            "position": 0
        },
        {
            "token": "liud",
            "start_offset": 0,
            "end_offset": 9,
            "type": "word",
            "position": 0
        },
        {
            "token": "liude",
            "start_offset": 0,
            "end_offset": 9,
            "type": "word",
            "position": 0
        },
        {
            "token": "liudeh",
            "start_offset": 0,
            "end_offset": 9,
            "type": "word",
            "position": 0
        },
        {
            "token": "liudehu",
            "start_offset": 0,
            "end_offset": 9,
            "type": "word",
            "position": 0
        },
        {
            "token": "liudehua",
            "start_offset": 0,
            "end_offset": 9,
            "type": "word",
            "position": 0
        },
        {
            "token": "l",
            "start_offset": 0,
            "end_offset": 9,
            "type": "word",
            "position": 0
        },
        {
            "token": "ld",
            "start_offset": 0,
            "end_offset": 9,
            "type": "word",
            "position": 0
        },
        {
            "token": "ldh",
            "start_offset": 0,
            "end_offset": 9,
            "type": "word",
            "position": 0
        },
        {
            "token": "ldha",
            "start_offset": 0,
            "end_offset": 9,
            "type": "word",
            "position": 0
        },
        {
            "token": "ldhat",
            "start_offset": 0,
            "end_offset": 9,
            "type": "word",
            "position": 0
        },
        {
            "token": "ldhat2",
            "start_offset": 0,
            "end_offset": 9,
            "type": "word",
            "position": 0
        },
        {
            "token": "ldhat20",
            "start_offset": 0,
            "end_offset": 9,
            "type": "word",
            "position": 0
        },
        {
            "token": "ldhat201",
            "start_offset": 0,
            "end_offset": 9,
            "type": "word",
            "position": 0
        },
        {
            "token": "ldhat2016",
            "start_offset": 0,
            "end_offset": 9,
            "type": "word",
            "position": 0
        }
    ]
}

看到以上结果，则表明大功告成了！