本文已收錄至Github，推薦閱讀 ?? Java隨想錄
微信公眾號(hào)：Java隨想錄

前綴匹配：prefix

前綴匹配通過(guò)指定一個(gè)前綴值，搜索并匹配索引中指定字段的文檔，找出那些以該前綴開(kāi)頭的結(jié)果。

在 Elasticsearch 中，可以使用 prefix 查詢來(lái)執(zhí)行前綴搜索。其基本語(yǔ)法如下：

{
  "query": {
    "prefix": {
      "field_name": {
        "value": "prefix_value"
      }
    }
  }
}

其中，field_name 是要進(jìn)行前綴搜索的字段名，prefix_value 是要匹配的前綴值。

注意：前綴搜索匹配的是term，而不是field，換句話說(shuō)前綴搜索匹配的是分析之后的詞項(xiàng)，并且不計(jì)算相關(guān)度評(píng)分。

優(yōu)點(diǎn)：

• 快速：前綴搜索使用倒排索引加速匹配過(guò)程，具有較高的查詢性能。
• 靈活：可以基于不同的字段進(jìn)行前綴搜索，適用于各種數(shù)據(jù)模型。

缺點(diǎn)：

• 前綴無(wú)法通配：前綴搜索只能匹配以指定前綴開(kāi)始的文檔，無(wú)法進(jìn)行通配符匹配。
• 高內(nèi)存消耗：如果前綴值過(guò)長(zhǎng)或前綴匹配的文檔數(shù)量過(guò)多，將占用較大的內(nèi)存資源，并且前綴搜索是沒(méi)有緩存的。

index_prefixes

index_prefixes參數(shù)允許對(duì)詞條前綴進(jìn)行索引，以加速前綴搜索。它接受以下可選設(shè)置:

• min_chars：索引的最小前綴長(zhǎng)度（包含），必須大于0，默認(rèn)值為2。
• max_chars：索引的最大前綴長(zhǎng)度（包含），必須小于20，默認(rèn)值為5。

index_prefixe可以理解為在索引上又建了層索引，會(huì)為詞項(xiàng)再創(chuàng)建倒排索引，會(huì)加快前綴搜索的時(shí)間，但是會(huì)浪費(fèi)大量空間，本質(zhì)還是空間換時(shí)間。

通配符匹配：wildcard

通配符匹配允許使用通配符來(lái)匹配文檔中的字段值，是一種基于模式匹配的搜索方法，它使用通配符字符來(lái)匹配文檔中的字段值。

通配符字符包括 * 和 ?，其中 * 表示匹配任意數(shù)量（包括零個(gè)）的字符，而 ? 則表示匹配一個(gè)字符。

在通配符搜索中，可以在搜索詞中使用通配符字符，將其替換為要匹配的任意字符或字符序列。通配符搜索可以應(yīng)用于具有文本類型的字段。

注意：通配符搜索和前綴搜索一樣，匹配的都是分析之后的詞項(xiàng)。

請(qǐng)求示例： 以下是一個(gè)使用通配符搜索的示例請(qǐng)求：

GET /my_index/_search
{
  "query": {
    "wildcard": {
      "title.keyword": {
        "value": "elast*"
      }
    }
  }
}

在上述示例中，我們對(duì)名為 my_index 的索引執(zhí)行了一個(gè)通配符搜索。我們指定了要搜索的字段為 title.keyword，并使用 elast* 作為通配符搜索詞。這將匹配 title.keyword 字段中以 elast 開(kāi)頭的任意字符序列。

正則表達(dá)式匹配：regexp

正則表達(dá)式匹配（regexp）是一種基于正則表達(dá)式模式進(jìn)行匹配的搜索方法，它允許使用正則表達(dá)式來(lái)匹配文檔中的字段值。

用途： 正則表達(dá)式匹配在以下情況下非常有用：

• 高級(jí)模式匹配：當(dāng)需要更復(fù)雜的模式匹配時(shí)，正則表達(dá)式匹配提供了更多的靈活性和功能。
• 模糊搜索：通過(guò)使用通配符和限定符，可以進(jìn)行更精確的模糊匹配。

優(yōu)缺點(diǎn)：

• 優(yōu)點(diǎn)：
  • 強(qiáng)大的模式匹配：正則表達(dá)式匹配提供了強(qiáng)大且靈活的模式匹配功能，可以滿足各種復(fù)雜的搜索需求。
  • 可定制性：通過(guò)使用正則表達(dá)式，您可以根據(jù)具體需求編寫自定義的匹配規(guī)則。
• 缺點(diǎn)：
  • 性能：正則表達(dá)式匹配的性能較低，尤其是在大型索引上進(jìn)行正則表達(dá)式匹配可能會(huì)導(dǎo)致搜索延遲和資源消耗增加。
  • 學(xué)習(xí)成本高：使用正則表達(dá)式需要一定的學(xué)習(xí)和理解，對(duì)于不熟悉正則表達(dá)式的人來(lái)說(shuō)可能會(huì)有一定的難度。

語(yǔ)法：

GET <index>/_search
{
  "query": {
    "regexp": {
      "<field>": {
        "value": "<regex>",
        "flags": "ALL",
      }
    }
  }
}

請(qǐng)求示例： 以下是一個(gè)使用正則表達(dá)式匹配的示例請(qǐng)求：

GET /my_index/_search
{
  "query": {
    "regexp": {
      "title.keyword": {
        "value": "elast.*",
        "flags": "ALL"
      }
    }
  }
}

在上述示例中，我們對(duì)名為 my_index 的索引執(zhí)行了一個(gè)正則表達(dá)式匹配。我們指定要搜索的字段為 title.keyword，并使用 elast.* 作為正則表達(dá)式匹配模式。這將匹配 title.keyword 字段中以 elast 開(kāi)頭的字符序列，并且后面可以是任意字符。

注意：regexp查詢的性能可以根據(jù)提供的正則表達(dá)式而有所不同。為了提高性能，應(yīng)避免使用通配符模式，如 . 或 .?+ 未經(jīng)前綴或后綴。

flags

正則表達(dá)式匹配的 flags 參數(shù)用于指定正則表達(dá)式的匹配選項(xiàng)。它可以修改正則表達(dá)式的行為以進(jìn)行更靈活和精確的匹配。

語(yǔ)法： 在正則表達(dá)式匹配的查詢中，flags 參數(shù)是一個(gè)字符串，它可以包含多個(gè)選項(xiàng)，并用逗號(hào)分隔。每個(gè)選項(xiàng)都由一個(gè)字母表示。

以下是常用的 flags 參數(shù)選項(xiàng)及其說(shuō)明：

• ALL：?jiǎn)⒂盟羞x項(xiàng)，相當(dāng)于同時(shí)啟用了 ANYSTRING, COMPLEMENT, EMPTY, INTERSECTION, INTERVAL, NONE, NOTEMPTY, 和 NOTNONE。
• ANYSTRING：允許使用 . 來(lái)匹配任意字符，默認(rèn)情況下 . 不匹配換行符。
• COMPLEMENT：求反操作，匹配除指定模式外的所有內(nèi)容。
• EMPTY：匹配空字符串。
• INTERSECTION：允許使用 && 運(yùn)算符來(lái)定義交集。
• INTERVAL：允許使用 {} 來(lái)定義重復(fù)數(shù)量的區(qū)間。
• NONE：禁用所有選項(xiàng)，相當(dāng)于不設(shè)置 flags 參數(shù)。
• NOTEMPTY：匹配非空字符串。
• NOTNONE：匹配任何內(nèi)容，包括空字符串。

flags參數(shù)用到的場(chǎng)景比較少，做下了解即可。

模糊匹配：fuzzy

模糊查詢（Fuzzy Query）是 Elasticsearch 中一種近似匹配的搜索方式，用于查找與搜索詞項(xiàng)相似但不完全相等的文檔。基于編輯距離（Levenshtein 距離）計(jì)算兩個(gè)詞項(xiàng)之間的差異。

它通過(guò)允許最多的差異量來(lái)匹配文檔，以處理輸入錯(cuò)誤、拼寫錯(cuò)誤或輕微變體的情況。

用途：糾正拼寫錯(cuò)誤，模糊查詢可用于糾正用戶可能犯的拼寫錯(cuò)誤，可以提供寬松匹配，使搜索結(jié)果更加全面。

• 混淆字符 (box → fox)
• 缺少字符 (black → lack)
• 多出字符 (sic → sick)
• 顛倒次序 (act → cat)

請(qǐng)求示例：

GET /my_index/_search
{
  "query": {
    "fuzzy": {
      "title": {
        "value": "quick",
        "fuzziness": "2"
      }
    }
  }
}

fuzziness是編輯距離，即：編輯成正確字符所需要挪動(dòng)的字符的數(shù)量

參數(shù)

• value：必須，關(guān)鍵詞。
• fuzziness：編輯距離，范圍是（0，1，2），并非越大越好，過(guò)大召回率高但結(jié)果不準(zhǔn)確，默認(rèn)是：AUTO，即自動(dòng)從0~2取值。
  • 兩段文本之間的Damerau-Levenshtein距離是使一個(gè)字符串與另一個(gè)字符串匹配所需的插入、刪除、替換和調(diào)換的數(shù)量。
  • 距離公式：Levenshtein是lucene的概念，ES做了改進(jìn)，使用的是基于Levenshtein的Damerau-Levenshtein，比如：axe=>aex。 Levenshtein會(huì)算作2個(gè)距離，而Damerau-Levenshtein只會(huì)算成1個(gè)距離。
• transpositions：可選，布爾值，指示編輯是否包括兩個(gè)相鄰字符的變位（ab→ba），默認(rèn)為true，使用的是Damerau-Levenshtein，如果為false，就會(huì)使用Levenshtein去計(jì)算。

短語(yǔ)前綴：match_phrase_prefix

先來(lái)了解下match_phrase，match_phrase檢索有如下特點(diǎn)：

• match_phrase會(huì)分詞。
• 被檢索字段必須包含match_phrase中的所有詞項(xiàng)并且順序必須是相同的。
• 默認(rèn)被檢索字段包含的match_phrase中的詞項(xiàng)之間不能有其他詞項(xiàng)。

match_phrase_prefix與match_phrase相同,但是它多了一個(gè)特性，就是它允許在文本的最后一個(gè)詞項(xiàng)(term)上的前綴匹配。

如果是一個(gè)單詞，比如a，它會(huì)匹配文檔字段所有以a開(kāi)頭的文檔，如果是一個(gè)短語(yǔ)，比如 “this is ma” ，他會(huì)先在倒排索引中做以ma做前綴搜索，然后在匹配到的doc中以 “this is” 做match_phrase查詢。

match_phrase_prefix 查詢是一種結(jié)合了短語(yǔ)匹配和前綴匹配的查詢方式。它用于在某個(gè)字段中匹配包含指定短語(yǔ)前綴的文檔。

具體來(lái)說(shuō)，match_phrase_prefix 查詢會(huì)將查詢字符串分成兩部分：前綴部分和后綴部分。然后它會(huì)先對(duì)前綴部分進(jìn)行短語(yǔ)匹配，找到以該短語(yǔ)開(kāi)頭的文檔片段；接下來(lái)，針對(duì)符合前綴匹配的文檔片段，再對(duì)后綴部分進(jìn)行前綴匹配，從而進(jìn)一步篩選出最終匹配的文檔。

以下是 match_phrase_prefix 查詢的示例：

GET /my_index/_search
{
  "query": {
    "match_phrase_prefix": {
      "title": {
        "query": "quick brown f",
        "max_expansions": 10
      }
    }
  }
}

解釋：

• 在上述示例中，我們執(zhí)行了一個(gè) match_phrase_prefix 查詢。
• 查詢字段為 title，我們要求匹配的短語(yǔ)是 “quick brown f”。
• max_expansions 參數(shù)用于控制擴(kuò)展的前綴項(xiàng)數(shù)量（默認(rèn)為 50）。這里我們?cè)O(shè)置為 10，表示最多擴(kuò)展 10 個(gè)前綴項(xiàng)進(jìn)行匹配。

match_phrase_prefix 查詢適用于需要同時(shí)支持短語(yǔ)匹配和前綴匹配的場(chǎng)景。例如，當(dāng)用戶輸入一個(gè)搜索短語(yǔ)的前綴時(shí)，可以使用該查詢來(lái)獲取相關(guān)的文檔結(jié)果。

參數(shù)

• analyzer：指定何種分析器來(lái)對(duì)該短語(yǔ)進(jìn)行分詞處理。
• max_expansions：限制匹配的最大詞項(xiàng)，有點(diǎn)類似SQL中的limit，默認(rèn)值是50。
• boost：用于設(shè)置該查詢的權(quán)重。
• slop：允許短語(yǔ)間的詞項(xiàng)(term)間隔，slop 參數(shù)告訴 match_phrase 查詢?cè)~條相隔多遠(yuǎn)時(shí)仍然能將文檔視為匹配，相隔多遠(yuǎn)意思就是說(shuō)為了讓查詢和文檔匹配你需要移動(dòng)詞條多少次，默認(rèn)是0。

ngram & edge ngram

ngram 和 edge ngram 是兩種用于分析和索引文本的字符級(jí)別的分詞器。

• ngram：ngram 分詞器將輸入的文本按照指定的長(zhǎng)度切割成一系列連續(xù)的字符片段。例如，對(duì)于字符串 “Hello”，使用 2-gram（雙字符）分詞器會(huì)生成 [“He”, “el”, “l(fā)l”, “l(fā)o”]。
• edge ngram：edge ngram 分詞器是 ngram 分詞器的一種特殊形式，它只會(huì)產(chǎn)生從單詞開(kāi)頭開(kāi)始的 ngram 片段。例如，對(duì)于字符串 “Hello”，使用 2-gram（雙字符）edge ngram 分詞器會(huì)生成 [“He”, “el”]。 edge ngram作用類似fuzzy，但是性能要比f(wàn)uzzy好，當(dāng)然也更占用磁盤空間，原因是因?yàn)閑dge ngram對(duì)更細(xì)粒度的token創(chuàng)建了索引。

參數(shù)：

• min_gram：創(chuàng)建索引所拆分字符的最小閾值。
• max_gram：創(chuàng)建索引所拆分字符的最大閾值。

以下是一個(gè)示例來(lái)說(shuō)明如何在 Elasticsearch 中使用 ngram 和 edge ngram 分詞器：

PUT /my_index
{
  "settings": {
    "analysis": {
      "analyzer": {
        "my_ngram_analyzer": {
          "tokenizer": "my_ngram_tokenizer"
        },
        "my_edge_ngram_analyzer": {
          "tokenizer": "my_edge_ngram_tokenizer"
        }
      },
      "tokenizer": {
        "my_ngram_tokenizer": {
          "type": "ngram",
          "min_gram": 2,
          "max_gram": 4
        },
        "my_edge_ngram_tokenizer": {
          "type": "edge_ngram",
          "min_gram": 2,
          "max_gram": 10
        }
      }
    }
  },
  "mappings": {
    "properties": {
      "title": {
        "type": "text",
        "analyzer": "my_ngram_analyzer"
      },
      "keyword": {
        "type": "text",
        "analyzer": "my_edge_ngram_analyzer"
      }
    }
  }
}

在上述示例中，我們創(chuàng)建了一個(gè)名為 my_index 的索引，定義了兩個(gè)不同的分詞器和對(duì)應(yīng)的字段映射：

• my_ngram_analyzer 使用了 ngram 分詞器，適用于處理 title 字段。
• my_edge_ngram_analyzer 使用了 edge ngram 分詞器，適用于處理 keyword 字段。

通過(guò)在查詢時(shí)指定相應(yīng)的分析器，可以使用這些分詞器來(lái)進(jìn)行文本搜索、前綴搜索等操作。

注意：ngram 作為 tokenizer 的時(shí)候會(huì)把空格也包含在內(nèi)，而作為 token filter 時(shí)，空格不會(huì)作為處理字符。文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-791289.html

到了這里，關(guān)于一起學(xué)Elasticsearch系列-模糊搜索的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！