Elasticsearch查询语法实战:从基础到高级应用

Elasticsearch 高级查询语法 Query DSL 实战指南 Elasticsearch DSL查询语言详解 本文全面介绍了Elasticsearch的Query DSL查询语言,主要包括以下内容: DSL分类:按结构层次和功能特性划分查询类型 查询类型详解: 匹配查询(match_all、match、multi_match等) 精确查询(term、terms、range、exists等) 高级查询(prefix、wildcard、regexp、fuzzy等) 布尔查询(bool、must/should/filter/must_not组合) 地理空间查询(geo_di 阅读详情

1. 先搞懂查询结果:你的数据“体检报告”

刚开始用 Elasticsearch 做查询,最让人懵的可能不是怎么写查询语句,而是拿到那一大坨 JSON 结果后,完全看不懂每个字段是啥意思。这感觉就像拿到一份全英文的体检报告,每个词都认识,但连起来就不知道身体到底好不好了。别急,咱们先来把这份“体检报告”的每一项都拆开看明白。

当你执行一个最简单的空搜索(比如 GET /your_index/_search),你会得到一个类似下面的结果。我结合自己踩过的坑,给你翻译一下:

{
  "took": 5,
  "timed_out": false,
  "_shards": {
    "total": 3,
    "successful": 3,
    "skipped": 0,
    "failed": 0
  },
  "hits": {
    "total": {
      "value": 21798,
      "relation": "eq"
    },
    "max_score": 1.0,
    "hits": [
      {
        "_index": "your_index",
        "_type": "_doc",
        "_id": "1",
        "_score": 1.0,
        "_source": {
          "orderNo": "202310270001",
          "amount": 299.9,
          "createTime": "2023-10-27T10:00:00Z"
          // ... 你的文档所有原始字段都在这里
        }
      }
    ]
  }
}
  • took (耗时): 这个数字单位是毫秒,表示 ES 处理你这个请求花了多久。我刚开始总以为它包含了网络传输时间,其实不是,它只算 ES 服务器内部搜索的时间。如果这个值突然飙升,那很可能你的查询需要优化,或者集群压力大了。
  • timed_out (是否超时): 默认情况下,查询不会超时。但如果你的查询太复杂或者数据量巨大,你可以手动设置超时时间。如果这里显示 true,那返回的结果可能是不完整的。
  • _shards (分片信息): 这是理解 ES 分布式特性的关键。total 是你索引的总分片数(主分片+副本分片)。successful 是成功参与搜索的分片数,如果它小于 total,说明有部分分片可能因为节点宕机等原因没响应,但搜索依然成功了(只要还有分片活着)。failed 为 0 是最理想的状态。
  • hits (命中文档): 这是我们最关心的部分。
    • total.value: 匹配到的文档总数。这是做分页时必须用到的关键数字。注意,在数据量极大时,为了性能,ES 可能返回一个近似值(relation 为 gte),如果需要精确值,需要在查询中设置 "track_total_hits": true,但这会有性能代价,我一般只在后台管理统计时用。
    • max_score: 本次查询结果中,最高的相关性评分。如果你用了 match 这类全文检索,这个值能帮你判断整体匹配质量。
    • hits 数组: 这里就是具体的文档列表了,默认按 _score 降序排列,只返回前10条。
      • _index, _type, _id: 文档的“身份证”信息。
      • _score: 相关性分数。这是全文搜索的精华,分数越高,代表文档与你的搜索意图越相关。但像 term、filter 这种精确查询或过滤,是不计算分数的,所以这里会是 null 或者一个固定值。
      • _source: 文档的原始内容,就是你存进去的所有字段。这里有个实战技巧:如果文档字段很多很大,但你只需要其中几个,一定要用 _source 过滤来减少网络传输和序列化开销,比如 "_source": ["orderNo", "amount"]。

理解这份“报告”,你就能对查询的健康状况和结果有效性有个基本判断了。接下来,咱们就从最简单的查询开始上手。

2. 入门三板斧:match, term, range

刚开始写查询,别想着一口吃成胖子。掌握最常用的三种查询,就能解决80%的基础需求。我把它们叫做“入门三板斧”。

2.1 match查询:像百度一样搜全文

match 查询是 ES 里最常用、最“聪明”的查询。它会对你的搜索词进行分词,然后用分好的词去倒排索引里找。这非常适合用来做全文搜索,比如商品名称、文章内容搜索。

GET /products/_search
{
  "query": {
    "match": {
      "description": "无线蓝牙降噪耳机"
    }
  }
}

上面这个查询,ES 会先用分词器(比如默认的 standard,或你配置的 ik)把“无线蓝牙降噪耳机”拆分成可能是【无线】、【蓝牙】、【降噪】、【耳机】这几个词条。然后,它会去找 description 字段里包含这些词条中任何一个的文档。这相当于一个 OR 的逻辑。

那如果我想要所有词条都必须出现呢?用 operator 参数:

GET /products/_search
{
  "query": {
    "match": {
      "description": {
        "query": "无线蓝牙降噪耳机",
        "operator": "and" // 要求所有分词结果都必须出现
      }
    }
  }
}

这就像搜索“无线 AND 蓝牙 AND 降噪 AND 耳机”,结果会更精确,但可能也会漏掉一些相关文档。我个人的经验是,在电商搜索框这种场景,默认的 or 逻辑用户体验更好;在后台系统做精确筛选时,可以用 and。

2.2 term查询:精确匹配,一锤定音

term 查询用于对未分词的字段做精确匹配。它不会对搜索词做任何处理,直接拿整个词去索引里找。这常用于匹配 keyword 类型字段、数字、日期、枚举值等。

GET /orders/_search
{
  "query": {
    "term": {
      "status": "PAID" // 精确匹配状态为“已支付”的订单
    }
  }
}

这里有个超级大坑,我踩过好几次! 如果你对一个 text 类型的字段(比如 productName)使用 term 查询,很可能会搜不到东西。因为 text 字段会被分词存储。你存的是“华为手机”,但分词后变成了“华为”和“手机”。你用 term 去查“华为手机”,ES 去找完整的“华为手机”这个词条,当然找不到。所以,做精确匹配时,确保字段类型是 keyword,或者使用 text 字段的 .keyword 子字段(多字段映射特性)。

// 正确做法:使用 .keyword 子字段进行精确匹配
GET /products/_search
{
  "query": {
    "term": {
      "productName.keyword": "华为 Mate 60 Pro"
    }
  }
}

2.3 terms查询:一人得道,鸡犬升天

terms 是 term 的复数形式,相当于 SQL 里的 IN 语句。一次性能匹配多个值,只要文档的字段值出现在你给的列表里,就算命中。

GET /users/_search
{
  "query": {
    "terms": {
      "city": ["北京", "上海", "深圳", "广州"] // 用户城市在这四个之中的
    }
  }
}

这个查询在过滤分类、标签、地区等场景下非常高效。

2.4 range查询:划定你的势力范围

range 查询用于范围匹配,支持数字、日期甚至字符串(按字典序)。它的参数非常直观:

  • gt: 大于
  • gte: 大于等于
  • lt: 小于
  • lte: 小于等于
GET /logs/_search
{
  "query": {
    "range": {
      "responseTime": {
        "gte": 100,
        "lt": 500
      }
    }
  }
}

日期范围查询是另一个高频场景,格式必须符合 ES 能识别的日期格式:

GET /orders/_search
{
  "query": {
    "range": {
      "createTime": {
        "gte": "2023-10-01",
        "lte": "2023-10-31",
        "format": "yyyy-MM-dd" // 明确指定格式是个好习惯
      }
    }
  }
}

掌握了这“三板斧”,你已经能应付很多日常查询了。但现实需求往往更复杂,我们需要把多个条件组合起来。

3. 布尔组合:must, should, must_not, filter 的排列艺术

当你的查询条件不止一个时,bool 查询就是你最强大的武器。它允许你通过逻辑组合(must=且,should=或,must_not=非)来构建复杂的查询。我把它理解成乐高积木,用几个简单的块搭出复杂的结构。

3.1 理解四个核心子句

一个标准的 bool 查询结构如下:

GET /articles/_search
{
  "query": {
    "bool": {
      "must": [     // 必须满足,类似 AND,参与算分
        { "match": { "title": "Elasticsearch" } }
      ],
      "must_not": [ // 必须不满足,类似 NOT,不参与算分
        { "term": { "status": "draft" } }
      ],
      "should": [   // 应该满足,类似 OR,参与算分
        { "match": { "tags": "入门" } },
        { "match": { "tags": "实战" } }
      ],
      "filter": [   // 必须满足,类似 AND,但不参与算分,性能高
        { "range": { "publishDate": { "gte": "2023-01-01" } } }
      ]
    }
  }
}
  • must (必须): 所有条件都必须满足,文档才会被返回。它会影响 _score。
  • should (应该): 满足其中任意一个或多个条件即可。它也会影响 _score,满足的 should 子句越多,分数通常越高。这里有个关键点:如果 bool 查询里同时有 must 或 filter,那么 should 就变成了“加分项”,不是必须的。如果想让 should 在 must 存在时也至少满足一个,需要设置 "minimum_should_match": 1。
  • must_not (必须不): 文档不能匹配这些条件。它不参与算分,纯粹是过滤。
  • filter (过滤): 文档必须匹配这些条件。它和 must 的关键区别在于:filter 不计算相关性分数,并且结果可以被缓存。这带来了巨大的性能优势。

3.2 为什么 filter 比 must 快?缓存的力量

这是面试常考点,也是性能优化的关键。filter 上下文只关心“是”或“否”,不关心“有多好”。因此,ES 可以跳过耗时的评分计算过程。更重要的是,ES 会为 filter 子句的结果构建一个叫 bitset 的位图缓存。

想象一下,你有一个过滤条件 status: "ACTIVE"。ES 会遍历所有文档,为每个文档生成一个标记:1(活跃)或 0(不活跃)。这个位图(bitset)很小,可以高效地缓存在内存里。下次再有完全相同的 filter 查询过来,ES 直接复用这个位图,不用再去翻庞大的倒排索引了。而 must 因为要算分,每次都得重新计算。

所以,一个黄金法则就是:所有不需要相关性评分的条件,都应该放在 filter 里。比如状态过滤、时间范围过滤、分类过滤等。

3.3 一个实战案例:商品搜索

假设我们要构建一个电商商品搜索:

  1. 必须包含关键词“手机”(全文搜索)。
  2. 品牌必须是“华为”或“小米”(精确匹配)。
  3. 价格必须在1000到5000元之间(范围过滤)。
  4. 必须上架(状态过滤)。
  5. 如果商品有“官方旗舰店”标签,或者好评率大于98%,就给它加分(提升排名)。

用 bool 查询可以清晰地表达:

GET /products/_search
{
  "query": {
    "bool": {
      "must": [
        {
          "match": {
            "name": "手机"
          }
        }
      ],
      "filter": [ // 精确匹配和范围过滤,不参与算分,性能高
        {
          "terms": {
            "brand.keyword": ["华为", "小米"]
          }
        },
        {
          "range": {
            "price": {
              "gte": 1000,
              "lte": 5000
            }
          }
        },
        {
          "term": {
            "status": "ON_SHELF"
          }
        }
      ],
      "should": [ // 加分项,满足则提升排名
        {
          "term": {
            "tags.keyword": "官方旗舰店"
          }
        },
        {
          "range": {
            "goodRatingRate": {
              "gt": 0.98
            }
          }
        }
      ],
      "minimum_should_match": 0 // 因为有must和filter,should不是必须的
    }
  }
}

通过 bool 查询,我们可以把复杂的业务逻辑清晰地翻译成 ES 能理解的查询语句,并且兼顾了性能和相关性排序。

4. 高级查询技巧:解决复杂场景

基础查询和布尔组合能解决大部分问题,但有些特殊场景需要更高级的工具。这里介绍两个我项目中常用的高级查询。

4.1 dis_max:在多字段中寻找“最佳匹配”

有时候,我们想同时在多个字段里搜索同一个词,比如在文章的“标题”和“内容”里搜“人工智能”。你可能会想到用 bool 的 should:

{
  "query": {
    "bool": {
      "should": [
        { "match": { "title": "人工智能" } },
        { "match": { "content": "人工智能" } }
      ]
    }
  }
}

这没问题,但算分方式可能不符合预期。ES 会把两个字段的分数加起来作为最终分数。如果一个文档标题匹配度极高(得高分),内容只是稍微提了一下(得低分),另一个文档标题和内容匹配度都很中等(两个中等分),加起来的总分可能后者更高。但我们往往更希望标题匹配度极高的那个文档排在前面。

这时就需要 dis_max (Disjunction Max Query,分离最大化查询)。它会在多个查询中,只取分数最高的那个作为最终分数,而不是求和。

GET /articles/_search
{
  "query": {
    "dis_max": {
      "queries": [
        { "match": { "title": "人工智能" } },
        { "match": { "content": "人工智能" } }
      ],
      "tie_breaker": 0.3
    }
  }
}
  • queries: 包含多个子查询的数组。
  • tie_breaker (打破平局者): 一个0到1之间的小数。最终分数 = 最高分 + tie_breaker * 其他匹配查询的分数。如果设为0,就是只取最高分;如果设为1,就退化成了分数求和。通常设置一个0.1~0.4的值,能在突出最佳匹配的同时,适当考虑其他字段的匹配度。

4.2 boosting query:给查询条件加上“权重”

另一个常见需求是:我们希望某些条件更重要。比如搜索员工,名字匹配的权重应该远高于部门匹配。boosting query 可以做到这一点,但它不是直接加权,而是通过“降权”来实现。

GET /employees/_search
{
  "query": {
    "boosting": {
      "positive": {
        "should": [
          { "match": { "name": "张三" } },
          { "match": { "department": "技术部" } }
        ]
      },
      "negative": {
        "term": {
          "status": "离职"
        }
      },
      "negative_boost": 0.2
    }
  }
}
  • positive: 基础查询,匹配到的文档都会返回。
  • negative: 负面查询。如果一个文档同时匹配了 positive 和 negative,那么它的分数会被惩罚。
  • negative_boost: 惩罚系数。匹配了负面查询的文档,其最终分数 = 原始分数 * negative_boost (这里就是乘以0.2)。

在上面的例子里,所有员工都会被搜索,但状态是“离职”的员工,其排名会大幅下降。这比用 must_not 直接过滤掉更灵活,因为“离职”员工的信息仍然能看到,只是排在后面。

5. 分页与排序:高效获取你想要的数据

查询结果往往很多,我们不可能一次性全拉回来。分页是必备技能,但 ES 的分页有它的特殊性。

5.1 基础分页:from + size

最直接的分页方式,和 SQL 的 LIMIT offset, size 很像。

GET /logs/_search
{
  "from": 20, // 从第20条开始(0-based)
  "size": 10, // 取10条
  "query": { "match_all": {} }
}

但是,这里有性能陷阱! from + size 的分页方式,在深度分页时(比如 from=10000)效率极低。因为 ES 需要从每个分片上先取出 10000+10 条数据,在协调节点汇总排序后,再给你第10000到10009条。数据量一大,内存和CPU消耗都非常恐怖。ES 默认限制 from + size 不能超过 10000。对于深度分页,需要用下面介绍的 search_after。

5.2 滚动查询:search_after

search_after 是处理深度分页的推荐方式。它需要一个排序字段组合(通常至少包含一个唯一值字段,如 _id),并利用上一次查询最后一条记录的结果来获取下一页。

// 第一页
GET /orders/_search
{
  "size": 100,
  "sort": [
    { "createTime": "desc" },
    { "_id": "asc" } // 确保排序唯一性
  ],
  "query": { ... }
}

// 假设第一页最后一条结果的排序值是 ["2023-10-27T10:00:00.000Z", "order_100"]
// 第二页请求
GET /orders/_search
{
  "size": 100,
  "sort": [
    { "createTime": "desc" },
    { "_id": "asc" }
  ],
  "search_after": ["2023-10-27T10:00:00.000Z", "order_100"], // 关键在这里
  "query": { ... }
}

search_after 的原理类似于书签,它不关心前面有多少页,只从“书签”处开始往后拿数据,性能远优于 from + size。但它不支持跳页,只能一页一页顺序往下翻,非常适合后台数据导出、无限滚动加载等场景。

5.3 排序:不止按分数

默认情况下,结果按 _score 降序排列。但我们可以自定义排序规则:

GET /products/_search
{
  "sort": [
    { "price": { "order": "asc" } }, // 按价格升序
    { "_score": { "order": "desc" } }, // 再按相关性降序
    { "stock": { "order": "desc", "missing": "_last" } } // 库存降序,无库存字段的排最后
  ],
  "query": { ... }
}

对于 text 字段,如果需要排序,通常要使用其 .keyword 子字段,因为分词后的 text 字段无法进行有意义的排序。

6. 聚合分析:让数据开口说话

聚合(Aggregation)是 ES 的杀手锏之一,它能让你对数据进行多维度的统计分析,而不仅仅是检索文档。聚合主要分两大类:指标聚合 和 桶聚合。

6.1 指标聚合:计算统计值

指标聚合类似于 SQL 的 AVG(), SUM(), MAX(), MIN(), COUNT() 等函数。

GET /orders/_search
{
  "size": 0, // 不关心具体文档,只返回聚合结果
  "aggs": { // aggregation 的缩写
    "total_sales": {
      "sum": { // 求和
        "field": "amount"
      }
    },
    "avg_order_value": {
      "avg": { // 求平均值
        "field": "amount"
      }
    },
    "max_amount": {
      "max": { // 求最大值
        "field": "amount"
      }
    },
    "order_count": {
      "value_count": { // 计数
        "field": "orderNo.keyword"
      }
    }
  }
}

6.2 桶聚合:数据分组与下钻

桶聚合将文档分配到不同的“桶”中,类似于 SQL 的 GROUP BY。最常用的是 terms 聚合。

// 按城市分组,统计订单数量和销售总额
GET /orders/_search
{
  "size": 0,
  "aggs": {
    "sales_by_city": { // 第一个聚合:按城市分桶
      "terms": {
        "field": "city.keyword",
        "size": 10 // 返回前10个城市
      },
      "aggs": { // 在桶内再进行子聚合:计算每个城市的销售额
        "city_total_sales": {
          "sum": {
            "field": "amount"
          }
        }
      }
    }
  }
}

这个查询会返回一个列表,显示每个城市的订单数(默认按文档数降序),以及每个城市的销售总额。这就是典型的“分组统计”。

6.3 一个综合实战案例:电商数据仪表盘

假设我们要为电商后台做一个仪表盘,需要以下数据:

  1. 今日总销售额、总订单数。
  2. 按商品分类统计的销售额 Top 5。
  3. 按小时统计的订单趋势。

我们可以用一个查询搞定:

GET /orders/_search
{
  "size": 0,
  "query": {
    "range": {
      "createTime": {
        "gte": "now-1d/d", // 从昨天零点开始
        "lt": "now/d" // 到今天零点(即最近24小时)
      }
    }
  },
  "aggs": {
    "total_stats": { // 总指标
      "stats": { // stats聚合一次性返回 count, min, max, avg, sum
        "field": "amount"
      }
    },
    "top_categories": { // 按分类分桶
      "terms": {
        "field": "categoryName.keyword",
        "size": 5,
        "order": { "category_sales": "desc" } // 按子聚合的销售额降序排
      },
      "aggs": {
        "category_sales": {
          "sum": { "field": "amount" }
        }
      }
    },
    "orders_by_hour": { // 按小时分桶(日期直方图)
      "date_histogram": {
        "field": "createTime",
        "calendar_interval": "hour",
        "format": "HH:mm",
        "min_doc_count": 0 // 即使某个小时没订单,也返回0
      },
      "aggs": {
        "hourly_sales": {
          "sum": { "field": "amount" }
        }
      }
    }
  }
}

这个查询充分利用了 ES 聚合的强大能力,通过一次请求就获取了多层级的分析数据,避免了在应用层进行多次查询和复杂的数据拼接,极大地提升了后台数据报表的性能和开发效率。

从我自己的经验来看,从理解查询结果开始,到熟练运用布尔组合和聚合分析,是一个循序渐进的过程。刚开始写复杂的 bool 查询和嵌套聚合可能会觉得头大,但多写几次,多结合 Kibana 的 Dev Tools 去调试和查看结果,慢慢就会找到感觉。记住,ES 的查询 DSL 虽然看起来复杂,但其设计思想非常贴近我们的自然逻辑。把它当成搭积木,先拆解业务需求,再选择合适的“积木块”组合起来,你就能驾驭它了。

ElasticSearch语法整理-DSL语言高级查询 Domain Specific Language 领域专用语言 DSL由叶子查询子句和复合查询子句两种子句组成。 无查询条件 无查询条件是查询所有,默认是查询所有的索引库的数据,或者使用match_all表示所有 GET /es_db/_doc/_search { "query":{ "match_all":{} } } 有查询条件 查询命令GET POST 都可以 1、叶子条件查询(单字段查询条件) 1.1 模糊匹配 match : 通过match关 阅读详情

相关推荐

elasticsearch篇:DSL查询语法

match和multi_match的区别是什么?match:根据一个字段查询multi_match:根据多个字段查询,参与查询字段越多,查询性能越差精确查询常见的有哪些?

viperd的博客 3707

ElasticSearch 高级查询语法

ElasticSearch 高级查询语法Query DSL

星空下的博客 3569

Halcon深度图转点云实战:从XYZ映射到3D可视化全解析

本文详细解析了如何使用Halcon将深度图转换为点云图,涵盖从XYZ映射到3D可视化的全流程。通过实战案例和代码示例,介绍了深度图预处理、xyz_to_object_model_3d核心转换及3D可视化技巧,适用于工业检测、三维重建等场景。

stem5的博客 766

【ES专题】ElasticSearch 高级查询语法Query DSL实战

语法结构比较陌生没有中文文档, 只能看英文其他博客也比较少介绍语法结构。比如说,为什么查询中会出现query关键词就跟Mysql有自己的查询语言一样,ES作为一款优秀的分布式文档存储和【搜索引擎】,它也有自己的查询语言。即:Query DSL(查询Domain Specific Language),查询领域专用语言。Query DSL是利用RESTfull风格API传递JSON格式的请求体(RequestBody)数据与ES进行交互,这种方式的丰富查询语法让ES检索变得更强大,更简洁。

qq_32681589的博客 7438

如何理解反步法设计控制器?

假设以二阶系统为例,被控对象的系统状态方程为: 基于反步控制的具体方法如下: 1.1步骤一 定义期望状态为xd,状态误差e1,为: e1=x1-xd; 则e1的导数为: 1.2步骤二 定义虚拟控制量为: e2定义为: 1.3步骤三 定义Lyapunov能量函数为: 1.4步骤四 定义总Lyapunov能量函数为: 因此设计的控制律为: 设计c>0,则: 满足Lyapunov的稳定性判定条件...

weixin_42736130的博客 2万+

FPGA远程升级避坑实录:用STARTUPE2原语搞定Flash时钟,K7325T实测有效

本文深入解析了FPGA远程升级中的STARTUPE2原语应用,特别针对K7325T芯片的Flash时钟问题提供了实测有效的解决方案。通过详细的原语工作机制、Vivado工程实现步骤及调试技巧,帮助工程师规避常见陷阱,提升远程升级的可靠性和效率。

weixin_42558093的博客 142

ElasticSearch高级查询语法

ES高级查询 DSL

weixin_45162862的博客 2669

单窗算法的地表温度反演:谷歌地球引擎GEE代码

该论文基于Statistical Mono-Window(SMW)算法,对地表温度加以求解。其中,简单地说,SMW算法即是通过简单的线性关系,对由单热红外波段所得的大气表观亮温与地表温度之间的经验关系加以表示,从而计算得到LST。

2301_78834737的博客 570

Elasticsearch查询完全指南:从基础语法到高级应用

Elasticsearch查询语法详解与应用指南 摘要:本文系统介绍了Elasticsearch(ES)强大的查询语法,从基础结构到高级应用。主要内容包括:1)查询请求的基本组成部分和格式;2)常用查询类型如匹配查询、术语查询、范围查询和布尔查询;3)聚合分析功能,包括指标聚合和分桶聚合;4)多索引查询和结果解析方法。通过具体示例展示了如何构建高效的查询语句,帮助开发者掌握ES的核心查询技巧,实现从简单到复杂的各种搜索需求。文章特别强调了布尔查询的组合逻辑和聚合分析的统计能力,为大数据检索与分析提供了实用指

高压锅博客 2408

使用Typora时LaTeX内联公式简单汇总

0、前言 在使用Typora写笔记时,有时候需要添加上LaTeX排版的公式。以下是整理出的一份简单笔记,方便记忆不清楚时查阅。笔记暂时不够完善,之后再补充。 注:有些公式语法KateX不能解析,但在Typora中可以使用(不用在意) 1、一些基本内联公式 位置关系 展示 LaTeX 说明 x2x^{2}x2 x^{2} 右上标 x2x_{2}x2​ x_{2} 右下标 2x{}^{2}x2x {}^{2}x 左上标 2x{}_{2}x2​x {}_{2}x 左下标

白白旧维的博客 4446

LAP-D协议概述

Q.921协议由称为LAPD(链路访问协议-D通道),与HDLC的关系密切,它是在ISDN D通道上使用的数据链路协议。 注:http://www.freesoft.org/CIE/Topics/125.htm LAP-D的帧格式 标志、位填充技术和FCS校验计算与HDLC一致。 16位的地址包括C/R字段、SAPI(服务访问点标识)和TEI(端点标识)。TEI用于区分使用相同ISDN...

系统运维 1915

Elasticsearch(ES)基础查询语法的使用

在 Elasticsearch 中,**聚合(Aggregation)**是一个强大的功能,用于对查询结果进行分组、统计、度量等操作。在 Elasticsearch 中,聚合查询并不返回实际的文档,而是返回聚合结果,例如每个分组的文档数量、平均值、最大值等。聚合查询不仅可以进行单一聚合,还可以进行嵌套聚合,即在一个聚合的结果上进行进一步的聚合。获取符合条件的 top N 文档,通常用于获取聚合组中的部分文档,适用于展示最高分的文档。的字段,你想按类别进行分组查询,统计每个类别的文档数量。

weixin_44592858的博客 1万+

第一章 DRM 子系统概述:1.1 DRM 的组成与定位

DRM 是 Linux 内核中管理 GPU 资源的统一框架,核心职责已超越显示管理。其由两条主线构成:KMS(负责显示模式与输出)和资源管理(管理显存、调度与同步),二者呈单向依赖关系。KMS 依赖资源管理提供帧缓冲内存,而后者可独立运行于无显示需求的 AI 加速卡。因此,DRM 实质是内核级 GPU 内存与任务管理机制,本书聚焦资源管理部分,以对象生命周期为主线展开。

图形/计算GPU的驱动与虚拟化技术分享园地 91

Elasticsearch 实战 - 第四讲:ES 高级查询

Elasticsearch 实战 - 第四讲:ES 高级查询一、高级查询1、简介2、结果排序3、分页查询4、检索查询5、关键字查询6、高亮显示7、逻辑查询8、过滤查询 一、高级查询 1、简介 Elasticsearch基于JSON提供完整的查询DSL(Domain Specific Language:领域特定语言)来定义查询。 基本语法: GET /索引名/类型名/_search 一般都是需要配合......

华星详谈的博客 4792

[Dify] 【实战笔记】优化 Excel 电话簿类知识库检索效果的实战技巧

摘要:文章分析了Dify知识库在处理Excel结构化数据(如电话簿)时出现的检索异常问题,发现主要原因是默认召回多条记录且缺乏精准匹配机制。提出两个核心解决方案:1)优化知识库召回参数,包括调整TopK值、提高关键词权重等;2)设计精准提示词模板,明确约束模型行为范围。通过对比测试验证了优化效果,并给出进阶建议如数据格式转换、输出格式化等。最后针对知识检索类AI应用提供了场景适配建议。

技术小甜甜:传播可落地技术,帮助个人和企业降低解决真实场景问题的成本 369

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

【ES知识】ES基础查询语法一览

本篇文章主要带大家过一下ES的基础查询语法

qq_34263207的博客 6393

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

ElasticSearch 高级查询语法Query DSL

查询的数据页数特别大,当from + size大于10000的时候,就会出现问题,如下图报错信息所示:ES通过参数index.max_result_window用来限制单次查询满足查询条件的结果窗口的大小,其默认值为10000。分页方式性能优点缺点适用场景低灵活性好,实现简单,支持随机翻页受制于max_result_window设置,不能无限制翻页;存在深度翻译问题,越往后翻译越慢。数据量比较小,能容忍深度分页问题scroll中解决了深度分页问题。

weixin_51049616的博客 2588

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

ElasticSearch入门(安装、核心概念、基础功能、DSL高级查询、Java APi操作ES)

官网: https://www.elastic.co/ElasticSearch是一个基于Lucene的搜索服务器。它提供了一个分布式多用户能力的全文搜索引擎,基于RESTful web接口。Elasticsearch是用Java开发的,并作为Apache许可条款下的开放源码发布,是当前流行的企业级搜索引擎。Elastic官方宣布Elasticsearch进入Version 8,在速度、扩展、高相关性和简单性方面开启了一个全新的时代。

小丁的博客 1810

ElasticSearch 高级查询语法Query DSL实战

查询第一页5条数据"query": {},"from": 0,"size": 5输出结果如下图:但是如果我们查询的数据页数特别大,当from + size大于10000的时候,就会出现问题,如下图报错信息所示:ES通过参数index.max_result_window用来限制单次查询满足查询条件的结果窗口的大小,其默认值为10000。分页方式性能优点缺点适用场景低灵活性好,实现简单,支持随机翻页上受制于max_result_window设置,不能无限制翻页;

qq_27740127的博客 1643

Elasticsearch:ES的操作语法

目录1. Elasticsearch的环境准备2. 基本概念3. 基本操作命令3.1创建索引语法测试使用kibana创建3.2查看索引设置3.2删除索引3.3创建映射字段3.3查看映射关系3.4字段属性详解3.4.1type3.4.2 index影响字段的索引情况。3.4.3 store3.5 新增数据3.5.1.随机生成id3.5.2.自定义id3.6 智能判断3.7 修改数据3.8.删除数据4 基本查询 操作命令4.1 查询所有(match_all)4.2 匹配查询(match)4.3 多字段查询(mu

weixin_44368081的博客 4733

Elasticsearch 查询全面详解:从基础到高级实战

Elasticsearch 提供了丰富多样的查询类型,可以满足从简单到复杂的各种搜索需求。掌握这些查询的使用场景和特点,能够帮助您构建更加高效和精准的搜索系统。核心选择原则简单全文搜索 →match查询精确短语匹配 →查询搜索建议 →查询多字段搜索 →查询复杂逻辑 →bool查询组合精确值过滤 →termterms查询高级搜索语法 →查询通过灵活组合这些查询类型,您可以构建出功能强大、性能优异的搜索解决方案。

zhaostars的博客 1268

Elasticsearch(es) 查询语句语法详解

Elasticsearch(es) 查询语句语法详解

cauchy8389的专栏 2万+
上一篇: Obfuscar实战:如何为.NET Core应用配置高效代码混淆
下一篇: 保姆级教程:用微信小程序控制智能语音设备实现物业告警(支持10W音柱)
python9snake
博客等级 码龄1天 0粉丝 1724原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值