ES-模糊查询

蓝天⊙白云

已于 2023-03-20 18:07:54 修改

阅读量6.3k

点赞数 1

分类专栏：各种中间件文章标签： elasticsearch 搜索引擎正则表达式

于 2023-03-20 16:47:10 首次发布

本文链接：https://blog.youkuaiyun.com/qq_38747892/article/details/129670503

版权

各种中间件专栏收录该内容

13 篇文章

订阅专栏

1. 前缀搜索：prefix
概念：以xx开头的搜索，不计算相关度评分。

注意：

前缀搜索匹配的是term（精确值查找），而不是field。
前缀搜索的性能很差
前缀搜索没有缓存
前缀搜索尽可能把前缀长度设置的更长

语法：

json GET <index>/_search 
{
    "query": {
        "prefix": {
            "<field>": {
                "value": "<word_prefix>"
            }
        }
    }
}
index_prefixes: 默认 "min_chars" : 2, "max_chars" : 5

通配符：wildcard

概念：通配符运算符是匹配一个或多个字符的占位符。例如，*通配符运算符匹配零个或多个字符。您可以将通配符运算符与其他字符结合使用以创建通配符模式。

注意：

通配符匹配的也是term，而不是field

语法：

json GET <index>/_search 
{
    "query": {
        "wildcard": {
            "<field>": {
                "value": "<word_with_wildcard>"
            }
        }
    }
}

正则：regexp

概念：regexp查询的性能可以根据提供的正则表达式而有所不同。为了提高性能，应避免使用通配符模式，如.或 .?+未经前缀或后缀

语法：

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

flags

ALL

启用所有可选操作符。

COMPLEMENT

启用_{操作符。可以使用}对下面最短的模式进行否定。例如

a~bc # matches ‘adc’ and ‘aec’ but not ‘abc’

INTERVAL

启用<>操作符。可以使用<>匹配数值范围。例如

foo<1-100> # matches ‘foo1’, ‘foo2’ … ‘foo99’, ‘foo100’

foo<01-100> # matches ‘foo01’, ‘foo02’ … ‘foo99’, ‘foo100’

INTERSECTION

启用&操作符，它充当AND操作符。如果左边和右边的模式都匹配，则匹配成功。例如:

aaa.+&.+bbb # matches ‘aaabbb’

ANYSTRING

启用@操作符。您可以使用@来匹配任何整个字符串。您可以将@操作符与&和~操作符组合起来，创建一个“everything except”逻辑。例如:

@&~(abc.+) # matches everything except terms beginning with ‘abc’

2. 模糊查询：fuzzy
混淆字符 (box → fox) 缺少字符 (black → lack)

多出字符 (sic → sick) 颠倒次序 (act → cat)

语法

json GET <index>/_search 
{
    "query": {
        "fuzzy": {
            "<field>": {
                "value": "<keyword>"
            }
        }
    }
}

参数：

value：（必须，关键词）

fuzziness：编辑距离，（0，1，2）并非越大越好，召回率高但结果不准确

两段文本之间的Damerau-Levenshtein距离是使一个字符串与另一个字符串匹配所需的插入、删除、替换和调换的数量
距离公式：Levenshtein是lucene的，es改进版：Damerau-Levenshtein，

axe=>aex Levenshtein=2 Damerau-Levenshtein=1

transpositions：（可选，布尔值）指示编辑是否包括两个相邻字符的变位（ab→ba）。默认为true

3. 短语前缀：matchphraseprefix

match_phrase：

match_phrase会分词
被检索字段必须包含match_phrase中的所有词项并且顺序必须是相同的
被检索字段包含的match_phrase中的词项之间不能有其他词项

概念：

matchphraseprefix与match_phrase相同,但是它多了一个特性,就是它允许在文本的最后一个词项(term)上的前缀匹配,如果是一个单词,比如a,它会匹配文档字段所有以a开头的文档,如果是一个短语,比如 “this is ma” ,他会先在倒排索引中做以ma做前缀搜索,然后在匹配到的doc中做matchphrase查询,(网上有的说是先matchphrase,然后再进行前缀搜索, 是不对的)

参数

analyzer 指定何种分析器来对该短语进行分词处理
max_expansions 限制匹配的最大词项
boost 用于设置该查询的权重
slop 允许短语间的词项(term)间隔：slop 参数告诉 match_phrase 查询词条相隔多远时仍然能将文档视为匹配什么是相隔多远？意思是说为了让查询和文档匹配你需要移动词条多少次？

原理解析：https://www.elastic.co/cn/blog/found-fuzzy-search#performance-considerations

N-gram和edge ngram

tokenizer

json GET _analyze 
{
    "tokenizer": "ngram",
    "text": "reba always loves me"
}

token filter

json GET _analyze 
{
    "tokenizer": "ik_max_word",
    "filter": [
        "ngram"
    ],
    "text": "reba always loves me"
}