ES分词查询

全文检索介绍

全文检索的发展过程：

1. 数据库使用SQL语句：select * from table where data like “%检索内容%”
2. 出现lucene全文检索工具（缺点：暴露的接口相对复杂，且没有效率）
3. 出现分布式检索服务框架solr（缺点：建立索引期间。solr搜索能力极度下降，造成实时索引效率不高）
4. 出现 Elasticsearch ，是以lucene为基础，基于Restful接口进行发布

非结构化数据查找方法

1. 顺序扫描法：遍历所有文件，找到所包含的字符
2. 全文检索：将非结构化数据中的一部分信息提取，重新组织，使其变得具有一定结构，然后对此有一定结构的数据进行检索。这部分从非结构数据中提取重新组织的信息称之为索引，这种先建立索引，再对索引进行搜索的过程叫做全文检索（full-text search）

Lucene全文检索流程

ES

ES简介

ES与Solr对比

• Solr使用zookeeper进行分布式管理，而ES自身带有分布式协调管理
• Solr支持更多格式数据，而ES仅支持json
• Solr官方提供功能更多，而ES本身更注重核心功能，高级功能由第三方插件提供
• ES在处理实时搜索应用时效高于Solr

ES架构模块

• Gateway：存储索引的文件系统，支持多种类型（Local本地、Shared分片、Hadoop、Amazon）
• Distributed Lucene Directory：分布式的Lucene框架
• Lucene之上是ES 的模块，包括：索引模块、搜索模块、映射解析模块
• ES之上是Discovery、Scripting和第三方插件
  • Discovery：ES 的节点发现模块，不同机器上的ES节点要组成集群需要进行消息通信，集群内部master选举等，支持多种发现机制，如Zen、EC2
  • Scripting：用来支持查询语句插入JavaScript、python等脚本语言，Scripting模块负责解析这些脚本，但使用这些脚本性能较低，同时ES也支持多种第三方插件
• 再往上Transport模块：主要是ES的传输模块和JMX（Java的管理框架）传输模块，支持多种传输协议，如Thrift、Memacached、http等，默认是http
• 再往上就是ES提供的用户接口

核心概念

1. 索引ndex：就是一堆有相似结构的文档数据，用于区分文档成组，即分到一组的文档集合
2. 类型Type：用于区分索引中的文档，即在索引中对数据逻辑分区。比如将博客平台所有数据存储到一个索引中，在该索引中，可为用户数据、博客数据、评论数据等分别定义一个type
3. 文档Document：指定了唯一 ID 的最底层或者根对象，ES的最小数据单元
4. 字段Field：定义Document应有的字段

ES与MySQL类比：

1. 集群cluster：由多个节点组织在一起，共同持有整个集群数据（注意：一个集群有唯一的名字标识，默认是“elasticsearch”。一个节点只能通过指定某个集群的名字加入该集群）

2. 节点node：集群中的一个服务器
   一个节点由一个名字标识，默认情况是随机的“漫威漫画角色名字”
   一个节点可通过配置集群名称方式加入指定集群，默认下，每个节点都被安排到“elasticsearch”集群中
   若启动第一个节点，会默认创建并加入到叫“elasticsearch”的集群

3. 分片shard

一个索引可存储超出某节点硬件限制的大量数据，比如一个10亿文档的索引占据1T磁盘空间，而任一节点都没有这么大的磁盘空间；或单个节点处理请求响应太慢。为解决此类问题，ES将索引划分为多份shard的能力，称为分片。
创建一个索引的时候，可指定分片数量，每个分片本身就是一个功能完整且独立的“索引”，该“索引”可被放置到集群的任何节点
分片的作用：

• 允许水平分割/扩展容量
• 允许在分片上进行分布式、并行的操作，进而提高性能/吞吐量

对于一个分片如何分布，文档是如何聚合响应搜索请求，完全由ES管理，对于用户是透明的

2. 副本replica

在分布式环境下，任何分片/节点都可能失效，导致index无法搜索，所以为了保证数据安全，会将每个index分片进行复制备份，这种拷贝称为副本replica
副本的作用：

• 在分片/节点失效情况下，提供高可用性（注意到ES的副本分片从不与 原/master 分片置于同一节点上）
• 扩展搜索量/吞吐量，因为搜索可在所有复制上并行运行

总之，每个索引可被分为多个分片，每个索引可被复制0-n次。一旦创建副本，每个索引就有了主分片和副本分片。分片和副本的数量可在索引创建时指定，创建完成后，可改变副本数量，但无法改变分片的数量
默认情况下，ES分片配置是5、副本数配置是1（如果集群至少2个节点，该索引将会有5个主分片、5个副本分片（完全拷贝），该索引总共有10个分片）

分词查询

举例说明：
文本：“我正在学习数据结构和算法”
对文本查询一般分为三种：

1. 模糊查询：类似sql中的like查询
   “学习”、“数据结构”、“算法”能搜索到结果
2. 精确搜索：文本内容与搜索关键词一致
   关键词一定要是“我正在学习数据结构和算法”才匹配
3. 分词搜索：对搜索关键字和搜索内容都进行分词，只要匹配到一个分词内容，就命中相关内容
   “算法之美”也能搜索到结果，因为分词搜索，只需关键字的分词匹配到即可（用模糊查询是无法搜索出结果）

在ES中，使用term、match、match_phrase、keyword进行相关搜索
涉及多个关键字
text和keyword是数据类型，对磁盘待查询数据是否进行分词

• text：分词，在写入磁盘时，分割成多个独立单词，然后存入倒排索引。查询时也是以单词维度进行匹配
• keyword：不分词，存放整个短语

math和term是搜索方式，是数据查询时，要查询的短语是否进行分词

• match：对搜索的内容进行分词，拿分词数据去倒排索引中查询
• term：不对搜索内容进行分词，是完全匹配

数据准备，在索引base-product-spu-info中有一条数据

{
"spuName" : "【市场价2532】HUAWEI WATCH 2 Pro 4G智能手表 移动支付"
}

查看其分词结果：

GET base-product-spu-info/_analyze
{
"analyzer": "standard",
  "text":  "【市场价2532】HUAWEI WATCH 2 Pro 4G智能手表 移动支付"
}
// 分词结果：市|场|价|2532|huawei|watch|2|pro|4g|智|能|手|表|移|动|支|付

term搜索

term搜索对搜索词不分词，但还是会对要搜索的字段进行分词。一旦加上keyword属性，就不对数据进行分词，变成精确搜索

注意：默认情况下，不加keyword属性，使用的是text

1. 搜索关键字“智”（term+text）

GET base-product-spu-info/_search
{
  "query": {
    "term": {
      "spuName": {
        "value": "智"
      }
    }
  }
}
// 结果：搜索出数据

QueryBuilders.termQuery("spuName", "智");

2. 搜索关键字“智能”
   结果：无匹配数据（分词结果中无此分词）
3. 搜索关键字“Pro”
   结果：无匹配数据
4. 搜索关键字“pro”
   结果：搜索出数据
5. 搜素关键字“【市场价2532】HUAWEI WATCH 2 Pro 4G智能手表 移动支付”
   结果：无匹配数据（因为搜索词未分词）
6. 搜索关键字“【市场价2532】HUAWEI WATCH 2 Pro 4G智能手表 移动支付”【加上keyword关键字】（term+keyword）

GET base-product-spu-info/_search
{
  "query": {
    "term": {
      "spuName.keyword": {
        "value": "【市场价2532】HUAWEI WATCH 2 Pro 4G智能手表 移动支付"
      }
    }
  }
}
// 结果：搜索出数据

match搜索

match会对搜索词进行分词，再进行分词搜索（同时不加keyword的情况下，数据也会分词）

GET base-product-spu-info/_search
{
  "query": {
    "match": {
      "spuName": "手机"
    }
  }
}
// 结果：搜索出数据（分词为“手|机”，命中数据分词）

QueryBuilders.matchQuery("spuName", "手机");

match_phrase搜索

match_phrase搜索为短语搜索，要求短语中所有分词必须同时出现在文档中，同时位置必须一致

GET base-product-spu-info/_search
{
  "query": {
    "match_phrase": {
      "spuName": "智能手表"
    }
  }
}
// 结果：搜索出数据

QueryBuilders.matchPhraseQuery(“spuName”,"智能手表");

假若搜索关键字“智能手表1”，则无法匹配数据，因为分词“1”并不在数据分词中，所以无法命中。同样的，“手表智能”也无法命中

match_phrase_prefix

与match_phrase用法类似，区别在于，它允许对最后一个词条进行前缀匹配

GET base-product-spu-info/_search
{
  "query": {
    "match_phrase_prefix": {
      "spuName": "智能手表"
    }
  }
}
// 结果：搜索出数据
QueryBuilders.matchPhrasePrefixQuery("spuName","智能手表")

说明：此处“智能手表”进行分词，其中“智|能|手”与分词进行匹配，“表”可进行前缀匹配，类似“表%”，意味着若分词表中存在“表现、表示、表哥我出来了哦”等分词时，也能命中。

总结

• token：分词后的单词，小写
• start_offset：在短语中的开始位置
• end_offset：短语中的结束位置
• position：单词在短语中的位置，即第几个单词

总结：比如有一个文档字段“717 Hendrickson Place”，分词结果如上图：

1. 对关键字“717 Hendrickson Place”使用【term+keyword】搜索
   结果：有结果（关键词不分词，精确匹配）
2. 对关键字“717 Hendrickson Place01”使用【term+keyword】搜索
   结果：无匹配结果（改动了Place）
3. 对关键字“717 Hendrickson Place”使用【match+keyword】搜索
   结果：有结果（数据字段不分词，精确匹配）
4. 对关键字“717 Hendrickson Place01”使用【match+keyword】搜索
   结果：无匹配结果（数据字段不分词，精确匹配）
5. 对关键字“717 Hendrickson Place”使用【term+text】搜索
   结果：无匹配结果（关键词未分词，字段数据分词，“717 Hendrickson Place”未名中分词）
6. 对关键字“717 Hendrickson Place”使用【match+text】搜索
   结果：有结果（关键词和字段数据都分词，“717”分词命中）
7. 对关键字“717 Hendrickson Place01”使用【match+text】搜索
   结果：有结果（这里改动了Place，“717”分词命中）
8. 对关键字“Hendrickson”使用【term+text】搜索
   结果：无匹配结果（关键词未分词，字段数据分词，分词未命中）
9. 对关键字“hendrickson”使用【term+text】搜索
   结果：有结果（Hendrickson改为小写 hendrickson）