match_phrase

match_phrase_prefix可以認(rèn)為是match_phrase的增強(qiáng)版本，所以先了解一下match_phrase。

match_phrase詞組匹配會先解析檢索詞，并且標(biāo)注出每個的token相對位置，搜索匹配的字段的必須包含所有的檢索詞的token，并且他們的相對位置也要和檢索詞里面相同。

在《系統(tǒng)學(xué)習(xí)ElasticSearch》中，有很好的例子：

# DSL語句
GET /tehero_index/_doc/_search
{
  "query":{
    "match_phrase":{
      "content.ik_smart_analyzer":"系統(tǒng)編程"
    }
  }

DSL執(zhí)行步驟分析：

1）檢索詞“系統(tǒng)編程”被分詞為兩個Token【系統(tǒng)，Position=0】【編程，Position=1】；

2）倒排索引檢索時，等價于sql：【where Token = 系統(tǒng) and 系統(tǒng)_Position=0 and Token = 編程 and 編程_Position=1】；

如果我們不要求這兩個單詞相鄰，希望放松一點(diǎn)條件，可以添加slop參數(shù)，slop代表兩個token之間相隔的最多的距離（最多需要移動多少次才能相鄰）。

match_phrase_prefix

與match_phrase查詢類似，但是會對最后一個Token在倒排序索引列表中進(jìn)行通配符搜索。

# DSL語句
GET /tehero_index/_doc/_search
{
  "query":{
    "match_phrase":{
      "content.ik_smart_analyzer":"我編程系"
    }
  }

這個分詞的結(jié)果會是“我”、“編程”、“系”。

“我”和“編程”是精確匹配，“系”是前綴匹配，等價于sql：【where Token = ‘我’ and 我_Position=0 and Token = ‘編程’ and 編程_Position=1 and (Token_Position=2 and Token like ‘系%’)】

需要注意的點(diǎn)

elasticsearch的官網(wǎng)文檔上，有match_phrase_prefix的完整參數(shù)結(jié)構(gòu)：

• query，查詢的關(guān)鍵字
• analyer，對關(guān)鍵字使用的分詞器
• max_expansions，最后一個term做前綴匹配時的最大拓展數(shù)，默認(rèn)是50
• slop，與match_phrase的slop相同，允許term之間的最大間隔
• zero_terms_query，經(jīng)過analyer解析后，沒有任何term時，不返回?cái)?shù)據(jù)，還是返回全部數(shù)據(jù)。默認(rèn)返回全部數(shù)據(jù)。

max_expansions是非常重要的一個參數(shù)，需要留意下，不然很容易出現(xiàn)與我們期望不符合的情況。

• 在工作中，我試過使用match_phrase_prefix來匹配手機(jī)號，但是出現(xiàn)了一些奇怪的現(xiàn)象：
• 測試的手機(jī)號是“123454688885555”，使用match_phrase_prefix，關(guān)鍵字是“12345”來查詢指定租戶下的數(shù)據(jù)，沒有返回任何文檔。把關(guān)鍵字換成“1234546”，正確返回了對應(yīng)的文檔。

為什么會這樣呢？為什么12345就不返回，1234546就返回了？

個人是這樣覺得的：

• 手機(jī)號雖然存在es中是字符串，但是字符串的內(nèi)容是數(shù)字，分詞器并不會對它進(jìn)行分詞，也就是一個手機(jī)號就是一個term
• 在測試數(shù)據(jù)中，數(shù)據(jù)有5000條，每條數(shù)據(jù)的手機(jī)號碼都是不一樣的，也就是說，手機(jī)號這樣的term有5000個。
• max_expansions默認(rèn)是50，也就是說，會把12345拓展出以12345為開頭的額外50個term，例如123456、1234546、123456898…
• 最后將拓展出來的term也用于查詢

為什么我會認(rèn)為是這樣的過程呢？

elasticsearch除了會構(gòu)建倒排索引之外，還會在所有的term構(gòu)建一個term dictionary （詞典）和term index（詞索引，印象是跳躍表結(jié)構(gòu)），幫助查找。

當(dāng)出現(xiàn)前綴匹配的時候，可以在term index和term dictionary中快速找到對應(yīng)開通的term。

根據(jù)max_expansions的值，拿到指定個數(shù)的term。

12345查不到數(shù)據(jù)，1234546能查找，明顯是1234546更精確，1234546拓展出來的term中包含了那個完整的手機(jī)號碼123454688885555。

在查詢這個參數(shù)相關(guān)的文章的時候，發(fā)現(xiàn)：

• 有的人認(rèn)為這個數(shù)值是值通配符，值是50，就能模糊匹配多關(guān)鍵字之后50的字符的term。有的人認(rèn)為這個數(shù)值是匹配的文檔數(shù)，值是50，則匹配50個文檔，返回這50個文檔中命中的部分。
• 這都是不對的，明顯與手機(jī)號的實(shí)驗(yàn)不符。
• 《系統(tǒng)學(xué)習(xí)ElasticSearch》中對max_expansions的描述就像是占位符…

總結(jié)

以上為個人經(jīng)驗(yàn)，希望能給大家一個參考，也希望大家多多支持腳本之家。

最新評論