要搞懂 Elasticsearch Match Query，看这篇就够了

柔光的暖阳◎ 2022-02-27 16:04 444阅读 0赞

### 1. 前言 ###

Match Query 是最常用的 Full Text Query 。无论需要查询什么字段， match 查询都应该会是首选的查询方式。它既能处理全文字段，又能处理精确字段。

### 2. 构建示例 ###

为了能够在后面能深入理解 Match Query 中的各个属性的意义，我们先构建一个 index 示例(有兴趣的同学只要将下面字段粘贴到 [sense][] 中就可以创建)。

PUT matchtest
    { 
    }
    
    PUT matchtest/_mapping/people
    {
      "properties": {
        "age": {
          "type": "integer"
        },
        "hobbies": {
          "type": "text"
        },
        "name": {
          "type": "keyword"
        }
      }
    }
    
    PUT matchtest/people/1
    {
      "name" : "Jim",
      "age": 10,
      "hobbies": "football, basketball, pingpang"
    }
    
    
    PUT matchtest/people/2
    {
      "name" : "Tom",
      "age": 12,
      "hobbies": "swimming, football"
    }

### 3. match ###

#### 3.1 operator 参数 ####

match 查询是一种 bool 类型的查询。什么意思呢？举个例子，查询 people type 的 hobbies 为 football和basketball。

GET matchtest/people/_search
    {
      "query": {
        "match": {
          "hobbies": "football basketball"
        }
      }
    }

会将上面的两个文档都搜索出来。为什么？上面的查询其实隐藏了一个默认参数`operator` ， 它的默认值是 `or` ，也就是说上面的查询也可以写成这种形式：

GET matchtest/people/_search
    {
      "query": {
        "match": {
          "hobbies": {
            "query": "football basketball",
            "operator": "or"
          }
        }
      }
    }

这样就比较容易理解了，既然是 `or` 操作符，就表示只要查询的文档的 hobbies 字段中含有 football 和 basketball 任意一个，就可以被匹配到。

如果将 operator 操作符的值改为 `and` ，则表示需要同时包含 football 和 basketball ， 得到的结果就只能是 `文档 1` Jim 小朋友了。

#### 3.2 analyzer ####

analyzer 属性是指在对查询文本分析时的分析器

*  如果没有指定则会使用字段mapping 时指定的分析器
 *  如果字段在 mapping 时也没有明显指定，则会使用默认的 search analyzer。

这里我们也没有指定，就会使用默认的，就不举例了，在后面文章讲解 analyzer 时再拓展。

#### 3.3 lenient 参数 ####

*lenient：宽容*

默认值是 false ， 表示用来在查询时如果数据类型不匹配且无法转换时会报错。如果设置成 true 会忽略错误。

例如， 例子中的 age 是 `integer` 类型的，如果查询 `age=xxy` ，就会导致无法转换而报错。

GET matchtest/_search
    {
      "query": {
        "match": {
          "age" : {
            "query": "xxx"
          }
        }
      }
    }

而如果将 lenient 参数设置为 `true` ，就会忽略这个错误。

GET matchtest/_search
    {
      "query": {
        "match": {
          "age" : {
            "query": "xxx",
            "lenient": true
          }
        }
      }
    }

> 注意：  
> 如果将 age 字段的值设置为字符串 “10”, 来查询，由于能够转换成整数，这时 elastic 内部会将 字符串先转换成整数再做查询，不会报错。

### 4. Fuzziness ###

#### 4.1 fuzzniess 参数 ####

fuzziness 参数可以是查询的字段具有模糊搜索的特性。来先了解下什么是模糊搜索。

##### 4.1.1 什么是模糊搜索？ #####

> 模糊搜索是指系统允许被搜索信息和搜索提问之间存在一定的差异，这种差异就是“模糊”在搜索中的含义。例如，查找名字Smith时，就会找出与之相似的Smithe， Smythe， Smyth， Smitt等。  
> ——百度百科

通过模糊搜索可以查询出存在一定相似度的单词，那么怎么计算两个单词是否有相似度以及相似度的大小呢？这就要了解下另外一个概念：`Levenshtein Edit Distance`

##### 4.1.2 Levenshtein Edit Distance #####

> `Levenshtein Edit Distance` 叫做莱文斯坦距离，是编辑距离的一种。指两个字串之间，由一个转成另一个所需的最少编辑操作次数。允许的编辑操作包括将一个字符替换成另一个字符，插入一个字符，删除一个字符。

例如，单词 “god” 只需要插入一个 ‘o’ 字符就可以变为 “good”，因此它们之间的编辑距离为 1。

##### 4.1.3 fuzziness 参数取值规则 #####

了解了上面两个概念，回过头再来看下 fuzziness 参数。

在查询 text 或者 keyword 类型的字段时, fuzziness 可以看做是莱文斯坦距离。

**`fuzziness` 参数的取值如下：**

*  `0,1,2` ：表示最大可允许的莱文斯坦距离
 *  `AUTO`  
    会根据词项的长度来产生可编辑距离，它还有两个可选参数，形式为`AUTO:[low],[high]`， 分别表示短距离参数和长距离参数；如果没有指定，默认值是 `AUTO:3,6` 表示的意义如下：  
    `0..2`：单词长度为 0 到 2 之间时必须要精确匹配，这其实很好理解，单词长度太短是没有相似度可言的，例如 ‘a’ 和 ‘b’。  
    `3..5`：单词长度 3 到 5 个字母时，最大编辑距离为 1  
    `>5`：单词长度大于 5 个字母时，最大编辑距离为 2

> 最佳实践: fuzziness 在绝大多数场合都应该设置成 AUTO

如果不设置 fuziness 参数，查询是精确匹配的。

来看例子，下面创建了一个 doc：

PUT matchtest/people/1
    {
      "name" : "Jim",
      "age": 10,
      "hobbies": "football, basketball, pingpang"
    }

**设置 fuzziness 为 `AUTO` ：**

其中 hobbies 字段的值 football 长度 `> 5`, 此时我们找一个编辑距离为 `2` 的单词 footba22 来查询，应该匹配到，  
其中 name 字段的值 jim 长度在 3 和 5 之间，此时找一个编辑距离为 `1` 的单词 jiO 应匹配到，而编辑距离为 `2` 的 jOO 就不应匹配到。

GET matchtest/_search
    {
      "query": {
        "match": {
          "hobbies": {
            "query": "footba22",
            "fuzziness": "AUTO"
          }
        }
      }
    }
    
    GET matchtest/_search
    {
      "query": {
        "match": {
          "name": {
            "query": "jiO",
            "fuzziness": "AUTO"
          }
        }
      }
    }
    
    
    GET matchtest/_search
    {
      "query": {
        "match": {
          "name": {
            "query": "jOO",
            "fuzziness": "AUTO"
          }
        }
      }
    }

#### 4.2 prefix\_length ####

`prefix_length` 表示不能被模糊化的初始字符数。由于大部分的拼写错误发生在词的结尾，而不是词的开始，使用 `prefix_length` 就可以完成优化。

> 注意：  
> prefix\_length 必须结合 fuzziness 参数使用。

例如，在查询 hobbies 中的 football 时，将 prefix\_length 参数设置为 3,这时 foatball 将不能被匹配。

GET matchtest/_search
    {
      "query": {
        "match": {
          "hobbies": {
            "query": "foatball",
            "fuzziness": "AUTO",
            "prefix_length": 3
          }
        }
      }
    }

### 5. Zero terms Query ###

先看例子, 先创建一个文档 zero\_terms\_query\_test 其中 message 字段使用 stop 分析器，这个分析器会将 stop words 停用词在索引时全都去掉。

PUT matchtest1
    
    PUT matchtest1/_mapping/zero_terms_query_test
    {
      "properties": {
        "message": {
          "type": "text",
          "analyzer": "stop"
        }
      }
    }
    
    
    PUT matchtest1/zero_terms_query_test/1
    {
      "message": "to be or not to be"
    }
    
    GET matchtest1/_search
    {
      "query": {
        "match": {
          "message": {
            "query": "to be or not to be",
            "operator": "and",
            "zero_terms_query": "none"
          }
        }
      }
    }

那么就像 message 字段中的 `to be or not to be` 这个短语中全部都是停止词，一过滤，就什么也没有了,得不到任何 tokens, 那搜索时岂不什么都搜不到。

POST _analyze
    {
      "analyzer": "stop",
      "text": "to be or not to be"
    }

`zero_terms_query` 就是为了解决这个问题而生的。它的默认值是 none ,就是搜不到停止词（对 stop 分析器字段而言）,如果设置成 all ，它的效果就和 match\_all 类似，就可以搜到了。

GET matchtest1/_search
    {
      "query": {
        "match": {
          "message": {
            "query": "to be or not to be",
            "operator": "and",
            "zero_terms_query": "all"
          }
        }
      }
    }

### 6. Cutoff frequency ###

查询字符串时的词项会分成低频词（更重要）和高频词（次重要）两类，像前面所说的停用词 （stop word）就属于高频词，它虽然出现频率较高，但在匹配时可能并不太相关。

> 实际上，我们往往是想要文档能尽可能的匹配那些低频词，也就是更重要的词项。

要实现这个需求，只要在查询时配置 `cutoff_frequency` 参数就可以了。假设我们将 `cutoff_frequency` 设置成 `0.01` 就表示：

*  任何词项在文档中超过 1%， 被认为是高频词
 *  其他的词项会被认为低频词

从而将高频词（次重要的词）挪到可选子查询中，让它们只参与评分，而不参与匹配；高频词（更重要的词）参与匹配和评分。

这样一来，就不再需要 stopwords 停用词文件了，从而变成了动态生成停用词: 高频词就会被看做是停用词。这种配置只是对于词项比较多的场合如 email body，文章等适用，文字太少， cutoff\_frequency 选项设置的意义就不大了。

`cutoff_frequency` 配置有两种形式：

*  指定为一个分数（ 0.01 ）表示出现频率
 *  指定为一个正整数（ 5 ）则表示出现次数

下面给个例子, 在创建的 3 个文档中都包含 "be " 的单词，在查询时将 cutoff\_frequency 参数设置为 2， 表示 “be” 就是高频词，只会参与评分，但在匹配时不做考虑。

此时查询的内容为 “to be key” ，由于 “be” 词项是高频词，因为在文档中必须要存在 “to” 或者 “key” 才能匹配，因此文档 3 不能匹配。

PUT /matchtest2
    
    PUT matchtest2/_mapping/cutoff_frequency_test
    {
      "properties": {
        "message": {
          "type": "text"
        }
      }
    }
    
    PUT matchtest2/cutoff_frequency_test/1
    {
      "message": "to be or not to be to be or"
    }
    
    PUT matchtest2/cutoff_frequency_test/2
    {
      "message": "be key or abc"
    }
    
    PUT matchtest2/cutoff_frequency_test/3
    {
      "message": "or to be or to to be or"
    }
    
    GET matchtest2/_search
    {
      "query": {
        "match": {
          "message": {
            "query": "to be key",
            "cutoff_frequency": 2
          }
        }
      }
    }

### 7. synonyms ###

synonyms 是指同义词，只要索引和字段中配置了同义词过滤器，match 查询是支持多词条的同义词扩展的。在应用过滤器后，解析器会对每个多次条同义词创建一个语句查询。

例如，同义词 USA, united states of America 就会构建出 (USA OR (“united states of America”))。看下面例子：

PUT /matchtest4
    {
        "settings": {
            "index" : {
                "analysis" : {
                    "analyzer" : {
                        "synonym" : {
                            "tokenizer" : "whitespace",
                            "filter" : ["synonym"]
                        }
                    },
                    "filter" : {
                        "synonym" : {
                            "type" : "synonym",
                            "synonyms" : [
                                "USA, united states of America"
                            ]
                        }
                    }
                }
            }
        }
    }
    
    PUT /matchtest4/_mapping/synonyms_test
    {
      "properties": {
        "message": {
          "type": "text",
          "analyzer": "synonym"
        }
      }
    }
    
    PUT /matchtest4/synonyms_test/1
    {
      "message": "united states of America people"
    }
    
    
    GET /matchtest4/_search
    {
      "query": {
        "match": {
          "message": {
            "query": "USA"
          }
        }
      }
    }

### 8. 总结 ###

本文以代码实例的方式完整的讲解了 Match Query 的各种使用场景和参数意义。

--------------------

##### 转自：[https://segmentfault.com/a/1190000017110948][https_segmentfault.com_a_1190000017110948] #####

[sense]: https://www.elastic.co/guide/en/sense/current/introduction.html
[https_segmentfault.com_a_1190000017110948]: https://segmentfault.com/a/1190000017110948