ElasticSearch - 快速入门之搜索的简单使用

怼烎@ 2023-01-05 05:23 84阅读 0赞

### 文章目录 ###

*  ElasticSearch - 快速入门之搜索的简单使用
 *   *  1. 数据准备
     *  2.term词条查询
     *   *  2.1 单条term查询
         *  2.2 多条term查询
     *  2.全文查询
     *   *  2.1 全匹配(match\_all)
         *  2.2 条件匹配(match)
         *  2.3 多重条件匹配(multi\_match)
         *  2.4 短语匹配(match\_phrase)
         *  2.5 短语前缀匹配(match\_phrase\_prefix)

# ElasticSearch - 快速入门之搜索的简单使用 #

>  除了之前博客我们对ES的介绍之外，还需要大家知道什么是分词器，不清楚的同学可以看一看我们之前的这篇博客[【ElasticSearch - 分词器介绍及中文分词器es-ik安装】][ElasticSearch - _es-ik]。都OK了之后我们就来体会一下ES搜索的简单使用。

## 1. 数据准备 ##

>  这里我先把之前的`nba`索引删了之后，建了一个更规范的映射关系，这里贴给大家。

PUT /nba
    { 
      "mappings": { 
        "properties": { 
          "name_text": { 
            "type": "text"
          },
          "name_keyword": { 
            "type": "keyword"
          },
          "team_name": { 
            "type": "text"
          },
          "position": { 
            "type": "keyword"
          },
          "play_year": { 
            "type": "keyword"
          },
          "jerse_no": { 
            "type": "keyword"
          }
        }
      }
    }

>  索引和映射建好之后，我又从[【NBA中国】][NBA]捞了一些球员信息录入进来。大家也可以去找自己感兴趣的的领域的相关数据信息，可能会让大家的学习更带劲。  
>    
>  另外下面的各种查询，我会在同一个角度去对`keyword`和`text`两种字段进行使用，由于ES倒排索引的结构，结果会大大不同哦！这也是我在学ES时让我郁闷了很久的场景，我这边和大家一起实操感受一下区别。  
>    
>  大家此刻要牢记之前我们介绍的`keyword`不会对内容进行分词，而`text`会对内容进行分词。

## 2.term词条查询 ##

>  词条查询不会分析查询条件，只有当词条和查询字符串完全匹配时，才匹配搜索。

### 2.1 单条term查询 ###

>  `term`为精准匹配查询，首先我们看一下针对`keyword`类型的字段。我们只根据一部分内容进行匹配的话是无法查询出结果的。只有当我们把整个内容作为条件才可以匹配出结果。  
>    
>  这里`hits`中可以看到匹配出了我们需要的信息。另外每条记录都有一个`score`，就是一个匹配的分数，ES会根据这个分数来对结果集进行排序和输出。  
> ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ_size_16_color_FFFFFF_t_70]  
> ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ_size_16_color_FFFFFF_t_70 1]  
>  而当我们使用`term`查询`text`类型的字段时，当我们只根据`lebron`为条件可以匹配到结果，而我们使用`lebron james`却无法匹配到。这和上面`keyword`的结果恰恰是相反的。这是因为`term`精准查询不会将查询条件进行分词，而后根据查询条件精准匹配结果，`keyword`类型内容会原模原样进行索引建立，而`text`则会进行分词后再构建索引。  
>    
>  所以当使用`term`匹配`text`内容时，查询条件需为分词后的内容值。  
> ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ_size_16_color_FFFFFF_t_70 2]  
> ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ_size_16_color_FFFFFF_t_70 3]

### 2.2 多条term查询 ###

>  另外我们还可以同时精确匹配多条记录。这里首先要注意的是匹配多条时需要使用`terms`，并且查询条件值的数据结构也需要稍微调整一下。  
> ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ_size_16_color_FFFFFF_t_70 4]

## 2.全文查询 ##

>  ES引擎针对全文查询会先分析查询字符串，将其拆分成多个分词。只要已分析的字  
> 段中包含词条的任意⼀个或全部包含，就匹配查询条件，返回该⽂档；如果不包含任意⼀  
> 个分词，表示没有任何⽂档匹配查询条件。

### 2.1 全匹配(match\_all) ###

>  这里我们使用`match_all`加上`from`和`size`可以将我们`nba`这个索引下的记录匹配20条返回。  
> ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ_size_16_color_FFFFFF_t_70 5]

### 2.2 条件匹配(match) ###

>  假如我们需要加上某个属性为条件针对性查找的话就需要使用`match`，上面的`match_all`是不可以加上某个条件进行匹配查询的。  
>    
>  这里我们先以`keyword`字段为例，当我们使用`James`查询时未匹配到任何结果。而只有我们使用`Lebron James`时才匹配出了我们想要的结果。  
> ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ_size_16_color_FFFFFF_t_70 6]  
> ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ_size_16_color_FFFFFF_t_70 7]  
>  而针对`text`类型的字段，我们无论是使用`James`还是`Lebron James`都可以匹配出结果。但是我们会发现即使当我们使用`Lebron James`也会把`James Harden`查询出来，不过匹配的评分更低。  
>    
>  这主要是因为使用`match`查询时会对查询条件也进行分词。  
> ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ_size_16_color_FFFFFF_t_70 8]  
> ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ_size_16_color_FFFFFF_t_70 9]

### 2.3 多重条件匹配(multi\_match) ###

>  多重条件匹配是匹配查询多个字段，这里我们先修改一个ID为1的文档，新增一个`description`属性。  
> ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ_size_16_color_FFFFFF_t_70 10]  
>  以我下面的语句为例，这里`multi_match`多重条件匹配的意思就是查询`name_text`和`description`中有`durant`的文档数据。  
> ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ_size_16_color_FFFFFF_t_70 11]

### 2.4 短语匹配(match\_phrase) ###

>  短语匹配类似于词条查询，是一种精准查询。为什么这么说，那么又和其他有何区别，这里我们就来看看。  
>    
>  当我们条件仅仅为`james`时，和`match`一样我们可以同时获取两条名称中都包含`james`的数据。  
> ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ_size_16_color_FFFFFF_t_70 12]  
>  而我们将查询内容改为`lebron james`时，结果只输出了一条。这种查询条件我们上面`match`也匹配过，`match`会将`lebron james`进行分词后然后分别匹配，只要匹配其中一个分词就会输出。  
>    
>  而这里`match_phrase`也会将我们的查询内容进行分词，不同的是这里属于交集，只有二者都满足才会输出。  
> ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ_size_16_color_FFFFFF_t_70 13]

### 2.5 短语前缀匹配(match\_phrase\_prefix) ###

>  短语前缀匹配会先将查询条件进行分词，首先根据`match_phrase`交集规则进行首要条件，然后再以最后一个分词作为前缀进行查询。  
> ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ_size_16_color_FFFFFF_t_70 14]  
>  这里可以看到当我们把查询条件换为`lebr ja`后就查询不出结果了。这里分词器会将查询条件分为`lebr`和`ja`，这样的话首先`match_phrase`的条件匹配都不符合了。  
> ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ_size_16_color_FFFFFF_t_70 15]  
>  而当我们分词的仅仅只有一个单词时，则会直接使用其作为前缀进行匹配。  
> ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ_size_16_color_FFFFFF_t_70 16]  
>  这里我们就将ES的查询简单地感受了一下。首先第一点当然大家感受最深的就是ES对全文这种查询的支持十分强大，第二就是整个检索的效率其实十分高的，虽然这里我们数据量少感受不出来，但是随着大家使用一定可以感受到其真正的威力。

[ElasticSearch - _es-ik]: https://dirge.blog.csdn.net/article/details/88318844
[NBA]: https://china.nba.com/players/#!/kevin_durant
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ_size_16_color_FFFFFF_t_70]: /images/20221119/c414a48d98b64eb0aa6564c75eeb678a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ_size_16_color_FFFFFF_t_70 1]: /images/20221119/b180d62633b7424e9c4aed16d25c9bd2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ_size_16_color_FFFFFF_t_70 2]: /images/20221119/bbfc9c2580174366bdef5ac65e37d004.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ_size_16_color_FFFFFF_t_70 3]: https://img-blog.csdnimg.cn/20210115191336748.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ=,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ_size_16_color_FFFFFF_t_70 4]: https://img-blog.csdnimg.cn/20210113200312703.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ=,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ_size_16_color_FFFFFF_t_70 5]: https://img-blog.csdnimg.cn/20210113201048424.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ=,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ_size_16_color_FFFFFF_t_70 6]: https://img-blog.csdnimg.cn/20210113201555992.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ=,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ_size_16_color_FFFFFF_t_70 7]: https://img-blog.csdnimg.cn/20210113201610266.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ=,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ_size_16_color_FFFFFF_t_70 8]: https://img-blog.csdnimg.cn/20210113202529717.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ=,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ_size_16_color_FFFFFF_t_70 9]: https://img-blog.csdnimg.cn/20210113202441728.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ=,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ_size_16_color_FFFFFF_t_70 10]: https://img-blog.csdnimg.cn/2021011512045552.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ=,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ_size_16_color_FFFFFF_t_70 11]: https://img-blog.csdnimg.cn/20210115120624854.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ=,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ_size_16_color_FFFFFF_t_70 12]: https://img-blog.csdnimg.cn/20210115192010861.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ=,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ_size_16_color_FFFFFF_t_70 13]: https://img-blog.csdnimg.cn/20210115192031850.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ=,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ_size_16_color_FFFFFF_t_70 14]: https://img-blog.csdnimg.cn/20210115194656596.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ=,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ_size_16_color_FFFFFF_t_70 15]: https://img-blog.csdnimg.cn/20210115194715680.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ=,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ_size_16_color_FFFFFF_t_70 16]: https://img-blog.csdnimg.cn/2021011519280632.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTM5ODU2NjQ=,size_16,color_FFFFFF,t_70