SpringCloud：ElasticSearch之搜索结果处理

深碍√TFBOYSˉ_ 2024-03-23 13:00 53阅读 0赞

搜索的结果可以按照用户指定的方式去处理或展示。

### 1.排序 ###

`elasticsearch`默认是根据相关度算分（`_score`）来排序，但是也支持自定义方式对搜索[结果排序][Link 1]。可以排序字段类型有：`keyword`类型、数值类型、地理坐标类型、日期类型等。

#### 1.1.普通字段排序 ####

`keyword`、数值、日期类型排序的语法基本一致。

**语法**：

GET /indexName/_search
    {
        
      "query": {
        
        "match_all": {
        }
      },
      "sort": [
        {
        
          "FIELD": "desc"  // 排序字段、排序方式ASC、DESC
        }
      ]
    }

排序条件是一个数组，也就是可以写多个排序条件。按照声明的顺序，当第一个条件相等时，再按照第二个条件排序，以此类推。

**示例**：

需求描述：酒店数据按照用户评价（`score`）降序排序，评价相同的按照价格（`price`）升序排序。

![在这里插入图片描述][ec5a4681adcd45068c72b1cdf2dce0f3.png_pic_center]

#### 1.2.地理坐标排序 ####

地理坐标排序略有不同。

**语法说明**：

GET /indexName/_search
    {
        
      "query": {
        
        "match_all": {
        }
      },
      "sort": [
        {
        
          "_geo_distance" : {
        
              "FIELD" : "纬度，经度", // 文档中geo_point类型的字段名、目标坐标点
              "order" : "asc", // 排序方式
              "unit" : "km" // 排序的距离单位
          }
        }
      ]
    }

这个查询的含义是：

*  指定一个坐标，作为目标点
 *  计算每一个文档中，指定字段（必须是`geo_point`类型）的坐标 到目标点的距离是多少
 *  根据距离排序

**示例：**

需求描述：实现对酒店数据按照到你的位置坐标的距离升序排序。

提示：获取你的位置的经纬度的方式：[高德地图-获取鼠标点击经纬度][-]

假设我的位置是：31.034661，121.612282，寻找我周围距离最近的酒店。

![在这里插入图片描述][390ca5ea1d6b4b04ac400cae29c37e7a.png_pic_center]

### 2.分页 ###

`elasticsearch`默认情况下只返回`top 10`的数据。而如果要查询更多数据就需要修改分页参数了。`elasticsearch`中通过修改`from`、`size`参数来控制要返回的分页结果：

*  from：从第几个文档开始
 *  size：总共查询几个文档

类似于`mysql`中的`limit ?, ?`

#### 2.1.基本的分页 ####

分页的基本语法如下：

GET /hotel/_search
    {
        
      "query": {
        
        "match_all": {
        }
      },
      "from": 0, // 分页开始的位置，默认为0
      "size": 10, // 期望获取的文档总数
      "sort": [
        {
        "price": "asc"}
      ]
    }

#### 2.2.深度分页问题 ####

现在，我要查询 990~1000 的数据，查询逻辑要这么写：

GET /hotel/_search
    {
        
      "query": {
        
        "match_all": {
        }
      },
      "from": 990, // 分页开始的位置，默认为0
      "size": 10, // 期望获取的文档总数
      "sort": [
        {
        "price": "asc"}
      ]
    }

这里是查询990开始的数据，也就是第990条~第1000条数据。

不过，`elasticsearch`内部分页时，必须先查询 0~1000 条，然后截取其中的 990 ~ 1000 的这10条：

![在这里插入图片描述][ddd14e67a75d4cec981b35a4596f3832.png_pic_center]

查询`TOP 1000`，如果`es`是单点模式，这并无太大影响。

但是`elasticsearch`将来一定是集群，例如我集群有5个节点，我要查询`TOP 1000`的数据，并不是每个节点查询200条就可以了。

因为节点`A`的`TOP 200`，在另一个节点可能排到10000名以外了。

因此要想获取整个集群的`TOP 1000`，必须先查询出每个节点的`TOP 1000`，汇总结果后，重新排名，重新截取`TOP 1000`。

![在这里插入图片描述][49dee41ffb2e41bbb1fb3d85d6acf44d.png_pic_center]

那如果我要查询9900~10000的数据呢？是不是要先查询`TOP 10000`呢？那每个节点都要查询10000条？汇总到内存中？

当查询分页深度较大时，汇总数据过多，对内存和`CPU`会产生非常大的压力，因此`elasticsearch`会禁止`from + size`超过10000的请求。

针对深度分页，`ES`提供了两种解决方案，[官方文档][Link 2]：

*  `search after`：分页时需要排序，原理是从上一次的排序值开始，查询下一页数据。官方推荐使用的方式。
 *  `scroll`：原理将排序后的文档`id`形成快照，保存在内存。官方已经不推荐使用。

#### 2.3.小结 ####

分页查询的常见实现方案以及优缺点：

*  `from + size`：
    
     *  优点：支持随机翻页
     *  缺点：深度分页问题，默认查询上限（`from + size`）是10000
     *  场景：百度、京东、谷歌、淘宝这样的随机翻页搜索
 *  `after search`：
    
     *  优点：没有查询上限（单次查询的`size`不超过10000）
     *  缺点：只能向后逐页查询，不支持随机翻页
     *  场景：没有随机翻页需求的搜索，例如手机向下滚动翻页
 *  `scroll`：
    
     *  优点：没有查询上限（单次查询的`size`不超过10000）
     *  缺点：会有额外内存消耗，并且搜索结果是非实时的
     *  场景：海量数据的获取和迁移。从`ES7.1`开始不推荐，建议用`after search`方案。

### 3.高亮 ###

#### 3.1.高亮原理 ####

什么是高亮显示呢？

我们在百度，京东搜索时，关键字会变成红色，比较醒目，这叫高亮显示：

![在这里插入图片描述][2fc80c8eb9ab483b994c5db8741c8fc4.png_pic_center]

高亮显示的实现分为两步：

* 1）给文档中的所有关键字都添加一个标签，例如``标签
 * 2）页面给``标签编写`CSS`样式

#### 3.2.实现高亮 ####

**高亮的语法**：

GET /hotel/_search
 {
 
 "query": {
 
 "match": {
 
 "FIELD": "TEXT" // 查询条件，高亮一定要使用全文检索查询
 }
 },
 "highlight": {
 
 "fields": {
 // 指定要高亮的字段
 "FIELD": {
 
 "pre_tags": "", // 用来标记高亮字段的前置标签
 "post_tags": "" // 用来标记高亮字段的后置标签
 }
 }
 }
 }

**注意：**

*  高亮是对关键字高亮，因此**搜索条件必须带有关键字**，而不能是范围这样的查询。
 *  默认情况下，**高亮的字段，必须与搜索指定的字段一致**，否则无法高亮
 *  如果要对非搜索字段高亮，则需要添加一个属性：`required_field_match=false`

**示例**：

![在这里插入图片描述][a8823d36dc5f4010bdd1497e3b1e34e6.png_pic_center]

### 4.总结 ###

查询的`DSL`是一个大的`JSON`对象，包含下列属性：

*  `query`：查询条件
 *  `from`和`size`：分页条件
 *  `sort`：排序条件
 *  `highlight`：高亮条件

示例：

GET /hotel/_search
 {
 
 "query": {
 
 "match": {
 
 "name": "如家"
 }
 },
 "from": 0 , // 分页开始的位置
 "size": 20, // 期望获取的文档总数
 "sort": [
 {
 
 "price": "asc" // 普通排序
 },
 {
 
 "_geo_distance": {
 // 距离排序
 "location": {
 
 "lat": 31.034661,
 "lon": 121.612282
 }, 
 "order": "desc",
 "unit": "km"
 }
 }
 ],
 "highlight": {
 
 "fields": {
 //高亮
 "name": {
 
 "pre_tags": "", // 用来标记高亮字段的前置标签
 "post_tags": "" // 用来标记高亮字段的后置标签
 }
 }
 }
 }

![在这里插入图片描述][619796f06014490aaa95c09504849ac2.png_pic_center]

[Link 1]: https://www.elastic.co/guide/en/elasticsearch/reference/current/sort-search-results.html
[ec5a4681adcd45068c72b1cdf2dce0f3.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/a267a4d97fa64c228a0b5b3ec09f1a31.png
[-]: https://lbs.amap.com/demo/jsapi-v2/example/map/click-to-get-lnglat/
[390ca5ea1d6b4b04ac400cae29c37e7a.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/9b67a7709715405c8932ceace1873799.png
[ddd14e67a75d4cec981b35a4596f3832.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/cf297b69765543e58f22423ef682e17c.png
[49dee41ffb2e41bbb1fb3d85d6acf44d.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/40977605348d4088b3c4fc8e59cd0b34.png
[Link 2]: https://www.elastic.co/guide/en/elasticsearch/reference/current/paginate-search-results.html
[2fc80c8eb9ab483b994c5db8741c8fc4.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/43d16546d10a49f4999fceeb37ecf3b9.png
[a8823d36dc5f4010bdd1497e3b1e34e6.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/2a492b65383b4a029cda63801400fe0e.png
[619796f06014490aaa95c09504849ac2.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/3cea514e0c72452f976e399c6a2a266d.png