Elasticsearch Query DSL之全文检索(Full text queries)下篇

本文将继续介绍Elasticsearch Query DSL之全文检索(Full text queries)方式的后3种。

• common terms query
  
• query_string query
  
• simple_query_string query

5、common terms query

该查询模式的定位：排除停用词或高频词对文档的匹配影响。提高文档匹配的精确度，同时不对性能产生影响。

我们来看一个停用词（高频词）对文档过滤帅选带来的影响：

查询字符串中的每个词根都有搜索成本。搜索“the brown fox”需要三个词根查询，分别为“The”、“brown”和“fox”，所有这些查询都是针对索引中的所有文档执行的。对于“The”的查询可能匹配许多文档，因此对相关性的影响要比其他两个术语小得多。

一种解决这个问题的方法是忽略高频项。通过将“the”视为stopword（停用词），我们可以减少索引大小，并减少需要执行的词根查询的数量。这种方法的问题在于，尽管停用词对相关性的影响很小，但它们仍然很重要。如果我们去掉stopwords，我们就会失去精确性(比如我们无法区分“快乐”和“不快乐”)，我们就会失去回忆(比如像“The The The”或“to be or not to be”这样的文本就不会存在于索引中)。

本文将介绍另外一种方式来解决上述问题：

common terms query将查询词根分为两组:更重要的(即低频词根)和不那么重要的(即高频词根，以前应该是停用词)，其工作方式如下：

首先，它搜索与更重要的词根(低频词)匹配的文档。这些术语出现在较少的文档中，对相关性的影响更大，性能更好。

然后，它对不太重要的词根(高频词)执行第二个查询。但是它并不会计算所有匹配（匹配高频词的所有文档）文档的相关得分，而是只计算第一个查询已经匹配的文档的_score。通过这种方式，高频项可以在不付出性能差的代价的情况下改进关联计算（低频词、高频次相互关联）。

如果查询只包含高频术语，那么一个查询将作为AND(连接)查询执行，换句话说，所有的词根都必须满足。尽管每个单独的词根将匹配许多文档，但术语组合将结果集缩小到最相关的部分，当然单个查询也可以指定至少多少个词根匹配即可（minimum_should_match）。

词根根据cutoff_frequency被分配给高频或低频组，可以指定为绝对频率(>=1)或相对频率(0.0)。1.0)。

5.1 示例详解

5.1.1 简单使用说明

GET /_search {
    "query": { 
        "common": {
            "body": {
                "query": "this is bonsai cool",
                "cutoff_frequency": 0.001 
            }         
        }     
    } 
}

上述查询方式会对查询词根 this、is、bonsai、cool4个词根分词，词根频率小于0.001的bonsail、cool会被当成低频次，而this、is会被设置为高频词组。由于common term query将词根分成了低频组与高频组，故针对match query的operator、minimum_should_match分别由如下四个参数代替：

• low_freq_operator
  
• high_freq_operator
  
• minimum_should_match:{low_freq、hign_freq}。
  

java rest api使用示例如下：

public static void testCommonQuery() {
        RestHighLevelClient client = EsClient.getClient();
        try {
            SearchRequest searchRequest = new SearchRequest();
            searchRequest.indices("esdemo");
            SearchSourceBuilder sourceBuilder = new SearchSourceBuilder();
            sourceBuilder.query(
                    QueryBuilders.commonTermsQuery("context", "this is brown fox")
                        .cutoffFrequency(0.001f)
                        .highFreqOperator(Operator.OR)
                        .highFreqMinimumShouldMatch("3")
                        .lowFreqOperator(Operator.OR)
                        .lowFreqMinimumShouldMatch("2")
                    );
            searchRequest.source(sourceBuilder);
            SearchResponse result = client.search(searchRequest, RequestOptions.DEFAULT);
            System.out.println(result);
        } catch (Throwable e) {
            e.printStackTrace();
        } finally {
            EsClient.close(client);
        }
    }

6、query_string query

查询字符串方式。query_string查询解析器支持对查询字符串按照操作符进行切割，每个部分独立分析，例如：

GET /_search
{
    "query": {
        "query_string" : {
            "default_field" : "content",
            "query" : "(new york city) OR (big apple)"
        }
    }
}

qquery_string的顶层参数如下：uery_string的顶层参数如下：

query_string的顶层参数如下：

• query
  查询字符串
  
• default_field
  默认匹配字段，如果未设置，则为"*"，表示所有的字段，也可通过index.query.default_field来统一配置默认字段
  
• default_operator
  设置默认操作类型，可选值：Operator.OR 和 Operator.AND，默认为Operator.OR
  
• analyzer
  设置分词器
  
• quote_analyzer
  用于分析查询字符串中引用的短语的分析器的名称。对于这些部分，它覆盖了使用analyzer参数或search_quote_analyzer设置设置的其他分析器
  
• allow_leading_wildcard
  是否允许第一个字符为通配符(*或?),默认为允许
  
• enable_position_increments
  是否允许以在结果查询中启用位置增量。默认值为true
  
• fuzzy_max_expansions
  控制模糊匹配的词根的扩展个数，在match phrase prefix的max_expansions已详解，默认为50
  
• fuzziness
  设置为模糊匹配。
  
• fuzzy_prefix_length
  模糊查询设置前缀长度。默认值为0
  
• fuzzy_transpositions
  是否开启模糊互换(ab -> ba)。默认为true
  
• phrase_slop
  match_phrase查询的slop。
  
• boost
  设置查询的boost值。默认为1.0
  
• auto_generate_phrase_queries
  是否自动生成短语查询(match_phrase)，默认为false
  
• analyze_wildcard
  默认情况下，查询字符串中的通配符项不会被分析。通过将该值设置为true，还将尽力分析这些值
  
• max_determinized_states
  设置可以创建自动状态机（正则表达式），默认为 10000
  
• minimum_should_match
  具体参考match_query的minimum_should_match
  
• lenient
  是否忽略由于数据类型不匹配引起的异常，默认为false
  
• time_zone
  时区应用于与日期相关的任何范围查询。参见JODA时区
  
• quote_field_suffix
  
• auto_generate_synonyms_phrase_query
  在使用match_phrase_query查询时开启同义词匹配，默认为true
  
• all_fields
  6.4.0版本后已废弃，使用default_field

6.1 多字段支持（multi field）

query_string支持多字段查询，可通过fields属性指定，例如：

GET /_search
{
    "query": {
        "query_string" : {
            "fields" : ["content", "name"],
            "query" : "this AND that"
        }
    }
}

其含义类似于："query": "(content:this OR name:this) AND (content:that OR name:that)"。

同时query_string(查询字符串)模式同样支持match_query等查询对应的参数，其工作机制一样，示例如下：

GET /_search
{
    "query": {
        "query_string" : {
            "fields" : ["content", "name^5"],
//          "fields" : ["city.*"],
            "query" : "this AND that OR thus",
            "tie_breaker" : 0,
            "type": "best_fields",
            "auto_generate_synonyms_phrase_query" : false    (同义词synonym机制)
        }
    }
}

6.2 支持通配符

查询字符串中支持使用通配符?与，其中?表示的单个字符，而表示0个或多个字符。查询字符串使用通配符，可能会消耗更多的内存，查询性能较低下。为了提高通配符效率，如果只是一个的话，命令就会被重写为存在查询（是否存在文档），例如fields:[""]。在关系型数据库中前置通配符(" ab")，这种查询是不支持索引查询的，在es中同样如此，需要遍历索引中所有词根，可以通过allow_leading_wildcard=false来禁用这种查询。通过将analyze_wildcard设置为true，将分析以结尾的查询，并从不同的令牌构建布尔查询，方法是确保第一个N-1令牌上的精确匹配，以及最后一个令牌上的前缀匹配。

6.3 支持正则表达式

正则表达式可以嵌入到查询字符串中，方法是将它们包装成斜杠("/")。注意allow_leading_wildcard无法控制正则表达式的行为。

6.4 邻近查询（可前可后）

虽然短语查询match_phrase(如“john smith”)要求所有的术语都按照完全相同的顺序进行查询，但是接近查询允许指定的单词进一步分开或以不同的顺序进行查询,并且也提供诸如match_query的slop属性。例如："fox quick"~5。

6.5 范围查询

可以为日期、数字或字符串字段指定范围查询。包含范围用方括号[min到max]指定，排他范围用花括号{min到max}指定。例如如下：

• 日期在2012年之内。
  date:[2012-01-01 TO 2012-12-31]
  
• 大于等1，小于等5
  count:[1 TO 5]
  
• Tags在 alpha 和omega之间，但不包括alpha和omega
  tag:{alpha TO omega}
  
• 大于等于10
  count:[10 TO *]
  
• 日期小于2012年
  date:{* TO 2012-01-01}
  

6.6 搜索字符串权重提升

使用提高运算符^可以设置一个词根相比其他词根更加重要（相关性更高）。例如针对查询字符串"quick^2 fox"，表明quick这个词根的重要性比fox重要2倍。该操作符也可以针对短语或组，一个组用()表示，示例如下："john smith"^2   (foo bar)^4。

6.7 boolean运算

默认情况下，所有词根都是可选的，只要一个词根匹配即可(Opreator.OR),从上面得知通过修改default_operator可以改变其默认行为。ES还支持对查询字符串进行boolean运算。例如查询字符串“quick brown +fox -news”表示的含义是：

1、fox词根必须存在。

2、news词根必须不存在。

3、quick brown 可选。

也支持常见的布尔运算符AND, OR和NOT(也写为&&，||和!)，但要注意，它们不遵守通常的优先规则，因此当多个运算符一起使用时，应该使用括号。例如，前面的查询可以改写为:((quick AND fox) OR (brown AND fox) OR fox) AND NOT news。

6.8 分组(grouping)

多个词根或子句可以用括号组合在一起，形成子查询，例如(quick OR brown) AND fox。

6.9 转义字符

在ES中，如下字符需要使用转义符合\，保留字符是:+ - = && || > < !(){ }[]”^ ~ * ?:\ /。

6.10 空查询

如果查询字符串为空或仅包含空白，则查询将生成空结果集。

6.11 query_string示例

public static void testQueryStringQuery_Query() {
        RestHighLevelClient client = EsClient.getClient();
        try {
            SearchRequest searchRequest = new SearchRequest();
            searchRequest.indices("esdemo");
            SearchSourceBuilder sourceBuilder = new SearchSourceBuilder();
            sourceBuilder.query(
//                    QueryBuilders.queryStringQuery("brown -fox")
//                    QueryBuilders.queryStringQuery("brown^8 fox^2")
                    QueryBuilders.queryStringQuery("(quick OR brown) AND fox")
                        .allowLeadingWildcard(false)
                        .field("context")
                        .field("title")
//                        .minimumShouldMatch("1")
                    );
            searchRequest.source(sourceBuilder);
            SearchResponse result = client.search(searchRequest, RequestOptions.DEFAULT);
            System.out.println(result);
        } catch (Throwable e) {
            e.printStackTrace();
        } finally {
            EsClient.close(client);
        }
    }

测试情况如下：

目前范围查询暂不知如何编写查询字符串，但ES专门通过QueryBuilders.rangeQuery(String name)返回RangeQueryBuilder，邻近查询未能编写Demo。

7、simple_query_string query

简单字符串查询模式。使用SimpleQueryParser解析上下文的查询。与常规的query_string查询不同，simple_query_string查询永远不会抛出异常，并丢弃查询的无效部分。下面是一个例子:

GET /_search
{
  "query": {
    "simple_query_string" : {
        "query": "\"fried eggs\" +(eggplant | potato) -frittata",
        "fields": ["title^5", "body"],
        "default_operator": "and"
    }
  }
}

查询字符串的写法非常符合(query_string)中定义的，例如查询字符串中支持boolean运算等。simple_query_string中的顶级参数都定义在org.elasticsearch.index.query.SimpleQueryStringBuilder中，其含义与query_string中类似，在这里就不重复介绍了。

simple_query_string支持如下写法。

• + signifies 表示必须包含。
  
• | signifies 相当于OR。
  
• - negates 相当于非
  
• " 包装一些标记以表示搜索的短语
  
• * 例如a*，表示前缀匹配
  
• ( and ) 括号可表示优先级
  
• ~N after a word 表示模糊匹配举例，类似于match_phrase slop。
  
• ~N after a phrase（短语），表示溢出量。
  

上述这些写法与在query_string机制一样。接下来主要再讲述query_string不同点。

7.1 flags

simple_query_string支持多个标记来指定应该启用哪些解析特性。它被指定为一个|分隔的字符串,例如：

GET /_search
{
    "query": {
        "simple_query_string" : {
            "query" : "foo | bar + baz*",
            "flags" : "OR|AND|PREFIX"
        }
    }
}

可用的flag的列表如下：ALL, NONE, AND, OR, NOT, PREFIX, PHRASE, PRECEDENCE, ESCAPE, WHITESPACE, FUZZY, NEAR, and SLOP。

7.2 使用示例

public static void testSimpleQueryString_Query() {
        RestHighLevelClient client = EsClient.getClient();
        try {
            SearchRequest searchRequest = new SearchRequest();
            searchRequest.indices("esdemo");
            SearchSourceBuilder sourceBuilder = new SearchSourceBuilder();
            sourceBuilder.query(
                    QueryBuilders.simpleQueryStringQuery("brown -fox")
                    );
            searchRequest.source(sourceBuilder);
            SearchResponse result = client.search(searchRequest, RequestOptions.DEFAULT);
            System.out.println(result);
        } catch (Throwable e) {
            e.printStackTrace();
        } finally {
            EsClient.close(client);
        }
    }

全文索引查询就介绍到这里了，下节开始将介绍Elasticsearch DSL term query(词根匹配)。