如何使用 ElasticSearch 搜索单词的一部分

Question

我最近开始使用 ElasticSearch，但似乎无法让它搜索单词的一部分。

示例：我在 ElasticSearch 中索引了 couchdb 中的三个文档：

{
  "_id" : "1",
  "name" : "John Doeman",
  "function" : "Janitor"
}
{
  "_id" : "2",
  "name" : "Jane Doewoman",
  "function" : "Teacher"
}
{
  "_id" : "3",
  "name" : "Jimmy Jackal",
  "function" : "Student"
} 

所以现在，我想搜索包含“Doe”的所有文档

curl http://localhost:9200/my_idx/my_type/_search?q=Doe

，但不会返回任何命中。但如果我搜索

curl http://localhost:9200/my_idx/my_type/_search?q=Doeman

It 确实会返回一份文档（John Doeman）。

我尝试将不同的分析器和不同的过滤器设置为索引的属性。我还尝试过使用完整的查询（例如

{
  "query": {
    "term": {
      "name": "Doe"
    }
  }
}

：） 但似乎没有任何作用。

当我搜索“Doe”时，如何让 ElasticSearch 同时找到 John Doeman 和 Jane Doewoman？

更新

我尝试使用 nGram 分词器和过滤器，就像 Igor 提出的那样，如下所示：

{
  "index": {
    "index": "my_idx",
    "type": "my_type",
    "bulk_size": "100",
    "bulk_timeout": "10ms",
    "analysis": {
      "analyzer": {
        "my_analyzer": {
          "type": "custom",
          "tokenizer": "my_ngram_tokenizer",
          "filter": [
            "my_ngram_filter"
          ]
        }
      },
      "filter": {
        "my_ngram_filter": {
          "type": "nGram",
          "min_gram": 1,
          "max_gram": 1
        }
      },
      "tokenizer": {
        "my_ngram_tokenizer": {
          "type": "nGram",
          "min_gram": 1,
          "max_gram": 1
        }
      }
    }
  }
}

我现在遇到的问题是每个查询都返回所有文档。 有什么指点吗？关于使用 nGram 的 ElasticSearch 文档不太好......

Answer 1

我也在使用 nGram。我使用标准分词器和 nGram 作为过滤器。这是我的设置：

{
  "index": {
    "index": "my_idx",
    "type": "my_type",
    "analysis": {
      "index_analyzer": {
        "my_index_analyzer": {
          "type": "custom",
          "tokenizer": "standard",
          "filter": [
            "lowercase",
            "mynGram"
          ]
        }
      },
      "search_analyzer": {
        "my_search_analyzer": {
          "type": "custom",
          "tokenizer": "standard",
          "filter": [
            "standard",
            "lowercase",
            "mynGram"
          ]
        }
      },
      "filter": {
        "mynGram": {
          "type": "nGram",
          "min_gram": 2,
          "max_gram": 50
        }
      }
    }
  }
}

让您查找最多 50 个字母的单词部分。根据需要调整 max_gram。在德语中，单词可能会变得很大，所以我将其设置为一个很高的值。

Answer 2

我认为没有必要改变任何映射。
尝试使用query_string，它是完美的。所有场景都将使用默认标准分析器：

我们有数据：

{"_id" : "1","name" : "John Doeman","function" : "Janitor"}
{"_id" : "2","name" : "Jane Doewoman","function" : "Teacher"}

场景 1：

{"query": {
    "query_string" : {"default_field" : "name", "query" : "*Doe*"}
} }

响应：

{"_id" : "1","name" : "John Doeman","function" : "Janitor"}
{"_id" : "2","name" : "Jane Doewoman","function" : "Teacher"}

场景 2：

{"query": {
    "query_string" : {"default_field" : "name", "query" : "*Jan*"}
} }

响应：

{"_id" : "1","name" : "John Doeman","function" : "Janitor"}

场景 3：

{"query": {
    "query_string" : {"default_field" : "name", "query" : "*oh* *oe*"}
} }

响应：

{"_id" : "1","name" : "John Doeman","function" : "Janitor"}
{"_id" : "2","name" : "Jane Doewoman","function" : "Teacher"}

编辑-
与 Spring Data Elastic Search 相同的实现
https://stackoverflow.com/a/43579948/2357869

再解释一下query_string如何比其他更好
https://stackoverflow.com/a/43321606/2357869

Answer 3

在大型索引上使用前导通配符和尾随通配符进行搜索将非常慢。如果您希望能够按单词前缀搜索，请删除前导通配符。如果您确实需要在单词中间查找子字符串，那么最好使用 ngram tokenizer。

Answer 4

在不更改索引映射的情况下，您可以执行一个简单的前缀查询，该查询将像您希望的那样进行部分搜索

。

{
  "query": { 
    "prefix" : { "name" : "Doe" }
  }
}

https://www.elastic.co /guide/en/elasticsearch/reference/current/query-dsl-prefix-query.html

Answer 5

虽然有很多答案都专注于解决手头的问题，但没有过多讨论人们在选择特定答案之前需要做出的各种权衡。因此，让我尝试在这个角度上添加更多细节。

部分搜索现在是一个非常常见且重要的功能，如果实施不当可能会导致糟糕的用户体验和糟糕的性能，因此首先了解您的应用程序与此功能相关的功能和非功能需求我在这个详细的答案中谈到过。

现在有各种方法，例如查询时间、索引时间、完成建议和输入数据类型时搜索在最新版本的elasticsarch中添加。

现在，想要快速实施解决方案的人们可以使用以下端到端工作解决方案。

索引映射

{
  "settings": {
    "analysis": {
      "filter": {
        "autocomplete_filter": {
          "type": "ngram",
          "min_gram": 1,
          "max_gram": 10
        }
      },
      "analyzer": {
        "autocomplete": { 
          "type": "custom",
          "tokenizer": "standard",
          "filter": [
            "lowercase",
            "autocomplete_filter"
          ]
        }
      }
    },
    "index.max_ngram_diff" : 10
  },
  "mappings": {
    "properties": {
      "title": {
        "type": "text",
        "analyzer": "autocomplete", 
        "search_analyzer": "standard" 
      }
    }
  }
}

给定示例文档的索引

{
  "title" : "John Doeman"
  
}

{
  "title" : "Jane Doewoman"
  
}

{
  "title" : "Jimmy Jackal"
  
}

和搜索查询

{
    "query": {
        "match": {
            "title": "Doe"
        }
    }
}

返回预期搜索结果

 "hits": [
            {
                "_index": "6467067",
                "_type": "_doc",
                "_id": "1",
                "_score": 0.76718915,
                "_source": {
                    "title": "John Doeman"
                }
            },
            {
                "_index": "6467067",
                "_type": "_doc",
                "_id": "2",
                "_score": 0.76718915,
                "_source": {
                    "title": "Jane Doewoman"
                }
            }
        ]

Answer 6

我正在使用这个并开始工作

<前><代码>“查询”：{
“查询字符串”：{
“查询”：“*测试*”，
“字段”：[“字段1”，“字段2”]，
“analyze_wildcard”：正确，
“allow_leading_wildcard”：true
}
}

Answer 7

尝试使用此处描述的解决方案： ElasticSearch 中的精确子字符串搜索

{
    "mappings": {
        "my_type": {
            "index_analyzer":"index_ngram",
            "search_analyzer":"search_ngram"
        }
    },
    "settings": {
        "analysis": {
            "filter": {
                "ngram_filter": {
                    "type": "ngram",
                    "min_gram": 3,
                    "max_gram": 8
                }
            },
            "analyzer": {
                "index_ngram": {
                    "type": "custom",
                    "tokenizer": "keyword",
                    "filter": [ "ngram_filter", "lowercase" ]
                },
                "search_ngram": {
                    "type": "custom",
                    "tokenizer": "keyword",
                    "filter": "lowercase"
                }
            }
        }
    }
}

解决磁盘使用问题和搜索词过长问题 短 8 个字符长使用ngrams（配置为：“max_gram”：8）。要搜索超过 8 个字符的术语，请将搜索转换为布尔 AND 查询，查找该字符串中每个不同的 8 字符子字符串。例如，如果用户搜索largeyard（10 个字符的字符串），搜索结果将为：

“arge ya AND arge yar AND rgeyard。

Answer 8

如果您想实现自动完成功能，则 Completion Suggester 是最简洁的解决方案。下一篇博客文章包含非常清晰的描述其工作原理。

简而言之，它是一种称为 FST 的内存数据结构，其中包含有效的建议，并针对快速检索和内存使用进行了优化。本质上，它只是一个图表。例如，包含单词 hotel、marriot、mercure、munchen 和 munich 的 FST code> 看起来像这样：

Answer 9

你可以使用正则表达式。

{ "_id" : "1", "name" : "John Doeman" , "function" : "Janitor"}
{ "_id" : "2", "name" : "Jane Doewoman","function" : "Teacher"  }
{ "_id" : "3", "name" : "Jimmy Jackal" ,"function" : "Student"  } 

如果您使用此查询：

{
  "query": {
    "regexp": {
      "name": "J.*"
    }
  }
}

您将给出名称以“J”开头的所有数据。考虑您只想接收名称以“man”结尾的前两条记录，因此您可以使用此查询：

{
  "query": { 
    "regexp": {
      "name": ".*man"
    }
  }
}

如果您愿意要接收其名称中存在“m”的所有记录，您可以使用此查询：

{
  "query": { 
    "regexp": {
      "name": ".*m.*"
    }
  }
}

这对我有用。我希望我的答案适合解决您的问题。

Answer 10

使用通配符 (*) 可以防止计算分数

Answer 11

没关系。

我必须查看 Lucene 文档。
看来我可以使用通配符！ :-)

curl http://localhost:9200/my_idx/my_type/_search?q=*Doe*

成功了！