ElasticSearch基本查詢

布爾查詢

　　布爾查詢是最經常使用的組合查詢，不只將多個查詢條件組合在一塊兒，而且將查詢的結果和結果的評分組合在一塊兒。當查詢條件是多個表達式的組合時，布爾查詢很是有用，實際上，布爾查詢把多個子查詢組合（combine）成一個布爾表達式，全部子查詢之間的邏輯關係是與（and）；只有當一個文檔知足布爾查詢中的全部子查詢條件時，ElasticSearch引擎才認爲該文檔知足查詢條件。布爾查詢支持的子查詢類型共有四種，分別是：must，should，must_not和filter：

• must子句：文檔必須匹配must查詢條件；
• should子句：文檔應該匹配should子句查詢的一個或多個；
• must_not子句：文檔不能匹配該查詢條件；
• filter子句：過濾器，文檔必須匹配該過濾條件，跟must子句的惟一區別是，filter不影響查詢的score；

 一般狀況下，should子句是數組字段，包含多個should子查詢，默認狀況下，匹配的文檔必須知足其中一個子查詢條件。

若是查詢須要改變默認匹配行爲，查詢DSL必須顯式設置布爾查詢的參數minimum_should_match的值，該參數控制一個文檔必須匹配的should子查詢的數量，我遇到一個布爾查詢語句，其should子句中包含兩個查詢，若是不設置參數minimum_should_match，其默認值是0。建議在布爾查詢中，顯示設置參數minimum_should_match的值。

注：布爾查詢的四個子句，均可以是數組字段，所以，支持嵌套邏輯操做的查詢。

例如，對於如下should查詢，一個文檔必須知足should子句中兩個以上的詞條查詢：

"should" : [
        {  "term" : { "tag" : "azure" } },
        {  "term" : { "tag" : "elasticsearch" } },
        {  "term" : { "tag" : "cloud" } }
    ],
"minimum_should_match" : 2

布爾查詢的各個子句之間的邏輯關係是與（and），這意味着，一個文檔只有同時知足全部的查詢子句時，該文檔才匹配查詢條件，做爲結果返回。

在布爾查詢中，對查詢結果的過濾，建議使用過濾（filter）子句和must_not子句，這兩個子句屬於過濾上下文（Filter Context），常用filter子句，使得ElasticSearch引擎自動緩存數據，當再次搜索已經被緩存的數據時，可以提升查詢性能；因爲過濾上下文不影響查詢的評分，而評分計算讓搜索變得複雜，消耗更多CPU資源，所以，filter和must_not查詢減輕搜索的工做負載。

查詢和過濾上下文

在布爾查詢中，查詢被分爲Query Context 和 Filter Context，查詢上下文由query參數指定，過濾上下文由filter和must_not參數指定。這兩個查詢上下文的惟一區別是：Filter Context不影響查詢的評分（score）。在布爾查詢中，Filter參數和must_not參數使用Filter Context，而must和should使用Query Context，常用Filter Context，引擎會自動緩存數據，提升查詢性能。

GET _search
{
  "query": { 
    "bool": { 
      "must": [
        { "match": { "title":   "Search"        }}, 
        { "match": { "content": "Elasticsearch" }}  
      ],
      "filter": [ 
        { "term":  { "status": "published" }}, 
        { "range": { "publish_date": { "gte": "2015-01-01" }}} 
      ]
    }
  }
}

View Code

對於上述查詢請求，must子句處於query context中，filter子句處於filter context中：

• 在query context中，must子句將返回同時知足匹配(match)查詢的文檔；
• 在filter context中，filter子句是一個過濾器，將不知足詞條查詢和範圍查詢條件的文檔過濾掉，而且不影響匹配文檔的score；

參考：ElasticSearch查詢 第五篇：布爾查詢

詞條查詢

　　字符串的徹底匹配是指字符的大小寫，字符的數量和位置都是相同的，詞條（term）查詢使用字符的徹底匹配方式進行文本搜索，詞條查詢不會分析（analyze）查詢字符串，給定的字段必須徹底匹配詞條查詢中指定的字符串。因爲詞條查詢的字符串是未經分析（analyzed）的詞條，所以，詞條查詢常常用於結構化的數據，例如，數值，日期等，當用於文本搜索時，最好在索引映射中設置字符串字段不被索引，也就是說，設置index屬性爲not_analyzed，不然，只能對該字段進行單詞條搜索，也可使用多字段(fields)屬性，定義一個不被分析的字段，原始字段用於全文搜索，而多字段用於詞條搜索：

"properties":
{  
    "title":{  "type":"string","index":"analyzed"
               "fields":{ "title_exact":{"type":"string","index":"not_analyzed"} }
    },

1.一、精準查詢：term【至關於sql：field = 1】

　　詞條（term）查詢和全文（fulltext）查詢最大的不一樣之處是：

全文查詢首先分析（Analyze）查詢字符串，使用默認的分析器分解成一系列的分詞，term1，term2，termN，而後從索引中搜索是否有文檔包含這些分詞中的一個或多個，若是執行的match查詢，默認的操做符（operator）是，只要文檔的字段值可以匹配任意一個詞條，該文檔就匹配查詢條件；而詞條查詢是字符的徹底匹配，只有當字段的字符徹底匹配【包括大小寫】查詢字符串時，ElasticSearch引擎才斷定文檔匹配查詢條件：

詞條查詢：詞條查詢不會分析查詢條件，只有當詞條和查詢字符串徹底匹配時，才匹配搜索。當在未被分析的字段中進行搜索時，和查詢字符串徹底匹配的文檔會被返回；若是在已分析（Analyzed）的字段中進行搜索，詞條必須是小寫的單個詞條，不然，匹配不到任何文檔；

全文查詢：ElasticSearch引擎會先分析（analyze）查詢字符串，將其拆分紅小寫的分詞，只要已分析的字段中包含詞條的任意一個，或所有包含，就匹配查詢條件，返回該文檔；若是不包含任意一個分詞，表示沒有任何文檔匹配查詢條件。

PUT my_index
{
  "mappings": {
    "my_type": {
      "properties": {
        "full_text": {
          "type":  "string" 
        },
        "exact_value": {
          "type":  "string",
          "index": "not_analyzed" 
        }
      }
    }
  }
}

PUT my_index/my_type/1
{
  "full_text":   "Quick Foxes!", 
  "exact_value": "Quick Foxes!"  
}

View Code

字段full_text 默認值被分析的（analyzed），字段exact_value顯式設置不被分析，索引文檔的結果是：在倒排索引中，字段full_text包含兩個分詞：quick和foxes，分詞都是小寫的；而exact_value因爲未被分析，只是整個短語「Quick Foxes!」，只能進行徹底匹配，在查詢條件中，少一個字符或多一個字符，甚至大小寫不一樣都不能匹配。

1.二、通配符查詢：wildcard【至關於sql：field like '張_三*'】

ElsticSearch支持的通配符(wildcard)有2個，分別是：

• *：0個或多個任意字符
• ?：任意單個字符

在通配符查詢中，ElasticSearch引擎不會分析查詢字符串，當文檔的字段 匹配通配符查詢條件時，文檔匹配。通配符查詢會使查詢性能變差，爲了提升查詢性能，推薦：查詢字符串不要以通配符開頭，只在查詢字符串中間或末尾使用通配符。

{
  "query": {
    "wildcard": {
      "firstname": "Myr*" 
    }
  }
}

1.三、前綴查詢：prefix【至關於sql：field like '張*'】

　　前綴匹配查詢是指，文檔的字段包含 以指定的字符（不會被分析）爲前綴的分詞，前綴匹配適用於已分析字段，只能匹配單個分詞的前綴；

也適用於未被分析的字段，這樣，字符串將從原始值的第一個字符開始前綴匹配

{
  "query": {
    "prefix": {
"firstname": "Ma" }}}

1.四、模糊度查詢：fuzzy【經過fuzziness設置能夠錯幾個】

　　查找指定字段 包含與指定術語模糊類似的術語的文檔。模糊度是以Levenshtein編輯距離1或2來衡量的。

• fuzzy搜索技術
• 搜索的時候，可能輸入的搜索文本會出現誤拼寫的狀況
• 自動將拼寫錯誤的搜索文本，進行糾正，糾正之後去嘗試匹配索引中的數據
• 糾正在必定的範圍內若是差異大沒法搜索出來

參數：fuzziness，你的搜索文本最多能夠糾正幾個字母去跟你的數據進行匹配，默認若是不設置，就是2

參數：min_similarity是查詢字符串與數據庫中的字符串匹配的百分比。

參數：max_expansions是Levenshtein距離，經過該距離搜索應該執行。默認50。

1.五、範圍查詢：range【至關於sql：field > 1 and field<30】

　　查找指定字段包含指定範圍內的值（日期，數字或字符串）的文檔。

{
    "range" : {
        "age" : {
            "gte" : 10,
            "lte" : 20,
        }
    }
}

範圍查詢使用的比較操做符：

• gte：大於或等於（Greater-than or equal to）
• gt：大於（Greater-than）
• lte：小於或等於（Less-than or equal to）
• lt：小於（Less-than）

1.六、查詢字符串：query_string

 

1.七、缺失查詢：missing

 missing 過濾能夠用於查找文檔中 沒有某個字段的文檔

總共有3個文檔，查詢一下就剩2個，實際的查詢是轉換爲must_not

參考：ElasticSearch查詢 第三篇：詞條查詢