1、介紹

　　　　上篇介紹了搜索結構化數據的簡單應用示例，現在來探尋 全文搜索（full-text search） ：怎樣在全文字段中搜索到最相關的文檔。

　　　　全文搜索兩個最重要的方面是：

　　　　相關性（Relevance）

　　　它是評價查詢與其結果間的相關程度，並根據這種相關程度對結果排名的一種能力，這種計算方式可以是 TF/IDF 方法（參見 相關性的介紹）、地理位置鄰近、模糊相似，或其他的某些算法。

　　　　分析（Analysis）

　　　它是將文本塊轉換為有區別的、規範化的 token 的一個過程，（參見 分析的介紹） 目的是為了（a）創建倒排索引以及（b）查詢倒排索引。

　　　　一旦談論相關性或分析這兩個方面的問題時，我們所處的語境是關於查詢的而不是過濾。

　　2、基於詞項和基於全文

　　　　所有查詢會或多或少的執行相關度計算，但不是所有查詢都有分析階段。 和一些特殊的完全不會對文本進行操作的查詢（如 bool 或 function_score ）不同，文本查詢可以劃分成兩大家族：

　　　　基於詞項的查詢

　　　　　　如 term 或 fuzzy 這樣的底層查詢不需要分析階段，它們對單個詞項進行操作。用 term 查詢詞項 Foo 只要在倒排索引中查找 準確詞項 ，並且用 TF/IDF 算法為每個包含該詞項的文檔計算相關度評分 _score 。

　　 記住 term 查詢只對倒排索引的詞項精確匹配，這點很重要，它不會對詞的多樣性進行處理（如， foo

或 FOO ）。這裏，無須考慮詞項是如何存入索引的。

　　 如果是將 ["Foo","Bar"] 索引存入一個不分析的（ not_analyzed ）包含精確值的字段，或者將 Foo Bar 索引到一個帶有 whitespace 空格分析器的字段，兩者的結果都會是在倒排索引中有 Foo 和 Bar 這兩個詞。

　　　　基於全文的查詢

　　　　　　像 match 或 query_string 這樣的查詢是高層查詢，它們了解字段映射的信息：

　　　1、如果查詢 日期（date） 或 整數（integer） 字段，它們會將查詢字符串分別作為日期或整數對待。

　　　2、如果查詢一個（ not_analyzed

）未分析的精確值字符串字段，它們會將整個查詢字符串作為單個詞項對待。

　　　3、但如果要查詢一個（ analyzed ）已分析的全文字段，它們會先將查詢字符串傳遞到一個合適的分析器，然後生成一個供查詢的詞項列表。

　　一旦組成了詞項列表，這個查詢會對每個詞項逐一執行底層的查詢，再將結果合並，然後為每個文檔生成一個最終的相關度評分。

　　　　很少直接使用基於詞項的搜索，通常情況下都是對全文進行查詢，而非單個詞項，這只需要簡單的執行一個高層全文查詢（進而在高層查詢內部會以基於詞項的底層查詢完成搜索）。

　　　　當我們想要查詢一個具有精確值的 not_analyzed 未分析字段之前， 需要考慮，是否真的采用評分查詢，或者非評分查詢會更好。

　　　　單詞項查詢通常可以用是、非這種二元問題表示，所以更適合用過濾， 而且這樣做可以有效利用緩存

ElasticSearch 結構化搜索全文