目錄

• 引言
• 構建示例
• match
  • operator 引數
  • analyzer
  • lenient 引數
• Fuzziness
  • fuzzniess 引數
    • 什麼是模糊搜尋？
    • Levenshtein Edit Distance
    • fuzziness 引數取值規則
  • prefix_length
• Zero terms Query
• Cutoff frequency
• synonyms
• 小結
• 參考文件
• 系列文章列表

引言

昨天是感恩節，上幼兒園的女兒在老師的叮囑下，晚上為我和老婆洗了腳(形式上的^_^)，還給我們每人端了一杯水。看著孩子一天天的長大，懂事，感覺很開心，話說咱們程式設計師這麼辛苦是為了什麼？不就是為了老婆，孩子，熱炕頭，有一個溫暖幸福的家庭，再捎帶著用程式碼改變一下世界嗎？想到這裡，頓時覺得學習，創作部落格的勁頭也的更足了。哈哈，扯遠了，書歸正傳，今天我們來聊聊 Match Query。

Match Query 是最常用的 Full Text Query 。無論需要查詢什麼欄位， match 查詢都應該會是首選的查詢方式。它既能處理全文欄位，又能處理精確欄位。

構建示例

為了能夠在後面能深入理解 Match Query 中的各個屬性的意義，我們先構建一個 index 示例(有興趣的同學只要將下面欄位貼上到 sense 中就可以建立)。

PUT matchtest
{ 
}

PUT matchtest/_mapping/people
{
  "properties": {
    "age": {
      "type": "integer"
    },
    "hobbies": {
      "type": "text"
    },
    "name": {
      "type": "keyword"
    }
  }
}

PUT matchtest/people/1
{
  "name" : "Jim",
  "age": 10,
  "hobbies": "football, basketball, pingpang"
}


PUT matchtest/people/2
{
  "name" : "Tom",
  "age": 12,
  "hobbies": "swimming, football"
}
 

match

operator 引數

match 查詢是一種 bool 型別的查詢。什麼意思呢？舉個例子，查詢 people type 的 hobbies 為 football basketball

GET matchtest/people/_search
{
  "query": {
    "match": {
      "hobbies": "football basketball"
    }
  }
}

會將上面的兩個文件都搜尋出來。為什麼？上面的查詢其實隱藏了一個預設引數operator ， 它的預設值是 or ，也就是說上面的查詢也可以寫成這種形式

GET matchtest/people/_search
{
  "query": {
    "match": {
      "hobbies": {
        "query": "football basketball",
        "operator": "or"
      }
    }
  }
}
 

這樣就比較容易理解了，既然是 or 操作符，就表示只要查詢的文件的 hobbies 欄位中含有 football 和 basketball 任意一個，就可以被匹配到。

如果將 operator 操作符的值改為 and ，則表示需要同時包含 football 和 basketball ， 得到的結果就只能是 文件 1 Jim 小朋友了。

analyzer

analyzer 屬性是指在對查詢文字分析時的分析器

• 如果沒有指定則會使用欄位mapping 時指定的分析器
• 如果欄位在 mapping 時也沒有明顯指定，則會使用預設的 search analyzer。

這裡我們也沒有指定，就會使用預設的，就不舉例了，在後面文章講解 analyzer 時再拓展。

lenient 引數

預設值是 false ， 表示用來在查詢時如果資料型別不匹配且無法轉換時會報錯。如果設定成 true 會忽略錯誤。

例如， 例子中的 age 是 integer 型別的，如果查詢 age=xxy ，就會導致無法轉換而報錯。

GET matchtest/_search
{
  "query": {
    "match": {
      "age" : {
        "query": "xxx"
      }
    }
  }
}

而如果將 lenient 引數設定為 true ，就會忽略這個錯誤

GET matchtest/_search
{
  "query": {
    "match": {
      "age" : {
        "query": "xxx",
        "lenient": true
      }
    }
  }
}

注意，如果將 age 欄位的值設定為字串 "10", 來查詢，由於能夠轉換成整數，這時 elastic 內部會將 字串先轉換成整數再做查詢，不會報錯。

Fuzziness

fuzzniess 引數

fuzziness 引數可以是查詢的欄位具有模糊搜尋的特性。來先了解下什麼是模糊搜尋。

什麼是模糊搜尋？

模糊搜尋是指系統允許被搜尋資訊和搜尋提問之間存在一定的差異，這種差異就是“模糊”在搜尋中的含義。例如，查詢名字Smith時，就會找出與之相似的Smithe， Smythe， Smyth， Smitt等。

——百度百科

通過模糊搜尋可以查詢出存在一定相似度的單詞，那麼怎麼計算兩個單詞是否有相似度以及相似度的大小呢？這就要了解下另外一個概念：Levenshtein Edit Distance

Levenshtein Edit Distance

Levenshtein Edit Distance 叫做萊文斯坦距離**，是編輯距離的一種。指兩個字串之間，由一個轉成另一個所需的最少編輯操作次數。允許的編輯操作包括將一個字元替換成另一個字元，插入一個字元，刪除一個字元。

例如，單詞 "god" 只需要插入一個 'o' 字元就可以變為 "good"，因此它們之間的編輯距離為 1。

fuzziness 引數取值規則

瞭解了上面兩個概念，回過頭再來看下 fuzziness 引數。

在查詢 text 或者 keyword 型別的欄位時, fuzziness 可以看做是萊文斯坦距離。

fuzziness 引數的取值如下

• 0,1,2 表示最大可允許的萊文斯坦距離

• AUTO

  會根據詞項的長度來產生可編輯距離，它還有兩個可選引數，形式為AUTO:[low],[high]， 分別表示短距離引數和長距離引數；如果沒有指定，預設值是 AUTO:3,6 表示的意義如下

  • 0..2

    單詞長度為 0 到 2 之間時必須要精確匹配，這其實很好理解，單詞長度太短是沒有相似度可言的，例如 'a' 和 'b'。

  • 3..5

    單詞長度 3 到 5 個字母時，最大編輯距離為 1

  • >5

    單詞長度大於 5 個字母時，最大編輯距離為 2

  最佳實踐: fuzziness 在絕大多數場合都應該設定成 AUTO

如果不設定 fuziness 引數，查詢是精確匹配的。

來看例子，上面建立了一個 doc

PUT matchtest/people/1
{
  "name" : "Jim",
  "age": 10,
  "hobbies": "football, basketball, pingpang"
}

設定 fuzziness 為 AUTO ，

• 其中 hobbies 欄位的值 football 長度 > 5, 此時我們找一個編輯距離為 2 的單詞 footba22 來查詢，應該匹配到
• 其中 name 欄位的值 jim 長度在 3 和 5 之間，此時找一個編輯距離為 1 的單詞 jiO 應匹配到，而編輯距離為 2 的 jOO 就不應匹配到。

來，驗證下

GET matchtest/_search
{
  "query": {
    "match": {
      "hobbies": {
        "query": "footba22",
        "fuzziness": "AUTO"
      }
    }
  }
}

GET matchtest/_search
{
  "query": {
    "match": {
      "name": {
        "query": "jiO",
        "fuzziness": "AUTO"
      }
    }
  }
}


GET matchtest/_search
{
  "query": {
    "match": {
      "name": {
        "query": "jOO",
        "fuzziness": "AUTO"
      }
    }
  }
}

prefix_length

prefix_length 表示不能沒模糊化的初始字元數。由於大部分的拼寫錯誤發生在詞的結尾，而不是詞的開始，使用 prefix_length 就可以完成優化。注意 prefix_length 必須結合 fuzziness 引數使用。

例如，在查詢 hobbies 中的 football 時，將 prefix_length 引數設定為 3,這時 foatball 將不能被匹配。

GET matchtest/_search
{
  "query": {
    "match": {
      "hobbies": {
        "query": "foatball",
        "fuzziness": "AUTO",
        "prefix_length": 3
      }
    }
  }
}

TODO（max_expansions 引數對於 match 查詢而言，沒理解表示的意義，如果您知道這個引數的用法，請給我留言告知，不勝感謝！ ）

Zero terms Query

先看例子, 先建立一個文件 zero_terms_query_test 其中 message 欄位使用 stop 分析器，這個分析器會將 stop words 停用詞在索引時全都去掉。

PUT matchtest1

PUT matchtest1/_mapping/zero_terms_query_test
{
  "properties": {
    "message": {
      "type": "text",
      "analyzer": "stop"
    }
  }
}


PUT matchtest1/zero_terms_query_test/1
{
  "message": "to be or not to be"
}

GET matchtest1/_search
{
  "query": {
    "match": {
      "message": {
        "query": "to be or not to be",
        "operator": "and",
        "zero_terms_query": "none"
      }
    }
  }
}

那麼就像 message 欄位中的 to be or not to be 這個短語中全部都是停止詞，一過濾，就什麼也沒有了,得不到任何 tokens, 那搜尋時豈不什麼都搜不到。

POST _analyze
{
  "analyzer": "stop",
  "text": "to be or not to be"
}

zero_terms_query 就是為了解決這個問題而生的。它的預設值是 none ,就是搜不到停止詞（對 stop 分析器欄位而言）,如果設定成 all ，它的效果就和 match_all 類似，就可以搜到了。

GET matchtest1/_search
{
  "query": {
    "match": {
      "message": {
        "query": "to be or not to be",
        "operator": "and",
        "zero_terms_query": "all"
      }
    }
  }
}

Cutoff frequency

查詢字串時的詞項會分成低頻詞（更重要）和高頻詞（次重要）兩類，像前面所說的停用詞 （stop word）就屬於高頻詞，它雖然出現頻率較高，但在匹配時可能並不太相關。實際上，我們往往是想要文件能儘可能的匹配那些低頻詞，也就是更重要的詞項。

要實現這個需求，只要在查詢時配置 cutoff_frequency 引數就可以了。假設我們將 cutoff_frequency 設定成 0.01 就表示

• 任何詞項在文件中超過 1%， 被認為是高頻詞
• 其他的詞項會被認為低頻詞

從而將高頻詞（次重要的詞）挪到可選子查詢中，讓它們只參與評分，而不參與匹配；高頻詞（更重要的詞）參與匹配和評分。

這樣一來，就不再需要 stopwords 停用詞檔案了，從而變成了動態生成停用詞: 高頻詞就會被看做是停用詞。這種配置只是對於詞項比較多的場合如 email body，文章等適用，文字太少， cutoff_frequency 選項設定的意義就不大了。

cutoff_frequency 配置有兩種形式

• 指定為一個分數（ 0.01 ）表示出現頻率
• 指定為一個正整數（ 5 ）則表示出現次數

下面給個例子, 在建立的 3 個文件中都包含 "be " 的單詞，在查詢時將 cutoff_frequency 引數設定為 2， 表示 "be" 就是高頻詞，只會參與評分，但在匹配時不做考慮。

此時查詢的內容為 "to be key" ，由於 "be" 詞項是高頻詞，因為在文件中必須要存在 "to" 或者 "key" 才能匹配，因此文件 3 不能匹配。

PUT /matchtest2

PUT matchtest2/_mapping/cutoff_frequency_test
{
  "properties": {
    "message": {
      "type": "text"
    }
  }
}

PUT matchtest2/cutoff_frequency_test/1
{
  "message": "to be or not to be to be or"
}

PUT matchtest2/cutoff_frequency_test/2
{
  "message": "be key or abc"
}

PUT matchtest2/cutoff_frequency_test/3
{
  "message": "or to be or to to be or"
}

GET matchtest2/_search
{
  "query": {
    "match": {
      "message": {
        "query": "to be key",
        "cutoff_frequency": 2
      }
    }
  }
}

synonyms

synonyms 是指同義詞，只要索引和欄位中配置了同義詞過濾器，match 查詢是支援多詞條的同義詞擴充套件的。在應用過濾器後，解析器會對每個多次條同義詞建立一個語句查詢。

例如，同義詞 USA, united states of America 就會構建出 (USA OR ("united states of America"))。看下面例子：

PUT /matchtest4
{
    "settings": {
        "index" : {
            "analysis" : {
                "analyzer" : {
                    "synonym" : {
                        "tokenizer" : "whitespace",
                        "filter" : ["synonym"]
                    }
                },
                "filter" : {
                    "synonym" : {
                        "type" : "synonym",
                        "synonyms" : [
                            "USA, united states of America"
                        ]
                    }
                }
            }
        }
    }
}

PUT /matchtest4/_mapping/synonyms_test
{
  "properties": {
    "message": {
      "type": "text",
      "analyzer": "synonym"
    }
  }
}

PUT /matchtest4/synonyms_test/1
{
  "message": "united states of America people"
}


GET /matchtest4/_search
{
  "query": {
    "match": {
      "message": {
        "query": "USA"
      }
    }
  }
}

小結

本文以程式碼例項的方式完整的講解了 Match Query 的各種使用場景和引數意義。下篇會講解 Match Phrase Query 敬請期待。

參考文件

• [Elasticsearch Query DSL Match Query] (https://www.elastic.co/guide/en/elasticsearch/reference/6.3/query-dsl-match-query.html)

系列文章列表

• Elasticsearch Query DSL 整理總結（一）—— Query DSL 概要，MatchAllQuery，全文查詢簡述