🚗Es学习·第三站~
🚩Es学习起始站：【微服务】Elasticsearch概述&环境搭建(一)
🚩本文已收录至专栏：微服务探索之旅
👍希望您能有所收获
在上一站的学习中，我们已经导入了大量数据到es中，实现了数据存储功能。接下来如需看自己实操效果请根据上一站的三.环境搭建部分导入初始数据。
Elasticsearch依然是基于JSON风格的DSL来定义查询。常见的查询类型包括：
-
查询所有：查询出所有数据，一般用于测试。例如：match_all
-
全文检索（full text）查询：先利用分词器对用户输入内容分词，然后再去倒排索引库中匹配查询。例如：
- match：根据单字段查询
- multi_match：根据多字段查询
-
精确查询：根据精确词条值查找数据，一般是查找keyword、数值、日期、boolean等类型字段，所以不会对搜索条件分词。例如：
- term：根据词条精确值查询
- range：根据值的范围查询
-
地理（geo）查询：根据经纬度查询。例如：
- geo_distance：查询到指定中心点小于某个距离值的所有文档。
- geo_bounding_box：查询坐标落在某个矩形范围的所有文档
-
复合（compound）查询：可以将上述各种查询条件组合起来，合并查询条件。例如：
- fuction score：算分函数查询，可以控制文档相关性算分，控制文档排名
- bool query：布尔查询，利用逻辑关系组合多个其它的查询，实现复杂搜索
各种查询的语法基本一致：
我们以查询所有为例，其中：
- 查询类型为match_all
- 没有查询条件
类似的，其它查询无非就是查询类型、查询条件的变化。
全文检索查询是先对用户输入的内容分词，再拿着词条去倒排索引库中检索匹配，因此参与搜索的字段也必须是可分词的text类型。
基本流程如下：
- 对用户搜索的内容做分词，得到词条
- 根据词条去倒排索引库中匹配，得到文档id
- 根据文档id找到文档，返回给用户
- match：根据单字段查询
- multi_match：根据多字段查询
(2.1) 使用场景
常用于搜索框搜索，比较常用的场景包括：
- 商城的输入框搜索
- 百度输入框搜索
例如京东：
(2.3) 单字段查询
- 根据单字段 查询，返回与倒排索引库中词条匹配的文档
使用示例：
(2.4) 多查询
根据多字段查询，符合其中任意一个字段就算满足查询条件，返回与倒排索引库中词条匹配的文档
使用示例：
-
可以看到，两种查询结果是一样的，为什么？
-
因为我们在上一站中有说到将brand、name、business值都利用copy_to复制到了all字段中。因此根据三个字段搜索和根据all字段搜索效果一样。
-
这是因为搜索字段越多，对查询性能影响越大，因此建议采用copy_to，然后单字段查询的方式。
-
精确查询一般是查找keyword、数值、日期、boolean等类型字段。所以不会对搜索条件分词。常见的有：
- term：根据词条精确值查询
- range：根据值的范围查询
(3.1) 使用场景
常用于对数据的精确筛选，例如：
- 商城搜索结果筛选
(3.2) 精确查询
因为精确查询的字段是不分词的字段，因此查询的条件也必须是不分词的词条。查询时，只有用户输入的内容跟字段值完全匹配时才认为符合条件。因此如果用户输入的内容过多，反而搜索不到数据。
只有搜索的是精确词条时，才能正确查询出结果：
当搜索的内容不是词条，而是多个词语形成的短语时，反而搜索不到：
(3.3) 范围查询
范围查询，一般应用在对数值类型做范围过滤的时候。比如对价格、日期范围过滤,。
基本语法：
使用示例：
所谓的地理坐标查询，其实就是根据经纬度查询,官方文档
- geo_distance：查询到指定中心点小于某个距离值的所有文档。
- geo_bounding_box：查询坐标落在某个矩形范围的所有文档
(4.1) 使用场景
常见的使用场景包括：
- 携程：搜索我附近的酒店
- 滴滴：搜索我附近的出租车
- 微信：搜索我附近的人
附近的酒店：
附近的车：
(4.2) 矩形范围查询
矩形范围查询，也就是查询：
查询时，需要指定矩形的左上、右下两个点的坐标，es会据此画出一个矩形，落在该矩形内的都是符合条件的点。
这种并不符合“附近的人”这样的需求。
(4.3) 附近查询
附近查询，也叫做距离查询：查询到指定中心点小于某个距离值的所有文档。
换句话来说，在地图上找一个点作为圆心，以指定距离为半径，画一个圆，落在圆内的坐标都算符合条件：
我们先搜索陆家嘴附近15km的酒店：
发现共有47家酒店。
然后把半径缩短到3公里：
可以发现，搜索到的酒店数量减少到了5家。
复合（compound）查询：复合查询可以将其它简单查询组合起来，实现更复杂的搜索逻辑。常见的有两种：
- fuction score：算分函数查询，可以控制文档相关性算分，控制文档排名
- bool query：布尔查询，利用逻辑关系组合多个其它的查询，实现复杂搜索
(5.1) 使用场景
- 常见的使用场景包括：
- 广告排名靠前
- 根据多字段组合进行过滤
百度搜索广告：
根据多条件组合过滤：
(5.1) 相关性算分
当我们利用match查询时，文档结果会根据与搜索词条的关联度打分（_score），返回结果时按照分值降序排列。
例如，我们搜索 “虹桥如家”，结果如下：
在elasticsearch中，早期使用的打分算法是TF-IDF算法，公式如下：
在后来的5.1版本升级中，elasticsearch将算法改进为BM25算法，公式如下：
TF-IDF算法有一各缺陷，就是词条频率越高，文档得分也会越高，单个词条对文档影响较大。而BM25则会让单个词条的算分有一个上限，曲线更加平滑：
(5.2) 算分函数查询
以百度为例，在搜索的结果中，并不是相关度越高排名越靠前，而是谁掏的钱多排名就越靠前。如图：
要想人为控制相关性算分，就需要利用elasticsearch中的算法函数 查询了。
(5.2.1) 基础语法
function score 查询中包含四部分内容：
- 原始查询条件：query部分，基于这个条件搜索文档，并且基于BM25算法给文档打分，原始算分（query score)
- 过滤条件：filter部分，符合该条件的文档才会重新算分
- 算分函数：符合filter条件的文档要根据这个函数做运算，得到的函数算分（function score），有四种函数
- weight：函数结果是常量
- field_value_factor：以文档中的某个字段值作为函数结果
- random_score：以随机数作为函数结果
- script_score：自定义算分函数算法
- 运算模式：算分函数的结果、原始查询的相关性算分，两者之间的运算方式，包括：
- multiply：相乘
- replace：用function score替换query score
- 其它，例如：sum、avg、max、min
function score的运行流程如下：
- 1）根据原始条件查询搜索文档，并且计算相关性算分，称为原始算分（query score）
- 2）根据过滤条件，过滤文档
- 3）符合过滤条件的文档，基于算分函数运算，得到函数算分（function score）
- 4）将原始算分（query score）和函数算分（function score）基于运算模式做运算，得到最终结果，作为相关性算分。
因此，其中的关键点是：
- 过滤条件：决定哪些文档的算分被修改
- 算分函数：决定函数算分的算法
- 运算模式：决定最终算分结果
(5.2.2) 使用示例
需求：给“如家”这个品牌的酒店排名靠前一些
翻译一下这个需求，转换为之前说的四个要点：
- 原始条件：不确定，可以任意变化
- 过滤条件：brand = “如家”
- 算分函数：可以简单粗暴，直接给固定的算分结果，weight
- 运算模式：比如求和
因此最终的DSL语句如下：
测试，在未添加算分函数时，如家得分如下：
添加了算分函数后，如家得分就提升了：
(5.3) 布尔查询
布尔查询是一个或多个查询子句的组合，每一个子句就是一个子查询。子查询的组合方式有：
- ：必须匹配每个子查询，类似“与”
- ：选择性匹配子查询，类似“或”
- ：必须不匹配，不参与算分，类似“非”
- ：必须匹配，不参与算分
比如在搜索商品时，除了关键字搜索外，我们还可能根据品牌、价格、作用等字段做过滤：
每一个不同的字段，其查询的条件、方式都不一样，必须是多个不同的查询，而要组合这些查询，就必须用bool查询了。
需要注意的是，搜索时，参与打分的字段越多，查询的性能也越差。因此这种多条件查询时，建议这样做：
- 搜索框的关键字搜索，是全文检索查询，使用must查询，参与算分
- 其它过滤条件，采用filter查询。不参与算分
(5.3.1) 基础语法
(5.3.2) 使用示例
需求：搜索名字包含“如家”，价格不高于400，在坐标31.21,121.5周围10km范围内的酒店。
分析：
- 名称搜索，属于全文检索查询，应该参与算分。放到must中
- 价格不高于400，用range查询，属于过滤条件，不参与算分。放到must_not中
- 周围10km范围内，用geo_distance查询，属于过滤条件，不参与算分。放到filter中
Es搜索的结果可以按照用户指定的方式去处理或展示。
es默认是根据相关度算分（_score）来排序，但是也支持自定义方式对搜索结果排序。可以排序字段类型有：keyword类型、数值类型、地理坐标类型、日期类型等。
(1.1) 普通字段排序
keyword、数值、日期类型排序的语法基本一致。
排序条件是一个数组，也就是可以写多个排序条件。按照声明的顺序，当第一个条件相等时，再按照第二个条件排序，以此类推
使用示例：
需求描述：酒店数据按照用户评价（score)降序排序，评价相同的按照价格(price)升序排序
(1.2) 地理坐标排序
地理坐标排序略有不同。
这个查询的含义是：
- 指定一个坐标，作为目标点
- 计算每一个文档中，指定字段（必须是geo_point类型）的坐标 到目标点的距离是多少
- 根据距离排序
需求描述：实现对酒店数据按照到你的位置坐标的距离升序排序
提示：获取位置的经纬度的方式：https://lbs.amap.com/demo/jsapi-v2/example/map/click-to-get-lnglat/
假设我的位置是：31.034661，121.612282，寻找我周围距离最近的酒店。
es默认情况下只返回top10的数据。如果要查询更多数据则需要修改分页参数。可以通过修改from、size参数来控制要返回的分页结果：
- from：从第几个文档开始
- size：总共查询几个文档
类似于mysql中的
(2.1) 基本的分页
分页的基本语法如下：
(2.2) 深度分页问题
按照上述，如果我们要查询990~1000的数据，查询逻辑要这么写：
这里是查询990开始的数据，也就是 第990~第1000条 数据。
但是elasticsearch内部分页时，必须先查询 0~1000条，然后才能截取其中的990 ~ 1000的这10条：
查询TOP1000，如果es是单点模式，这并无太大影响。
但是elasticsearch将来一定是集群，例如我集群有5个节点，我要查询TOP1000的数据，并不是每个节点查询200条就可以了。
因为节点A的TOP200，在另一个节点可能排到10000名以外了。
因此要想获取整个集群的TOP1000，必须先查询出每个节点的TOP1000，汇总结果后，重新排名，重新截取TOP1000。
-
那如果我要查询9900~10000的数据呢？是不是要先查询TOP10000呢？那每个节点都要查询10000条？汇总到内存中？
-
当查询分页深度较大时，汇总数据过多，对内存和CPU会产生非常大的压力，因此elasticsearch会禁止from+ size 超过10000的请求。
-
针对深度分页，ES提供了两种解决方案，官方文档：
-
search after：分页时需要排序，原理是从上一次的排序值开始，查询下一页数据。官方推荐使用的方式。
-
scroll：将排序后的文档id形成快照，保存在内存。官方已经不推荐使用。
-
-
(2.3) 使用对比
分页查询的常见实现方案以及优缺点：
-
：
- 优点：支持随机翻页
- 缺点：深度分页问题，默认查询上限（from + size）是10000
- 场景：百度、京东、谷歌、淘宝这样的随机翻页搜索
-
：
- 优点：没有查询上限（单次查询的size不超过10000）
- 缺点：只能向后逐页查询，不支持随机翻页
- 场景：没有随机翻页需求的搜索，例如手机向下滚动翻页
-
：
- 优点：没有查询上限（单次查询的size不超过10000）
- 缺点：会有额外内存消耗，并且搜索结果是非实时的
- 场景：海量数据的获取和迁移。从ES7.1开始不推荐，建议用 after search方案。
(3.1) 高亮原理
什么是高亮显示呢？
我们在百度，京东搜索时，关键字会变成红色，比较醒目，这叫高亮显示：
高亮显示的实现分为两步：
- 1）给文档中的所有关键字都添加一个标签，例如标签
- 2）页面给标签编写CSS样式
(3.2) 实现高亮
注意：
- 高亮是对关键字高亮，因此搜索条件必须带有关键字，而不能是范围这样的查询。
- 默认情况下，高亮的字段，必须与搜索指定的字段一致，否则无法高亮
- 如果要对非搜索字段高亮，则需要添加一个属性：required_field_match=false
使用示例：
查询的DSL是一个大的JSON对象，包含下列属性：
- query：查询条件
- from和size：分页条件
- sort：排序条件
- highlight：高亮条件
示例：
文档的查询同样是使用上一站学习到的RestHighLevelClient对象，其基本步骤也是类似的，包括：
- 1）准备Request对象
- 2）准备请求参数
- 3）发起请求
- 4）解析响应
我们以match_all查询为例
(1.1) 发起查询请求
-
第一步，创建对象，指定索引库名
-
第二步，利用构建DSL，DSL中可以包含查询、分页、排序、高亮等
- ：代表查询条件，利用构建一个match_all查询的DSL
-
第三步，利用client.search()发送请求，得到响应
这里关键的API有两个，一个是，其中包含了查询、排序、分页、高亮等所有功能：
另一个是，其中包含match、term、function_score、bool等各种查询：
(1.2) 解析响应
响应结果的解析：
elasticsearch返回的结果是一个JSON字符串，结构包含：
- ：命中的结果
- ：总条数，其中的value是具体的总条数值
- ：所有结果中得分最高的文档的相关性算分
- ：搜索结果的文档数组，其中的每个文档都是一个json对象
- ：文档中的原始数据，也是json对象
因此，我们解析响应结果，就是逐层解析JSON字符串，流程如下：
- ：通过response.getHits()获取，就是JSON中的最外层的hits，代表命中的结果
- ：获取总条数信息
- ：获取SearchHit数组，也就是文档数组
- ：获取文档结果中的_source，也就是原始的json文档数据
(1.3) 完整代码
全文检索的match和multi_match查询与match_all的API基本一致。差别是查询条件，也就是query的部分。
因此，Java代码上的差异主要是request.source().query()中的参数了。同样是利用QueryBuilders提供的方法：
而结果解析代码则完全一致，可以抽取并共享。
- 单字段查询
- 多字段查询
精确查询主要是两者：
- term：词条精确匹配
- range：范围查询
与之前的查询相比，差异同样在查询条件，其它都一样。
查询条件构造的API如下：
- 词条查询
- 范围查询
布尔查询是用must、must_not、filter等方式组合其它查询，代码示例如下：
可以看到，API与其它查询的差别同样是在查询条件的构建，QueryBuilders，结果解析等其他代码完全不变。
搜索结果的排序和分页是与query同级的参数，因此同样是使用request.source()来设置。
对应的API如下：
完整代码示例：
高亮的代码与之前代码差异较大，有两点：
- 查询的DSL：其中除了查询条件，还需要添加高亮条件，同样是与query同级。
- 结果解析：结果除了要解析_source文档数据，还要解析高亮结果
(6.1) 高亮请求构建
高亮请求的构建API如下：
上述图例省略了查询条件部分，但是大家不要忘了：高亮查询必须使用全文检索查询，并且要有搜索关键字，将来才可以对关键字高亮。
(6.2) 高亮结果解析
高亮的结果与查询的文档结果默认是分离的，并不在一起。
因此解析高亮的代码需要额外处理：
- 第一步：从结果中获取source。hit.getSourceAsString()，这部分是查询结果，json字符串。还需要反序列为HotelDoc对象
- 第二步：获取高亮结果。hit.getHighlightFields()，返回值是一个Map，key是高亮字段名称，值是HighlightField对象，代表高亮值
- 第三步：从map中根据高亮字段名称，获取高亮字段值对象HighlightField
- 第四步：从HighlightField中获取Fragments，并且转为字符串。这部分就是真正的高亮字符串了
- 第五步：用高亮的结果替换HotelDoc中的非高亮结果