Elasticsearch系列---前缀搜索和模糊搜索

IceStreamLab

2020-06-09

概要

本篇我们介绍一下部分搜索的几种玩法，我们经常使用的浏览器搜索框，输入时会弹出下拉提示，也是基于局部搜索原理实现的。

前缀搜索

我们在前面了解的搜索，词条是最小的匹配单位，也是倒排索引中存在的词，现在我们来聊聊部分匹配的话题，只匹配一个词条中的一部分内容，相当于mysql的"where content like ‘%love%‘"，在数据库里一眼就能发现这种查询是不走索引的，效率非常低。

Elasticsearch对这种搜索有特殊的拆分处理，支持多种部分搜索格式，这次重点在于not_analyzed精确值字段的前缀匹配。

前缀搜索语法

我们常见的可能有前缀搜需求的有邮编、产品序列号、快递单号、证件号的搜索，这些值的内容本身包含一定的逻辑分类含义，如某个前缀表示地区、年份等信息，我们以邮编为例子：

# 只创建一个postcode字段，类型为keyword
PUT /demo_index
{
    "mappings": {
        "address": {
            "properties": {
                "postcode": {
                    "type":  "keyword"
                }
            }
        }
    }
}

# 导入一些示例的邮编
POST /demo_index/address/_bulk
{ "index": { "_id": 1 }}
{ "postcode" : "510000"}
{ "index": { "_id": 2 }}
{ "postcode" : "514000"}
{ "index": { "_id": 3 }}
{ "postcode" : "527100"}
{ "index": { "_id": 4 }}
{ "postcode" : "511500"}
{ "index": { "_id": 5 }}
{ "postcode" : "511100"}

前缀搜索示例：

GET /demo_index/address/_search
{
  "query": {
    "prefix": {
      "postcode": {
        "value": "511"
      }
    }
  }
}

搜索结果可以看到两条，符合预期：

{
  "took": 3,
  "timed_out": false,
  "_shards": {
    "total": 5,
    "successful": 5,
    "skipped": 0,
    "failed": 0
  },
  "hits": {
    "total": 2,
    "max_score": 1,
    "hits": [
      {
        "_index": "demo_index",
        "_type": "address",
        "_id": "5",
        "_score": 1,
        "_source": {
          "postcode": "511100"
        }
      },
      {
        "_index": "demo_index",
        "_type": "address",
        "_id": "4",
        "_score": 1,
        "_source": {
          "postcode": "511500"
        }
      }
    ]
  }
}

前缀搜索原理

prefix query不计算relevance score，_score固定为1，与prefix filter唯一的区别就是，filter会cache bitset。

我们分析一下示例的搜索过程：

索引文档时，先建立倒排索引，keyword没有分词的操作，直接建立索引，简易示例表如下：

postcode	doc ids
510000	1
514000	2
527100	3
511500	4
511100	5

如果是全文搜索，搜索字符串"511"，没有匹配的结果，直接返回为空。
如果是前缀搜索，扫描到一个"511500"，继续搜索，又得到一个"511100"，继续搜，直到整个倒排索引全部搜索完，返回结果结束。

从这个过程我们可以发现：match的搜索性能还是非常高的，前缀搜索由于要遍历索引，性能相对低一些，但有些场景，却是只有前缀搜索才能胜任。如果前缀的长度越长，那么能匹配的文档相对越少，性能会好一些，如果前缀太短，只有一个字符，那么匹配数据量太多，会影响性能，这点要注意。

通配符和正则搜索

通配符搜索和正则表达式搜索跟前缀搜索类型，只是功能更丰富一些。

通配符

常规的符号：？任意一个字符，0个或任意多个字符，示例：

GET /demo_index/address/_search
{
  "query": {
    "wildcard": {
      "postcode": {
        "value": "*110*"
      }
    }
  }
}

正则搜索

即搜索字符串是用正则表达式来写的，也是常规的格式：

GET /demo_index/address/_search
{
  "query": {
    "regexp": {
      "postcode": {
        "value": "[0-9]11.+"
      }
    }
  }
}

这两种算是一种高级语法介绍，可以让我们编写更灵活的查询请求，但性能都不怎么好，所以用得也不多。

即时搜索

我们使用搜索引擎时，会发现搜索框里会有相关性的词语提示，如下我们在google网站上搜索"Elasticsearch"时，会有这样的提示框出现：

【图26】

浏览器捕捉每一个输入事件，每输入一个字符，向后台发一次请求，将你搜索的内容作为搜索前缀，搜索相关的当前热点的前10条数据，返回给你，用来辅助你完成输入，baidu也有类似的功能。

这种实现原理是基于前缀搜索来完成的，只是google/baidu的后台实现更复杂，我们可以站在Elasticsearch的视角上来模拟即时搜索：

GET /demo_index/website/_search 
{
  "query": {
    "match_phrase_prefix": {
      "title": "Elasticsearch q"
    }
  }
}

原理跟match_phrase，只是最后一个term是作前缀来搜索的。
即搜索字符串"Elasticsearch q"，Elasticsearch做普通的match查询，而"q"作前缀搜索，会去扫描整个倒排索引，找到所有q开头的文档，然后找到所有文档中，既包含Elasticsearch，又包含以q开头字符的文档。

当然这个查询支持slop参数。

max_expansions参数

前缀查询时我们提到了前缀太短会有性能的风险，此时我们可以通过max_expansions参数来降低前缀过短带来的性能问题，建议的值是50，如下示例：

GET /demo_index/website/_search 
{
  "query": {
    "match_phrase_prefix": {
      "postcode": {
        "query": "Elasticsearch q",
        "max_expansions": 50
      }
    }
  }
}

max_expansions的作用是控制与前缀匹配的词的数量，它会先查找第一个与前缀"q" 匹配的词，然后依次查找搜集与之匹配的词（按字母顺序），直到没有更多可匹配的词或当数量超过max_expansions时结束。

我们使用google搜索资料时，关键是输一个字符请求一次，这样我们就可以使用max_expansions去控制匹配的文档数量，因为我们会不停的输入，直到想要搜索的内容输入完毕或挑到合适的提示语之后，才会点击搜索按钮进行网页的搜索。

所以使用match_phrase_prefix记得一定要带上max_expansions参数，要不然输入第一个字符的时候，性能实在是太低了。

ngram的应用

前面我们用的部分查询，没有作索引做过特殊的设置，这种解决方案叫做查询时(query time)实现，这种无侵入性和灵活性通常以牺牲搜索性能为代价，还有一种方案叫索引时(index time)，对索引的设置有侵入，提前完成一些搜索的准备工作，对性能提升有非常大的帮助。如果某些功能的实时性要求比较高，由查询时转为索引时是一个非常好的实践。

前缀搜索功能看具体的使用场景，如果是在一级功能的入口处，承担着大部分的流量，建议使用索引时，我们先来了解一下ngram。

ngrams是什么

前缀查询是通过挨个匹配来达到查找目的的，整个过程有些盲目，搜索量又大，所以性能比较低，但如果我事先把这些关键词，按照一定的长度拆分出来，就又可以回到match查询这种高效率的方式了。ngrams其实就是拆分关键词的一个滑动窗口，窗口的长度可以设置，我们拿"Elastic"举例，7种长度下的ngram：

长度1：[E,l,a,s,t,i,c]
长度2：[El,la,as,st,ti,ic]
长度3：[Ela,las,ast,sti,tic]
长度4：[Elas,last,asti,stic]
长度5：[Elast,lasti,astic]
长度6：[Elasti,lastic]
长度7：[Elastic]

可以看到，长度越长，拆分的词越少。
每个拆分出来的词都会加入到倒排索引中，这样就可以进行match搜索了。

还有一种特殊的edge ngram，拆词时它只留下首字母开头的词，如下：

长度1：E
长度2：El
长度3：Ela
长度4：Elas
长度5：Elast
长度6：Elasti
长度7：Elastic

这样的拆分特别符合我们的搜索习惯。

案例

创建一个索引，指定filter

PUT /demo_index
{
"settings": {
"analysis": {
  "filter": {
    "autocomplete_filter": {
      "type":   "edge_ngram",
      "min_gram": 1,
      "max_gram": 20
    }
  },
  "analyzer": {
    "autocomplete": {
      "type":    "custom",
      "tokenizer": "standard",
      "filter": [
        "lowercase",
        "autocomplete_filter"
      ]
    }
  }
}
}
}

filter的意思是对于这个token过滤器接收的任意词项，过滤器会为之生成一个最小固定值为1，最大为20的n-gram。

在自定义分析器autocomplete中使用上面这个token过滤器

PUT /demo_index/_mapping/_doc
{
  "properties": {
      "title": {
          "type":     "text",
          "analyzer": "autocomplete",
          "search_analyzer": "standard"
      }
  }
}

我们可以测试一下效果

GET /demo_index/_analyze
{
  "analyzer": "autocomplete",
  "text": "love you"
}

响应结果：

{
  "tokens": [
    {
      "token": "l",
      "start_offset": 0,
      "end_offset": 4,
      "type": "<ALPHANUM>",
      "position": 0
    },
    {
      "token": "lo",
      "start_offset": 0,
      "end_offset": 4,
      "type": "<ALPHANUM>",
      "position": 0
    },
    {
      "token": "lov",
      "start_offset": 0,
      "end_offset": 4,
      "type": "<ALPHANUM>",
      "position": 0
    },
    {
      "token": "love",
      "start_offset": 0,
      "end_offset": 4,
      "type": "<ALPHANUM>",
      "position": 0
    },
    {
      "token": "y",
      "start_offset": 5,
      "end_offset": 8,
      "type": "<ALPHANUM>",
      "position": 1
    },
    {
      "token": "yo",
      "start_offset": 5,
      "end_offset": 8,
      "type": "<ALPHANUM>",
      "position": 1
    },
    {
      "token": "you",
      "start_offset": 5,
      "end_offset": 8,
      "type": "<ALPHANUM>",
      "position": 1
    }
  ]
}

测试结果符合预期。

增加一点测试数据

PUT /demo_index/_doc/_bulk
{ "index": { "_id": "1"} }
{ "title" : "love"}
{ "index": { "_id": "2"}} 
{"title" : "love me"} }
{ "index": { "_id": "3"}} 
{"title" : "love you"} }
{ "index": { "_id": "4"}} 
{"title" : "love every one"}

使用简单的match查询

GET /demo_index/_doc/_search
{
"query": {
    "match": {
        "title": "love ev"
    }
}
}

响应结果：

{
  "took": 1,
  "timed_out": false,
  "_shards": {
    "total": 5,
    "successful": 5,
    "skipped": 0,
    "failed": 0
  },
  "hits": {
    "total": 2,
    "max_score": 0.83003354,
    "hits": [
      {
        "_index": "demo_index",
        "_type": "_doc",
        "_id": "4",
        "_score": 0.83003354,
        "_source": {
          "title": "love every one"
        }
      },
      {
        "_index": "demo_index",
        "_type": "_doc",
        "_id": "1",
        "_score": 0.41501677,
        "_source": {
          "title": "love"
        }
      }
    ]
  }
}

如果用match，只有love的也会出来，全文检索，只是分数比较低。

使用match_phrase

推荐使用match_phrase，要求每个term都有，而且position刚好靠着1位，符合我们的期望的。

GET /demo_index/_doc/_search
{
    "query": {
        "match_phrase": {
            "title": "love ev"
        }
    }
}

我们可以发现，大多数工作都是在索引阶段完成的，所有的查询只需要执行match或match_phrase即可，比前缀查询效率高了很多。

搜索提示

Elasticsearch还支持completion suggest类型实现搜索提示，也叫自动完成auto completion。

completion suggest原理

建立索引时，要指定field类型为completion，Elasticsearch会为搜索字段生成一个所有可能完成的词列表，然后将它们置入一个有限状态机（finite state transducer 内，这是个经优化的图结构。

执行搜索时，Elasticsearch从图的开始处顺着匹配路径一个字符一个字符地进行匹配，一旦它处于用户输入的末尾，Elasticsearch就会查找所有可能结束的当前路径，然后生成一个建议列表，并且把这个建议列表缓存在内存中。

性能方面completion suggest比任何一种基于词的查询都要快很多。

示例

指定title.fields字段为completion类型

PUT /music
{
"mappings": {
"children" :{
  "properties": {
    "title": {
      "type": "text",
      "fields": {
        "suggest": {
          "type":"completion"
        }
      }
    },
    "content": {
      "type": "text"
    }
  }
}
}
}

2. 插入一些示例数据

```java
PUT /music/children/_bulk
{ "index": { "_id": "1"} }
{ "title":"children music London Bridge", "content":"London Bridge is falling down"}
{ "index": { "_id": "2"}} 
{"title":"children music Twinkle", "content":"twinkle twinkle little star"} 
{ "index": { "_id": "3"}} 
{"title":"children music sunshine", "content":"you are my sunshine"}

搜索请求及响应

GET /music/children/_search
{
  "suggest": {
    "my-suggest": {
      "prefix": "children music",
      "completion": {
        "field":"title.suggest"
      }
    }
  }
}

响应如下，有删节：

{
  "took": 26,
  "timed_out": false,
  "suggest": {
    "my-suggest": [
      {
        "text": "children music",
        "offset": 0,
        "length": 14,
        "options": [
          {
            "text": "children music London Bridge",
            "_index": "music",
            "_type": "children",
            "_id": "1",
            "_score": 1,
            "_source": {
              "title": "children music London Bridge",
              "content": "London Bridge is falling down"
            }
          },
          {
            "text": "children music Twinkle",
            "_index": "music",
            "_type": "children",
            "_id": "2",
            "_score": 1,
            "_source": {
              "title": "children music Twinkle",
              "content": "twinkle twinkle little star"
            }
          },
          {
            "text": "children music sunshine",
            "_index": "music",
            "_type": "children",
            "_id": "3",
            "_score": 1,
            "_source": {
              "title": "children music sunshine",
              "content": "you are my sunshine"
            }
          }
        ]
      }
    ]
  }
}

这样返回的值，就可以作为提示语补充到前端页面上，如数据填充到浏览器的下拉框里。

模糊搜索

fuzzy搜索可以针对输入拼写错误的单词，有一定的纠错功能，示例：

GET /music/children/_search
{
  "query": {
    "fuzzy": {
      "name": {
        "value": "teath",
        "fuzziness": 2
      }
    }
  }
}

fuzziness：最多纠正的字母个数，默认是2，有限制，设置太大也是无效的，不能无限加大，错误太多了也纠正不了。

常规用法：match内嵌套一个fuzziness，设置为auto。

GET /music/children/_search
{
  "query": {
    "match": {
      "name": {
        "query": "teath",
        "fuzziness": "AUTO",
        "operator": "and"
      }
    }
  }
}

了解一下即可。

小结

本篇介绍了前缀搜索，通配符搜索和正则搜索的基本玩法，对前缀搜索的性能影响和控制手段做了简单讲解，ngram在索引时局部搜索和搜索提示是非常经典的做法，最后顺带介绍了一下模糊搜索的常规用法，可以了解一下。

专注Java高并发、分布式架构，更多技术干货分享与心得，请关注公众号：Java架构社区
可以扫左边二维码添加好友，邀请你加入Java架构社区微信群共同探讨技术
Elasticsearch系列---前缀搜索和模糊搜索

elasticsearch