第八章-复杂搜索
经过了解简单的API和简单搜索，已经基本上能应付大部分的使用场景。可是非关系型数据库数据的文档数据往往又多又杂，各种各样冗余的字段，组成了一条"记录"。复杂的数据结构，带来的就是复杂的搜索。所以在进入本章节前，我们要构建一个尽可能"复杂"的数据结构。
下面分为两个场景，场景1偏向数据结构上的复杂并且介绍聚合查询、指定字段返回、深分页，场景2偏向搜索精度上的复杂。
场景1
存储一个公司的员工，员工信息包含姓名、工号、性别、出生年月日、岗位、上级、下级、所在部门、进入公司时间、修改时间、创建时间。其中员工工号作为主键ID全局唯一，员工只有一个直属上级，但有多个下级，可以通过父子文档实现。员工有可能属于多个部门（特别是领导可能兼任多个部门的负责人）。
数据结构
创建索引并定义映射结构：
PUT http://localhost:9200/company
{
"mappings":{
"employee":{
"properties":{
"id":{
"type":"keyword"
},
"name":{
"type":"text",
"analyzer":"ik_smart",
"fields":{
"keyword":{
"type":"keyword",
"ignore_above":256
}
}
},
"sex":{
"type":"keyword"
},
"age":{
"type":"integer"
},
"birthday":{
"type":"date"
},
"position":{
"type":"text",
"analyzer":"ik_smart",
"fields":{
"keyword":{
"type":"keyword",
"ignore_above":256
}
}
},
"level":{
"type":"join",
"relations":{
"superior":"staff",
"staff":"junior"
}
},
"departments":{
"type":"text",
"analyzer":"ik_smart",
"fields":{
"keyword":{
"type":"keyword",
"ignore_above":256
}
}
},
"joinTime":{
"type":"date"
},
"modified":{
"type":"date"
},
"created":{
"type":"date"
}
}
}
}
}数据
接下来是构造数据，我们构造几条关键数据。
- 张三是公司的董事长，他是最大的领导，不属于任何部门。
- 李四的上级是张三，他的下级是王五、赵六、孙七、周八，他同时是市场部和研发部的负责人，也就是隶属于市场部和研发部。
- 王五、赵六的上级是张三，他没有下级，他隶属于市场部。
- 孙七、周八的上级是李四，他没有下级，他隶属于研发部。
更为全面直观的数据如下表所示：
插入6条数据：
POST http://localhost:9200/company/employee/1?routing=1
{
"id":"1",
"name":"张三",
"sex":"男",
"age":49,
"birthday":"1970-01-01",
"position":"董事长",
"level":{
"name":"superior"
},
"joinTime":"1990-01-01",
"modified":"1562167817000",
"created":"1562167817000"
}POST http://localhost:9200/company/employee/2?routing=1
{
"id":"2",
"name":"李四",
"sex":"男",
"age":39,
"birthday":"1980-04-03",
"position":"总经理",
"level":{
"name":"staff",
"parent":"1"
},
"departments":["市场部","研发部"],
"joinTime":"2001-02-02",
"modified":"1562167817000",
"created":"1562167817000"
}POST http://localhost:9200/company/employee/3?routing=1
{
"id":"3",
"name":"王五",
"sex":"女",
"age":27,
"birthday":"1992-09-01",
"position":"销售",
"level":{
"name":"junior",
"parent":"2"
},
"departments":["市场部"],
"joinTime":"2010-07-01",
"modified":"1562167817000",
"created":"1562167817000"
}POST http://localhost:9200/company/employee/4?routing=1
{
"id":"4",
"name":"赵六",
"sex":"男",
"age":29,
"birthday":"1990-10-10",
"position":"销售",
"level":{
"name":"junior",
"parent":"2"
},
"departments":["市场部"],
"joinTime":"2010-08-08",
"modified":"1562167817000",
"created":"1562167817000"
}POST http://localhost:9200/company/employee/5?routing=1
{
"id":"5",
"name":"孙七",
"sex":"男",
"age":26,
"birthday":"1993-12-10",
"position":"前端工程师",
"level":{
"name":"junior",
"parent":"2"
},
"departments":["研发部"],
"joinTime":"2016-07-01",
"modified":"1562167817000",
"created":"1562167817000"
}POST http://localhost:9200/company/employee/6?routing=1
{
"id":"6",
"name":"周八",
"sex":"男",
"age":28,
"birthday":"1994-05-11",
"position":"Java工程师",
"level":{
"name":"junior",
"parent":"2"
},
"departments":["研发部"],
"joinTime":"2018-03-10",
"modified":"1562167817000",
"created":"1562167817000"
}搜索
- 查询研发部的员工
GET http://localhost:9200/company/employee/_search
{
"query":{
"match":{
"departments":"研发部"
}
}
}- 查询在研发部且在市场部的员工
GET http://localhost:9200/company/employee/_search
{
"query": {
"bool":{
"must":[{
"match":{
"departments":"市场部"
}
},{
"match":{
"departments":"研发部"
}
}]
}
}
}*被搜索的字段是一个数组类型，但对查询语句并没有特殊的要求。
- 查询name="张三"的直接下属。
GET http://localhost:9200/company/employee/_search
{
"query": {
"has_parent":{
"parent_type":"superior",
"query":{
"match":{
"name":"张三"
}
}
}
}
}- 查询name="李四"的直接下属。
GET http://localhost:9200/company/employee/_search
{
"query": {
"has_parent":{
"parent_type":"staff",
"query":{
"match":{
"name":"李四"
}
}
}
}
}- 查询name="王五"的直接上级。
GET http://localhost:9200/company/employee/_search
{
"query": {
"has_child":{
"type":"junior",
"query":{
"match":{
"name":"王五"
}
}
}
}
}聚合查询
ES中的聚合查询类似MySQL中的聚合函数(avg、max等)，例如计算员工的平均年龄。
GET http://localhost:9200/company/employee/_search?pretty
{
"size": 0,
"aggs": {
"avg_age": {
"avg": {
"field": "age"
}
}
}
}指定字段查询
指定字段返回值在查询结果中指定需要返回的字段。例如只查询张三的生日。
GET http://localhost:9200/company/employee/_search?pretty
{
"_source":["name","birthday"],
"query":{
"match":{
"name":"张三"
}
}
}深分页
ES的深分页是一个老生常谈的问题。用过ES的都知道，ES默认查询深度不能超过10000条，也就是page * pageSize < 10000。如果需要查询超过1万条的数据，要么通过设置最大深度，要么通过scroll滚动查询。如果调整配置，即使能查出来，性能也会很差。但通过scroll滚动查询的方式带来的问题就是只能进行"上一页"、"下一页"的操作，而不能进行页码跳转。
scroll原理简单来讲，就是一批一批的查，上一批的最后一个数据，作为下一批的第一个数据，直到查完所有的数据。
首先需要初始化查询
GET http://localhost:9200/company/employee/_search?scroll=1m
{
"query":{
"match_all":{}
},
"size":1,
"_source": ["id"]
}像普通查询结果一样进行查询，url中的scroll=1m指的是游标查询的过期时间为1分钟，每次查询就会更新，设置过长占会用过多的时间。
接下来就可以通过上述API返回的_scroll_id进行滚动查询，假设上面的结果返回"_scroll_id": "DnF1ZXJ5VGhlbkZldGNoBQAAAAAAAAFBFk1pNzdFUVhDU3hxX3VtSVFUdDJBWlEAAAAAAAABQhZNaTc3RVFYQ1N4cV91bUlRVHQyQVpRAAAAAAAAAUMWTWk3N0VRWENTeHFfdW1JUVR0MkFaUQAAAAAAAAFEFk1pNzdFUVhDU3hxX3VtSVFUdDJBWlEAAAAAAAABRRZNaTc3RVFYQ1N4cV91bUlRVHQyQVpR"。
GET http://localhost:9200/_search/scroll
{
"scroll":"1m",
"scroll_id": "DnF1ZXJ5VGhlbkZldGNoBQAAAAAAAAFBFk1pNzdFUVhDU3hxX3VtSVFUdDJBWlEAAAAAAAABQhZNaTc3RVFYQ1N4cV91bUlRVHQyQVpRAAAAAAAAAUMWTWk3N0VRWENTeHFfdW1JUVR0MkFaUQAAAAAAAAFEFk1pNzdFUVhDU3hxX3VtSVFUdDJBWlEAAAAAAAABRRZNaTc3RVFYQ1N4cV91bUlRVHQyQVpR"
}这种方式有一个小小的弊端，如果超过过期时间就不能继续往下查询，这种查询适合一次全量查询所有数据。但现实情况有可能是用户在一个页面停留很长时间，再点击上一页或者下一页，此时超过过期时间页面不能再进行查询。所以还有另外一种方式，范围查询。
另一种深分页
假设员工数据中的工号ID是按递增且唯一的顺序，那么我们可以通过范围查询进行分页。
例如，按ID递增排序，第一查询ID>0的数据，数据量为1。
GET http://localhost:9200/company/employee/_search
{
"query":{
"range":{
"id":{
"gt":0
}
}
},
"size":1,
"sort":{
"id":{
"order":"asc"
}
}
}
此时返回ID=1的1条数据，我们再继续查询ID>1的数据，数据量仍然是1。
GET http://localhost:9200/company/employee/_search
{
"query":{
"range":{
"id":{
"gt":1
}
}
},
"size":1,
"sort":{
"id":{
"order":"asc"
}
}
}
这样我们同样做到了深分页的查询，并且没有过期时间的限制。
场景2
存储商品数据，根据商品名称搜索商品，要求准确度高，不能搜索洗面奶结果出现面粉。
由于这个场景主要涉及的是搜索的精度问题，所以并不会有复杂的数据结构，只有一个title字段。
定义一个只包含title字段且分词器默认为standard的索引：
PUT http://localhost:9200/ware_index
{
"mappings": {
"ware": {
"properties": {
"title":{
"type":"text"
}
}
}
}
}
插入两条数据：
POST http://localhost:9200/ware_index/ware
{
"title":"洗面奶"
}
POST http://localhost:9200/ware_index/ware
{
"title":"面粉"
}
搜索关键字"洗面奶"：
POST http://localhost:9200/ware_index/ware/_search
{
"query":{
"match":{
"title":"洗面奶"
}
}
}
搜索结果出现了"洗面奶"和"面粉"两个风马牛不相及的结果，这显然不符合我们的预期。
原因在分词一章中已经说明，text类型默认分词器为standard，它会将中文字符串一个字一个字拆分，也就是将"洗面奶"拆分成了"洗"、"面"、"奶"，将"面粉"拆分成了"面"、"粉"。而match会将搜索的关键词拆分，也就拆分成了"洗"、"面"、"奶"，最后两个"面"都能匹配上，也就出现了上述结果。所以对于中文的字符串搜索我们需要指定分词器，而常用的分词器是ik_smart，它会按照最大粒度拆分，如果采用ik_max_word它会将词按照最小粒度拆分，也有可能造成上述结果。
DELETE http://localhost:9200/ware_index删除索引，重新创建并指定title字段的分词器为ik_smart。
PUT http://localhost:9200/ware_index
{
"mappings":{
"ware":{
"properties":{
"id":{
"type":"keyword"
},
"title":{
"type":"text",
"analyzer":"ik_smart"
}
}
}
}
}
这时如果插入“洗面奶”和“面粉”，搜索“洗面奶”是结果就只有一条。但此时我们插入以下两条数据：
POST http://localhost:9200/ware_index/ware
{
"id":"1",
"title":"新希望牛奶"
}
POST http://localhost:9200/ware_index/ware
{
"id":"2",
"title":"春秋上新短袖"
}
搜索关键字”新希望牛奶“：
POST http://localhost:9200/ware_index/ware/_search
{
"query":{
"match":{
"title":"新希望牛奶"
}
}
}
搜索结果出现了刚插入的2条，显然第二条”春秋上新短袖“并不是我们想要的结果。出现这种问题的原因同样是因为分词的问题，在ik插件的词库中并没有"新希望"一词，所以它会把搜索的关键词"新希望"拆分为"新"和"希望"，同样在"春秋上新短袖"中"新"也并没有组合成其它词语，它也被单独拆成了"新"，这就造成了上述结果。解决这个问题的办法当然可以在ik插件中新增"新希望"词语，如果我们在分词中所做的那样，但也有其它的办法。
短语查询
match_phrase，短语查询，它会将搜索关键字"新希望牛奶"拆分成一个词项列表"新 希望 牛奶"，对于搜索的结果需要完全匹配这些词项，且位置对应，本例中的"新希望牛奶"文档数据从词项和位置上完全对应，故通过match_phrase短语查询可搜索出结果，且只有一条数据。
POST http://localhost:9200/ware_index/ware/_search
{
"query":{
"match_phrase":{
"title":"新希望牛奶"
}
}
}
尽管这能满足我们的搜索结果，但是用户实际在搜索中常常可能是"牛奶 新希望"这样的顺序，但遗憾的是根据match_phrase短语匹配的要求是需要被搜索的文档需要完全匹配词项且位置对应，关键字"牛奶 新希望"被解析成了"牛奶 新 希望"，尽管它与"新希望牛奶"词项匹配但位置没有对应，所以并不能搜索出任何结果。同理，此时如果我们插入"新希望的牛奶"数据时，无论是搜索"新希望牛奶"还是"牛奶新希望"均不能搜索出"新希望的牛奶"结果，前者的关键字是因为词项没有完全匹配，后者的关键字是因为词项和位置没有完全匹配。
所以match_phrase也没有达到完美的效果。
短语前缀查询
match_phrase_prefix，短语前缀查询，类似MySQL中的like "新希望%"，它大体上和match_phrase_prefix一致，也是需要满足文档数据和搜索关键字在词项和位置上保持一致，同样如果搜索"牛奶新希望"也不会出现任何结果。它也并没有达到我们想要的结果。
最低匹配度
前面两种查询中虽然能通过"新希望牛奶"搜索到我们想要的结果，但是对于"牛奶 新希望"却无能为力。接下来的这种查询方式能"完美"的达到我们想要的效果。
先来看最低匹配度的查询示例：
POST http://localhost:9200/ware_index/ware/_search
{
"query": {
"match": {
"title": {
"query": "新希望牛奶",
"minimum_should_match": "80%"
}
}
}
}
minimum_should_match即最低匹配度。"80%"代表什么意思呢？还是要从关键字"新希望牛奶"被解析成哪几个词项说起，前面说到"新希望牛奶"被解析成"新 希望 牛奶"三个词项，如果通过match搜索，则含有"新"的数据同样出现在搜索结果中。"80%"的含义则是3个词项必须至少匹配80% * 3 = 2.4个词项才会出现在搜索结果中，向下取整为2，即搜索的数据中需要至少包含2个词项。显然，"春秋上新短袖"只有1个词项，不满足最低匹配度2个词项的要求，故不会出现在搜索结果中。
同样，如果搜索"牛奶 新希望"也是上述的结果，它并不是短语匹配，所以并不会要求词项所匹配的位置相同。
可以推出，如果"minimum_should_match":"100%"也就是要求完全匹配，此时要求数据中包含所有的词项，这样会出现较少的搜索结果；如果"minimun_should_match:0"此时并不代表一个词项都可以不包含，而是只需要有一个词项就能出现在搜索结果，实际上就是默认的match搜索，这样会出现较多的搜索结果。
找到一个合适的值，就能有一个较好的体验，根据二八原则，以及实践表明，设置为"80%"能满足大部分场景，既不会多出无用的搜索结果，也不会少。
第九章-Java客户端（下）
基于Java客户端（上），本文不再赘述如何创建一个Spring Data ElasticSearch工程，也不再做过多文字叙述。更多的请一定配合源码使用，源码地址https://github.com/yu-linfeng/elasticsearch6.x_tutorial/tree/master/code/spring-data-elasticsearch，具体代码目录在complex包。
本章请一定结合代码重点关注如何如何通过Java API进行父子文档的数据插入，以及查询。
父子文档的数据插入
父子文档在ES中存储的格式实际上是以键值对方式存在，例如在定义映射Mapping时，我们将子文档定义为：
{
......
"level":{
"type":"join",
"relations":{
"superior":"staff",
"staff":"junior"
}
}
......
}在写入一条数据时：
{
......
"level":{
"name":"staff",
"parent":"1"
}
......
}对于于Java实体，我们可以把level字段设置为Map<String, Object>类型。关键注意的是，在使用Spring Data ElasticSearch时，我们不能直接调用sava或者saveAll方法。ES规定父子文档必须属于同一分片，也就是说在写入子文档时，需要定义routing参数。下面是代码节选：
BulkRequestBuilder bulkRequestBuilder = client.prepareBulk();
bulkRequestBuilder.add(client.prepareIndex("company", "employee", employeePO.getId()).setRouting(routing).setSource(mapper.writeValueAsString(employeePO), XContentType.JSON)).execute().actionGet();一定参考源码一起使用。
ES实在是一个非常强大的搜索引擎。能力有限，实在不能将所有的Java API一一举例讲解，如果你在编写代码时，遇到困难也请联系作者邮箱hellobug at outlook.com，或者通过公众号coderbuff，解答得了的一定解答，解答不了的一起解答。
关注公众号：CoderBuff，回复“es”获取《ElasticSearch6.x实战教程》完整版PDF。