结构化搜索（Structured search） 是指有关探询那些具有内在结构数据的过程。比如日期、时间和数字都是结构化的：它们有精确的格式，我们可以对这些格式进行逻辑操作。比较常见的操作包括比较数字或时间的范围，或判定两个值的大小。
1.精确值查找
当使用精确值查找时，我们会使用过滤器，由于它不会计算相关度，所以它的查询速度相对较快。
我们首先来看最为常用的 term 查询， 可以用它处理数字、布尔值、日期以及文本。使用方式如下：
GET /index/type/_search
{
"query" : {
"constant_score" : { //表示该次查询不计算相关度，常使用它将查询转化为过滤
"filter" : {
"term" : {
"filed" : value
}
}
}
}
}
2.bool组合过滤器
在第一部分中，我们讲了单个过滤器的使用，在日常生活中，我们经常要使用多个过滤器来进行筛选结果，比如我们要选择华为品牌，64G， 价格在2k-4k之间的手机，我们要使用组合过滤器对结果进行筛选。
一个过滤器包括三种取值：
（1）must: 表示必须匹配，相当于AND。
（2）must_not: 表示必须不匹配，相当于NOT。
（3）should：表示任一匹配即可，相当于OR。
使用案例如下（和传统的sql语句相同，bool过滤器也支持嵌套）：
查询出产品为三星NOTE7,或者 产品为华为而且价格为30的记录
GET /index/type/_search
{
"query" : {
"filtered" : {
"filter" : {
"bool" : {
"should" : [
{ "term" : {"productID" : "三星NOTE7"}},
{ "bool" : {
"must" : [
{ "term" : {"productID" : "华为"}},
{ "term" : {"price" : 30}}
]
}}
],
"minimum_should_match": 1
}
}
}
}
}
注意：
1 . bool 查询会为每个文档计算相关度评分 _score ，再将所有匹配的 must 和 should 语句的分数 _score 求和，最后除以 must 和 should 语句的总数。其中must_not 语句不会影响评分；它的作用只是将不相关的文档排除。
2 .所有 must 语句必须匹配，所有 must_not 语句都必须不匹配，默认情况下，没有 should 语句是必须匹配的，只有一个例外：那就是当没有 must 语句的时候，至少有一个 should 语句必须匹配。可以通过设置minimum_should_match参数来设置必须匹配的should语句，他可以使数字也可以是百分比。
3.查询多个精确值
term查询在搜索单个值十分有用，但是我们如何搜索满足多个条件的值呢？比如要搜索价格为20的手机，相当于传统sql语句中的in ,当然使用bool查询是一种方式，es给我们提供了terms查询，使用方式如下:
{
"terms" : {
"price" : [20, 30]
}
}
注意：term和terms的操作是包含而非精确相等，比如我们使用该语句{ "term" : { "tags" : "search" } }进行过滤时，他会和以下两个文档同时匹配:
{ "tags" : ["search"] }
{ "tags" : ["search", "open_source"] }
如果向要精确匹配，最好的操作就是增加一个字段，用以存储该字段包含项的数量，用以上为例
{ "tags" : ["search"], "tag_count" : 1 }
{ "tags" : ["search", "open_source"], "tag_count" : 2 }
在搜索条件时，将语句修改为bool查询的must操作，让tags的值为search,且tag_count的值为1。
"bool" : {
"must" : [
{ "term" : { "tags" : "search" } },
{ "term" : { "tag_count" : 1 } }
]
}
4.范围
到目前为止，我们都介绍了如何处理相等查询，对于数字过滤查询有时会更有用，比如在淘宝上搜索手机，可以在首页的头部可以选择价格区间，用来更快的找到满足自己价位的手机。
"range" : {
"price" : {
"gte" : greaterValue,
"lte" : lessValue
}
}
gt: > 大于（greater than）
lt: < 小于（less than）
gte: >= 大于或等于（greater than or equal to）
lte: <= 小于或等于（less than or equal to）
range查询不只是能用在数字上，其他类型也可以使用，比如日期，字符串
- 日期查询
eg: 查询过去一小时内的所有文档
"range" : {
"timestamp" : {
"gt" : "now-1h"
}
}
日期计算还可以应用到具体的时间，并非只能是now这样的占位符，只需要增加一个双管符号||并紧跟一个一个日期表达式。更多详细内容请看时间格式参考文档。
eg: 小于2020-01-07加一个月也就是 2020-02-07之前，2020-01-07之后的所有文档
"range" : {
"timestamp" : {
"gt" : "2020-01-07 00:00:00",
"lt" : "2020-01-07 00:00:00||+1M"
}
}
2.字符串范围
es在给字符串范围操作时，是使用的字典序或这字母顺序进行过滤的。
eg:查询文档字段title中只包含a的文档。
"range" : {
"title" : {
"gte" : "a",
"lt" : "b"
}
}
注意：数字和日期范围的过滤会提高搜索性能，但是字符串有可能并非如此，在对字符串过滤时，es会对每个词项都进行term过滤。
5.关于缓存
es对非评分的行为，会对结果进行缓存。
1. 查找匹配文档
2. 创建bitset对结果进行缓存,该bit有一个只包含0和1的数组，用来标记那个文档匹配。
比如我们有三个doc
doc1: { price : 20, productid : 1 }
doc2: { price : 30, productid : 2 }
doc3: { price : 40, productid : 3 }
进行过滤查询 : term: { productid : 3 }
此时会创建bitset数组 [ 0, 0, 1]
3. 如果有多个过滤查询，会迭代bitsets，对结果集进行合并，一般会先迭代稀疏的bitset，因为会过滤大量的文档。
4. es会根据该索引最近的所查询的历史状态，如果该该查询在最近的的256次查询被用到过，则缓存到内存中。如果可以则会判断该索引所在的段是否‘足够大’， 因为比较小的段最后会被合并，分配缓存会被浪费，如果所在的段较小，该缓存会被忽略。
注意：
1. 缓存中的bitset是增量更新的，如果新增加一个文档，并不会对所有的bitset缓存进行重新计算，而是只会计算该新文档，然后将结果保存到bitset数组中。
2. bitset并不会依赖他所在查询的上下文，这样使得缓存可以加速查询中经常使用的部分，从而降低较少、易变的部分所带来的消耗。
如下图所示：会查询在收件箱且没有读过的，或者不在收件箱的。其中1 和2的 bitset相同，尽管一个是 must ，一个是 must_not
"bool": {
"should": [
{ "bool": {
"must": [
{ "term": { "folder": "inbox" }}, 1
{ "term": { "read": false }}
]
}},
{ "bool": {
"must_not": {
"term": { "folder": "inbox" } 2
}
}}
]
}
3. es会基于使用频率自动缓存查询，如果一个非评分查询在最近的256次查询中被使用过，且所在的段足够大，才会缓存。