Elasticsearch实战 | 怎么通过Elasticsearch实现模糊查询？
Elasticsearch实战 | 怎么通过Elasticsearch实现模糊查询？
1、问题分析
首先这里所说的模糊查询是指类似mysql的like关键字左右模糊的查询过滤。
举个栗子：搜索 社保登记 ，能匹配出 我要社保登记查询 ，不能匹配出 社保缴纳登记”。
然后啰嗦下Elasticsearch是一个全文检索引擎，我们通常应用它来进行文本的分词匹配过滤。也就是说通常我们不会用Elasticsearch来做这种模糊查询，这种比起全文检索属于更精准的查询。
当然，Elasticsearch也是支持模糊查询的。它有两种思路来实现，一种是使用wildcard查询，一种是使用短语查询（match_phrase,match_phrase_prefix）。然而wildcard查询官方建议是尽量避免使用，因为有性能问题。
所以我们下面描述使用短语查询的实现方式，顺便比较下match_phrase 和match_phrase_prefix的异同。
2、match_phrase
查询规则描述
目标文本包含检索短语的所有能分出的分词
目标文本和检索短语里的分词出现顺序完全一致，且中间不夹杂其他分词
举个栗子：
检索短语：电信业务经营
目标文本1：电信业务经营发生场所
目标文本2：电信业务经营者
假设目标字段为title，其定义为
"title" : {
"type" : "text",
"analyzer" : "ik_smart"
}
使用match_phrase进行如下查询发现能成功匹配到目标文本1(下面的语句省略了索引名)，看起来已经实现了模糊查询
GET /_search
{
"query": {"match_phrase": {
"title": "电信经营业务"
}}
}
但是我们会惊讶的发现它没有匹配到目标文本2，这显然不符合我们一般的预期。为什么呢？下面我们来分析下原因
使用ik_smart分词器对检索短语分词
GET _analyze
{
"analyzer": "ik_smart",
"text": ["电信业务经营"]
}
分词结果为：
{
"tokens" : [
{
"token" : "电信业务",
"start_offset" : 0,
"end_offset" : 4,
"type" : "CN_WORD",
"position" : 0
},
{
"token" : "经营",
"start_offset" : 4,
"end_offset" : 6,
"type" : "CN_WORD",
"position" : 1
}
]
}
接着使用ik_smart分词器分别对目标文本1和目标文本2进行分析
目标文本1分词结果：
{
"tokens" : [
{
"token" : "电信业务",
"start_offset" : 0,
"end_offset" : 4,
"type" : "CN_WORD",
"position" : 0
},
{
"token" : "经营",
"start_offset" : 4,
"end_offset" : 6,
"type" : "CN_WORD",
"position" : 1
},
{
"token" : "发生",
"start_offset" : 6,
"end_offset" : 8,
"type" : "CN_WORD",
"position" : 2
},
{
"token" : "场所",
"start_offset" : 8,
"end_offset" : 10,
"type" : "CN_WORD",
"position" : 3
}
]
}
目标文本2分词结果为：
{
"tokens" : [
{
"token" : "电信业务",
"start_offset" : 0,
"end_offset" : 4,
"type" : "CN_WORD",
"position" : 0
},
{
"token" : "经营者",
"start_offset" : 4,
"end_offset" : 7,
"type" : "CN_WORD",
"position" : 1
}
]
}
我们比对检索短语和目标文本的分词结果。发现目标文本1分出的词完全包含检索短语的词，且顺序一致，中间没有其他词。但文本2没有分出经营，而是有一个分词经营者，这里显然是不符合match_phrase的过滤规则，没有包含“经营“这个分词。所以目标文本2没有被匹配出来。
那是不是因为这里的分词器是ik_smart分的太粗了呢？我们试下使用ik_max_word分词看下分词结果。
检索短语ik_max_word分词结果：
{
"tokens" : [
{
"token" : "电信业务",
"start_offset" : 0,
"end_offset" : 4,
"type" : "CN_WORD",
"position" : 0
},
{
"token" : "电信业",
"start_offset" : 0,
"end_offset" : 3,
"type" : "CN_WORD",
"position" : 1
},
{
"token" : "电信",
"start_offset" : 0,
"end_offset" : 2,
"type" : "CN_WORD",
"position" : 2
},
{
"token" : "业务",
"start_offset" : 2,
"end_offset" : 4,
"type" : "CN_WORD",
"position" : 3
},
{
"token" : "经营",
"start_offset" : 4,
"end_offset" : 6,
"type" : "CN_WORD",
"position" : 4
}
]
}
目标文本2的ik_max_word分词结果为：
{
"tokens" : [
{
"token" : "电信业务",
"start_offset" : 0,
"end_offset" : 4,
"type" : "CN_WORD",
"position" : 0
},
{
"token" : "电信业",
"start_offset" : 0,
"end_offset" : 3,
"type" : "CN_WORD",
"position" : 1
},
{
"token" : "电信",
"start_offset" : 0,
"end_offset" : 2,
"type" : "CN_WORD",
"position" : 2
},
{
"token" : "业务",
"start_offset" : 2,
"end_offset" : 4,
"type" : "CN_WORD",
"position" : 3
},
{
"token" : "经营者",
"start_offset" : 4,
"end_offset" : 7,
"type" : "CN_WORD",
"position" : 4
},
{
"token" : "经营",
"start_offset" : 4,
"end_offset" : 6,
"type" : "CN_WORD",
"position" : 5
}
]
}
如上所见，这下目标文本2分出的词已经完成包含检索短语分出的词了。但是查询结果仍然是匹配不到的，问题出在中间夹杂了其他词。
我们再近距离对比下：
电信业务营业：电信业务 电信业 电信 业务 经营
电信业务营业者：电信业务 电信业 电信 业务 经营者 经营
是的，业务和经营中间出现了一个“经营者”。这还是不符合match_phrase的过滤规则。那如果我们就是想要匹配到目标文本2应该怎么办呢？那就可以试试使用match_phrase_prefix
3、match_phrase_prefix
直观来看，match_phrase_prefix多了个prefix。这个prefix是指可以用最后一个分词作为前缀去匹配，其他的规则和match_phrase一样。还是用上面的例子，检索短语“电信业务营业”使用ik_smart分词的最后一个分词是"营业"。对最后一个分词作为前缀匹配，那就是形如“经营*”的匹配方式，那其实就能匹配到目标文本2中多出来的那个“经营者”。
可以使用如下查询验证(下面的语句省略了索引名)：
GET /_search
{
"query": {
"match_phrase_prefix": {
"title": {
"query": "电信业务营业",
"max_expansions": 50
}
}}
}
max_expansions是指能模糊匹配的位数，数值设置的越大能模糊匹配到的位数越大。官方建议是50。到这里，我们就已经实现了模糊匹配了。
4、小结
要实现类似mysql的like查询，可以使用match_phrase_prefix实现。
match_phrase相较match_phrase_prefix更严格，可能出现有些我们人眼看觉得应该匹配的匹配不到。