elasticsearch搜索关键词详解
近期由于工作需要，详细了解了es搜索关键词的具体含意，其实质还是lucene的搜索关键词的释意。下详述之。
首先强调下term概念，当某个字段进行分词操作后，该字段对应的任意串至少会被分为多个term。
当不进行分词操作时，一个串只会被分为有且只有一个term。
（1）term query
term，为对某字段的分词处理后形成的最小的有意义串的单元，如原始串为”中国人民"，那么分词后成“中国”、“人民”的话，即“中国”和“人民”都是分词处理后的term对象。如果设置的字段为“not_analyzer"即不分词，则直接将该原始串作为一个term来对待。
term query search,即是以term为单位的搜索。如对字段keyword进行分词后进行term search，结果如下图：
当搜索“中国人民”和“中国人民共”时，由上两图可见，term query搜索时，输入的串本身在搜索时是不进行分词的，是针对term单位来搜索的，只有输入串和某个term完全匹配时才会命中并显示。
(2) wildcard query
即通配搜索，它也是针对term的为单位进行的通配搜索，主要包括*和？两种匹配，前者为匹配所有，后者为匹配第一个字符。
通过该单元图1、图2的对比，说明？号匹配为1个字符;通过图1、图3对比，说明*号匹配0至多个字符。
（3）prefix query
也可称为前缀匹配，该匹配比较特殊，它对中文的匹配与term query是完全一样的，这是由中文本身的特点决定，一个字不能分成两半或多半是其根本原因（下图1、图2可证明）。其对可折散的英文作用明显，（下图3、下图4证明）
图1
图2
图3
图4
该匹配只对可拆散的单词才有明显作用，即前缀匹配。
（4）fuzzy query
即为模糊匹配，跟通配匹配不同，通配匹配只是纯字符占位意义的匹配，其深层意义不大。但该处的模糊匹配，是基于编辑距离，即Levenshtein Distance，来定义某term与输入的串的相似度的，所以其深度要略高于wildcard query。往往可以用于单词纠错、近义词查找等，如下图1、图2、图3、图4所示。
图1
图2
图3
图4
通过图1、2对比，和图3、4对比，明显英文的效果在fuzzy上更让人醒目一些，关于具体的比较计算，会在后续专门讲解。
（5）range query
主要是做一些范围查询与过滤，主要是针对一些数值型字段，对字符串型亦可，只是效率上要下降很多。所以一般在用range时，均对数值型做相关的range操作。
（6）query_string query
该查询是用的最多的，即百度所用的最通用方式。首先会对用户输入的原始串进行分词操作，然后拿分词后的term集合，去自己的索引库中进行对比与打分计算，最终，按score逆序排名做显示。
以上6种搜索匹配关键词，是最常用的，再加上各种逻辑操作，包括must、must not、should，即对应and、not、or的逻辑操作，可以组合出丰富的搜索条件。更高级的关键词及应用，会在后续跟进。
时间原因，暂止于此，欢迎加入网络爬虫、nlp群320349384进行问题指正与交流。