前言
在上一篇文章中，我们通过RestClient的Bulk操作导入了大量的hotel数据到elasticsearch，实现了elasticsearch的数据存储功能。但elasticsearch最擅长的还是搜索和数据分析。本篇文章会通过使用DSL来介绍elasticsearch的搜索功能。
1. DSL查询分类
Elasticsearch提供了基于JSON的DSL（Domain Specific Language）来定义查询。常见的查询类型包括：
查询所有：查询出所有数据，一般测试用。例如：match_all
全文检索（full text）查询：利用分词器对用户输入内容分词，然后去倒排索引库中匹配。例如：
- match_query
- multi_match_query
精确查询：根据精确词条值查找数据，一般是查找keyword、数值、日期、boolean等类型字段。例如：
- ids
- range
- term
地理（geo）查询：根据经纬度查询。例如：
- geo_distance
- geo_bounding_box
复合（compound）查询：复合查询可以将上述各种查询条件组合起来，合并查询条件。例如：
- bool
- function_score
查询的语法基本一致：
GET /{indexName}/_search
{"query": {"查询类型": {"查询条件": "条件值"}}
}
我们以查询所有为例，其中：
- 查询类型为match_all
- 没有查询条件
// 查询所有
GET /{indexName}/_search
{"query": {"match_all": {}}
}
其他查询无非就是查询类型、查询条件的变化。
2 全文检索查询
2.1 使用场景
全文检索查询的基本流程如下：
- 对用户搜索的内容做分词，得到词条
- 根据词条去倒排索引库中匹配，得到文档id
- 根据文档id找到文档，返回给用户
比较常用的场景包括：
- 商城的输入框搜索
- 百度输入框搜索
例如京东：
因为是拿着词条去匹配，因此参与搜索的字段也必须是可分词的text类型的字段。
2.2 基本语法
常见的全文检索查询包括：
- match查询：单字段查询
- multi_match查询：多字段查询，任意一个字段符合条件就算符合查询条件
match查询语法如下：
GET /{indexName}/_search
{"query": {"match": {"FIELD": "TEXT"}}
}
mul_match语法如下：
GET /{indexName}/_search
{"query": {"multi_match": {"query": "TEXT","fields": ["FIELD1", " FIELD12"]}}
}
2.3 示例
match示例：
这里的all这个字段是我在创建索引库的时候就创建的字段，用于做搜索使用的。类似于mysql的联合索引。
mulit_match查询示例：
可以看到，两种查询结果是一样的，为什么？
因为我们将brand、name、city值都利用copy_to复制到all字段中。因此你根据三个字段搜索，和根据all字段搜索效果当然一样了。
但是，搜索字段越多，对查询性能影响越大，因此建议采用copy_to，然后单字段查询的方式。
2.4 总结
match和mulit_match的区别是什么？
- match：根据一个字段查询
- 根据多个字段查询，建议
3. 精准查询
精准查询一般是查找keyword、数值、日期、boolean等类型字段。所以不会对于搜索条件分词。常见的有：
- term：根据词条精确值查询
- range：根据值的范围查询
3.1 term查询
因为精确查询的字段搜是不分词的字段，因此查询的条件也必须是不分词的词条。查询时，用户输入的内容跟自动值完全匹配时才认为符合条件。如果用户输入的内容过多，反而搜索不到数据。
语法说明：
// term查询
GET /{indexName}/_search
{"query": {"term": {"FIELD": {"value": "VALUE"}}}
}
示例：
当我搜索的是精确词条是，能正确查出结果：
但是，当我搜索的内容不是词条，而是多个词语形成的短语时，反而搜不到：
3.2 range查询
范围查询，一般应用在对数值类型范围过滤的时候。比如做价格范围过滤。
基本语法：
// range查询
GET /{indexName}/_search
{"query": {"range": {"FIELD": {"gte": 10, // 这里的gte代表大于等于，gt则代表大于"lte": 20 // lte代表小于等于，lt则代表小于}}}
}
示例：
3.3 总结
精确查询常见的有哪些？
- term查询：根据词条精确匹配，一般搜索keyword类型、数值类型、布尔类型、日期类型字段
- range查询：根据数值范围查询，可以是数值、日期的范围
4. 地理坐标查询
所谓的地理坐标查询，其实就是根据经纬度查询，官方文档：https://www.elastic.co/guide/en/elasticsearch/reference/current/geo-queries.html
常见的使用场景包括：
- 携程：搜索我附近的酒店
- 滴滴：搜索我附近的出租车
- 微信：搜索我附近的人
4.1 矩形范围查询
矩形范围查询，也就是geo_bounding_box查询，查询坐标落在某个矩形范围的所有文档：
查询时，需要指定矩形的左上、右下两个点的坐标，然后画出一个矩形，落在该矩形内的都是符合条件的点。
语法如下：
// geo_bounding_box查询
GET /{indexName}/_search
{"query": {"geo_bounding_box": {"FIELD": {"top_left": { // 左上点"lat": 31.1,"lon": 121.5},"bottom_right": { // 右下点"lat": 30.9,"lon": 121.7}}}}
}
示例：
4.2 附近查询
附近查询，也叫做距离查询（geo_distance）：查询到指定中心点小于某个距离值的所有文档。
换句话来说，在地图上找一个点作为圆心，以指定距离为半径，画一个圆，落在园内的坐标都算符合条件：
语法说明：
// geo_distance 查询
GET /indexName/_search
{"query": {"geo_distance": {"distance": "15km", // 半径"FIELD": "31.21,121.5" // 圆心}}
}
示例：
我们先搜索陆家嘴附近15km的酒店：
发现共有47家酒店。
然后把半径缩小到2公里：
可以发现，搜索到的酒店数量减少到了5家。
5. 复合查询
复合（compound）查询：复合查询可以将其他简单组合起来，实现更复杂的搜索逻辑。常见的有两种：
- function score：算分函数查询，可以控制文档相关性算分，控制文档排名
- bool query：布尔查询，利用逻辑关系组合多个其他的查询，实现复杂搜索
5.1 相关性算分
当我们利用match查询时，文档结果会根据与搜索词条的关联度打分（_score），返回结果时按照分值降序排列。
例如：我们搜索“虹桥如家”，结果如下：
[{"_score" : 17.850193,"_source" : {"name" : "虹桥如家酒店真不错",}},{"_score" : 12.259849,"_source" : {"name" : "外滩如家酒店真不错",}},{"_score" : 11.91091,"_source" : {"name" : "迪士尼如家酒店真不错",}}
]
在elasticsearch中，早期使用的打分算法是TF-IDF算法，公式如下：
拿第一条数据举例，返回的name是”虹桥如家酒店真不错“，他的词条可以分为"虹桥/如家/酒店/真不错"，这里文档中词条总数是4，搜索的词条分为“虹桥/如家”，那么先以“虹桥”来搜索的话，词条出现次数是1，那么TF算下来就是0.25。在加上“如家”这个词条总的TF就是0.5。因为搜索出来的三条文档都包含"如家"这个词条，其实“如家”的词条频率加上跟不加一样。
后续继续演变，变成下面这样：
这里引入了一个IDF的概念，就是为了降低同一词条在查出来的所有文档中的权重比例。但是这一个算法还是有一些问题。
在后来的5.1版本升级中，elasticsearch将算法改进为BM25算法，公式如下：
TF-IDF算法有一个缺陷，就是词条频率越高，文档得分也会越高，单个词条对文档影响较大。而BM25则会让单个词条的算分有一个上限，曲线更加平滑：
小结：elasticsearch会根据词条和文档的相关度打分，算法分为两种：
- TF-IDF算法
- BM25算法，elasticsearch5.1版本后采用的算法
5.2 算分函数查询
根据相关度打分是比较合理的需求，但合理的不一定是产品经理需要的。以百度为例，并不是相关度越高排名越靠前，而是谁掏的钱多排名就越靠前。
要想人为控制相关性算法，就需要利用elasticsearch中的function score查询了。
1）语法说明
function score查询中包含四个部分：
- 原始查询条件：query部分，基于这个条件搜索文档，并且基于BM25算法给文档打分，原始算分（query score）
- 过滤条件：filter部分，符合该条件的文档才会重新算分
- 算分函数：符合filter条件的文档要根据这个函数做运算，得到的函数算分（function score），有四种函数
- weight：函数结果是常量
- field_value_factor：一文档中的某个字段值作为函数结果
- random_score：以随机数作为函数结果
- script_score：自定义算分函数算法
- 运算模式：算分函数的结果、原始查询的相关性算分、两者之间的运算方式，包括：
- multiply：相乘
- replace：用function_score替换query score
- 其他，例如sum、avg、max、min
function_score的运行流程如下：
- 根据原始条件查询搜索文档，并且计算相关性算分，称为原始算分（query score）
- 根据过滤条件，过滤文档
- 符合过滤条件的文档，基于算分函数运算，得到函数算分（function_score）
- 将原始算分（query score）和函数算分（function_score）基于运算模式做运算，得到最终结果，作为相关性算分。
因此，其中的关键点是：
- 过滤条件：决定哪些文档的算分被修改
- 算分函数：决定函数算分的算法
- 运算模式：决定最终算分结果
2）示例
需求：给“如家”这个品牌的酒店排名靠前一点
翻译一下这个需求，转换为之前说的四个要点
- 原始条件：不确定，可以任意变化
- 过滤条件：brand=“如家”
- 算分函数：可以简单粗暴，直接给固定的算分结果，weight
- 运算模式：比如求和
因此最终的DSL语句如下：
GET /hotel/_search
{"query": {"function_score": {"query": { .... }, // 原始查询，可以是任意条件"functions": [ // 算分函数{"filter": { // 满足的条件，品牌必须是如家"term": {"brand": "如家"}},"weight": 2 // 算分权重为2}],"boost_mode": "sum" // 加权模式，求和}}
}
测试，在未添加算分函数时，如家得分如下：
添加了算分函数后，如家得分就提升了：
3）小结
function score query定义的三要素是什么？
- 过滤条件：哪些文档要加分
- 算分函数：如何计算function score
- 加权方式：function score 与 query score如何运算
5.3 布尔查询
布尔查询是一个或多个查询子句的组合，每一个子句就是一个子查询。子查询的组合方式有：
- must：必须匹配每个子查询，类似“与”
- should：选择性匹配子查询，类似“或”
- must_not：必须不匹配，不参与算分，类似“非”
- filter：必须匹配，不参与算分
比如在搜索酒店时，除了关键字搜索外，我们还可能根据品牌、价格、城市等字段做过滤。
每一个不同的字段，其查询的条件、方式都不一样，必须是多个不同的查询，而要组合这些查询，就必须用bool查询了。
需要注意的是，搜索时，参与打分的字段越多，查询的性能也越差。因此这种多条件查询时，建议这样做：
- 搜索框的关键字搜索，是全文检索查询，使用must查询，参与算分
- 其它过滤条件，采用filter查询。不参与算分
1）语法示例：
GET /hotel/_search
{"query": {"bool": {"must": [{"term": {"city": "上海" }}],"should": [{"term": {"brand": "皇冠假日" }},{"term": {"brand": "华美达" }}],"must_not": [{ "range": { "price": { "lte": 500 } }}],"filter": [{ "range": {"score": { "gte": 45 } }}]}}
}
2）示例
需求：搜索名字包含“如家”，价格不高于400，在坐标31.21,121.5周围10km范围内的酒店。
分析：
- 名称搜索，属于全文检索查询，应该参与算分。放到must中
- 价格不高于400，用range查询，属于过滤条件，不参与算分。放到must_not中
- 周围10km范围内，用geo_distance查询，属于过滤条件，不参与算分。放到filter中
3）小结
bool查询有几种逻辑关系？
- must：必须匹配的条件，可以理解为“与”
- should：选择性匹配的条件，可以理解为“或”
- must_not：必须不匹配的条件，不参与打分
- filter：必须匹配的条件，不参与打分