全文搜索包括两个最重要的方面:
1. 查询与结果的相关性,并根据相关性对结果进行排名。
2. 分析,将数据转化为有区别的、规范化的的过程。
所有的查询都或多或少的会进行相关度计算,但不是所有的查询都会有分析阶段,文本查询可以分为两个部分:
1. 基于词项的查询,如 term 或 fuzzy 这样的查询是没有分析阶段的。他们对单个词项进行 *** 作。
2. 基于全文的查询,比如match, 它们会先了解字段映射的信息,判断字段是否被分词,是否是日期还是数字等, 再根据映射信息,构建要查询的词项列表,根据列表进行查询。
匹配查询 match 是个核心查询。无论需要查询什么字段, match 查询都应该会是首选的查询方式。使用方式如下:
es执行上列步骤的过程如下:
如果一次只能搜索一个词语,那么全文搜索会不太灵活,幸运的是 match 也支持多词查询 。
以上查询其实先后执行了两次 term 查询,使用 bool 进行包含,然后将结果进行合并返回。
以上查询其实会导致出现不相关的结果,我们只想搜索包含words1 和 words2 的文档,而不是 or 的结果。match 查询还可以接受 operator *** 作符作为输入参数,默认情况下该 *** 作符是 or 。
这种 *** 作还是有些不妥,在 and 和 or 中间选择太过绝对,如果用户给出了5个词项,我们想只要满足其中4 个 就表示匹配,match 也提供了 minimum_should_match 参数,他是一个最小匹配参数,我们可以控制满足的词项超过改值则表示匹配,最好是使用百分比,因为你也不知道用户提供了多少个词项。该参数的设置非常灵活,完整的信息参考文档,请看 https://www.elastic.co/guide/en/elasticsearch/reference/5.6/query-dsl-minimum-should-match.html#query-dsl-minimum-should-match
如果我们使用 bool 查询黑色、大屏、手机,其中should 语句匹配得越多表示文档的相关度越高,但是我们想要手机所占的权重比较大,内容包括手机的文档排名靠前,可以使用 boost 设置相对权重,注意是相对权重,默认是1。
在说相关度被破坏的原因之前,我们先看看es对于相关度是如何计算的
es 的相似度算法被定义为检索词频率/反向文档频率, TF/IDF ,包括以下内容:
有时,我们索引了一些文档,然后检索发现有些相关度较低的返回排名靠前?
出现上述原因的情况是因为es由于性能原因,不会计算所有索引该文档的节点的IDF,比如我们索引了10个文档, 其中6个文档中包含 foo ,而由于es是分布式的,一个索引会被分为多个分片,有可能分片一包含的5 个文档,有 4 个包含foo, 而另外一个在分片二中,所以会导致结果有差异。
在实际应用中,不会出现该问题,因为本局和全局的IDF差异会随着文档数量的增加逐渐降低。如果想要自己处理该问题,可以在搜索请求之后增加 ?search_type=dfs_query_then_fetch ,他会使得es先计算各个分片的 IDF, 然后在求出全局的 IDF, 生产环境中不要使用。因为只要有足够的数据就可以使得差异减少。
关于ES的搜索,小白暂且简单的归纳如下:
新增文档时涉及分词、构建索引
查询时涉及分词、查询索引、相关度评分
那么接下来,小白就从分词、索引、相关度评分三个方面开始瞎掰了...
分词是指将文本转换成一系列单词(term or token)的过程,也可以叫做文本分析,在es里面称为Analysis。
分词机制:
Character Filter:对原始文本进行处理,例如 去除html标签、替换字符等
Tokenizer:将原始文本进行分词,例如 小白最帅 =>小白,最,帅
Token Filters:分词后的关键字进行加工,例如 转小写、删除语气词、近义词和同义词等
在进行Tokenizer之前对对原始文本进行处理,例如 去除html标签、替换字符等
不过进行处理后,会影响后续Tokenizer解析的position和offset
HTML Strip => 去除html标签和转换html实体
Mapping => 字符串替换 *** 作
Pattern Replace => 正则匹配替换
将原始文本进行分词,例如 小白最帅 =>小白,最,帅
Elasticsearch自带的分词器:
【分词器(Analyzer)】 【特点】
standard(es默认) 支持多语言,按词切分并做小写处理
simple 按照非字母切分,小写处理
whitespace 按照空格来切分
stop 去除语气助词,如the、an、的、这等
keyword 不分词
pattern 正则分词,默认\w+,即非字词符号做分割符
language 常见语言的分词器(30+)
常见中文分词器:
【名称】 【介绍】 【特点】
IK 实现中英文单词切分 自定义词库
https://github.com/medcl/elasticsearch-analysis-ik
Jieba python流行分词系统,支持分词和词性标注 支持繁体、自定义、并行分词
http://github.com/sing1ee/elasticsearch-jieba-plugin
Hanlp 由一系列模型于算法组成的java工具包 普及自然语言处理在生产中应用
https://github.com/hankcs/HanLP
THULAC 清华大学中文词法分析工具包 具有中文分词和词性标注功能
https://github.com/microbun/elasticsearch-thulac-plugin
分词后的关键字进行加工,例如 转小写、删除语气词、近义词和同义词等
lowercase => 将所有term转换为小写
stop => 删除stop words
ngram => 和Edge NGram连词分割
synonym => 添加近义词的term
提到ES中的索引,就算没用过,估计也听过,就是倒排索引,当然ES中不可能不涉及正排索引。
通俗地来讲,正排索引是通过key找value,倒排索引则是通过value找key。举个例子,如果要查找图书馆中名为【水浒传】的书籍时,提前建立正排索引会提高查询效率;如果要查找图书馆中所有包含词语【英雄】的书籍时,提前建立倒排索引会提高查询效率,而正排索引需要遍历所有的书籍内容。
记录文档id到文档内容or单词的关联关系,比如:
【DocId】 【content】
1 => 小白最帅(小白、最、帅)
2 => 小黑最帅(小黑、最、帅)
3 => 拳打小白(拳打、小白)
备注:IK分词器中提供了两个分词算法 ik_smart 和 ik_max_word
其中 ik_smart 为最少切分,ik_max_word为最细粒度划分
本小节分词采用的是 ik_smart
记录单词到文档id的关联关系,包含:
1、Term DicTionary(单词词典):记录所有文档的单词,一般比较大
2、Posting List(倒排链表):记录单词倒排列表的关联信息
以第1节中文档【小白最帅】和【拳打小白】中的【小白】为例:
Term DicTionary:小白
Posting List:
【DocId】 【TF】 【Position】 【Offset】
1 1 0 <0-2>
3 1 1 <2-4>
DocId:文档id,指向文档的原始信息
TF:单词频率,记录该词在文档中出现的次数,用于后续相关性评分
Position:位置,记录文档中字段分词后,单词所在的位置,从0开始
Offset:偏移量,记录单词在文档中开始和结束位置,用于高亮显示等,从0开始
不是很恰当的说,索引的建立,标志着key的创建,再让key和value之间建立联系,就可以让原本直接查找value,变成了先去查找key,再直接定位到对应的value,属于典型的空间换时间或者说是先栽树、再乘凉。
下面这个数据结构图,不管是java开发还是大数据开发,估计都看烂了。。。
备注:每个文档字段都有自己的倒排索引
相关性描述的是“语句”与“某个文档”匹配的程度。ES 会对每个匹配查询的结果进⾏计算,得出_score,_score 的评分越高,相关度就越高,那这个计算就需要一个算法。在ES5之前默认的算法是TF/IDF,ES5之后默认采用的是BM25,BM25是对TF/IDF的改进,所以这里小白直接以BM25为主来叨叨。
在进行相关度计算之前,会先有一个过程叫Boolean Model,之后再使用TFNORM/IDF算法。
简单来说,Boolean Model就是根据查询条件,对文档进行一个快速的筛选,不涉及相关度计算。
即词频长度(Term Frequency Norm),单个term在文档中出现的频率,并结合字段长度,出现次数越高,字段长度越低,分越高
计算公式:
tfNorm(t in d) = (freq * (k1 + 1)) / (freq + k1 * (1 - b + b * fieldLength / avgFieldLength))
freq:term出现频率
k1 :这个参数控制着词频结果在词频饱和度中的上升速度 。 默认值为1.2。值越小饱和度变化越快,值越大饱和度变化越慢
b :这个参数控制着字段长归一值所起的作用 , 0.0会禁用归一化,1.0会启用完全归一化。默认值为0.75
fieldLength:字段长度
avgFieldLength:平均字段长度
即逆向文档频率(inversed document frequency),单个term在所有文档里出现的频率,出现次数越高,分越低。
计算公式:
idf(t) = log(1 + (docCount - docFreq + 0.5) / (docFreq + 0.5))
docCount :索引中文档数量
docFreq :包含该词的文档数
此公式将出现频率较高的词的得分降低。比如,“的”、“了”等词语在各文档中出现频率较高,但是并没有太大的参考意义,所以降低其得分。
然后,将上面两个算法的得分相乘,则是一个term的最终得分。
单个term:_score(单) = idf(t) * tfNorm(t in d)
多个term:_score(多) = 多个_score(单)的和
最后,我们在Kibana中通过explain查询语句来看一哈【所用索引和数据为下一节中的内容】:
ES(五) ElasticSearch+Kibana+IK 安装—ES集群 ES(七) Demo-商品搜索
Logstash从kafka集群Topic获取数据,解析出其字段,然后写入到ES中,logstash.conf配置如下:
结果有626条,而且HOSTNAME都是timeline11.server.163.org:
HOSTNAME条件设置为timeline111.server.163.org,期望匹配结果为空。
实际结果还是有626条,感觉加的过滤条件不生效。
网上针对这个问题的分析
[ https://stackoverflow.com/questions/23150670/elasticsearch-match-vs-term-query]
修改请求体之后:
结果是符合预期的:
如果使用ES的搜索过程中,发现加了过滤条件不生效,可以尝试以下方法:
1)条件字段是否有keyword,有的话,使用xxx.keyword
attention
ES中的查询 *** 作分为2种:查询(query)和过滤(filter)。查询即是之前提到的query查询,它(查询)默认会计算每个返回文档的得分,然后根据得分排序。而过滤(filter)只会筛选出符合的文档,并不计算得分,且它可以缓存文档。所以,单从性能考虑,过滤比查询更快。
使用过滤语句得到的结果集 -- 一个简单的文档列表,快速匹配运算并存入内存是十分方便的, 每个文档仅需要1个字节。这些缓存的过滤结果集与后续请求的结合使用是非常高效的。
查询语句不仅要查找相匹配的文档,还需要计算每个文档的相关性,所以一般来说查询语句要比 过滤语句更耗时,并且查询结果也不可缓存。详细介绍可以参考:
https://doc.yonyoucloud.com/doc/mastering-elasticsearch/chapter-2/27_README.html
欢迎分享,转载请注明来源:内存溢出
评论列表(0条)