引言
昨天是感恩節，上幼兒園的女兒在老師的叮囑下，晚上為我和老婆洗了腳(形式上的_)，還給我們每人端了一杯水。看着孩子一天天的長大，懂事，感覺很開心，話說咱們程序員這么辛苦是為了什么？不就是為了老婆，孩子，熱炕頭，有一個溫暖幸福的家庭，再捎帶着用代碼改變一下世界嗎？想到這里，頓時覺得學習，創作博客的勁頭也的更足了。哈哈，扯遠了，書歸正傳，今天我們來聊聊 Match Query。
Match Query 是最常用的 Full Text Query 。無論需要查詢什么字段， match 查詢都應該會是首選的查詢方式。它既能處理全文字段，又能處理精確字段。
構建示例
為了能夠在后面能深入理解 Match Query 中的各個屬性的意義，我們先構建一個 index 示例(有興趣的同學只要將下面字段粘貼到 sense 中就可以創建)。
PUT matchtest
{
}
PUT matchtest/_mapping/people
{
"properties": {
"age": {
"type": "integer"
},
"hobbies": {
"type": "text"
},
"name": {
"type": "keyword"
}
}
}
PUT matchtest/people/1
{
"name" : "Jim",
"age": 10,
"hobbies": "football, basketball, pingpang"
}
PUT matchtest/people/2
{
"name" : "Tom",
"age": 12,
"hobbies": "swimming, football"
}
match
operator 參數
match 查詢是一種 bool 類型的查詢。什么意思呢？舉個例子，查詢 people type 的 hobbies 為 football basketball
GET matchtest/people/_search
{
"query": {
"match": {
"hobbies": "football basketball"
}
}
}
會將上面的兩個文檔都搜索出來。為什么？上面的查詢其實隱藏了一個默認參數operator ， 它的默認值是 or ，也就是說上面的查詢也可以寫成這種形式
GET matchtest/people/_search
{
"query": {
"match": {
"hobbies": {
"query": "football basketball",
"operator": "or"
}
}
}
}
這樣就比較容易理解了，既然是 or 操作符，就表示只要查詢的文檔的 hobbies 字段中含有 football 和 basketball 任意一個，就可以被匹配到。
如果將 operator 操作符的值改為 and ，則表示需要同時包含 football 和 basketball ， 得到的結果就只能是 文檔 1 Jim 小朋友了。
analyzer
analyzer 屬性是指在對查詢文本分析時的分析器
- 如果沒有指定則會使用字段mapping 時指定的分析器
- 如果字段在 mapping 時也沒有明顯指定，則會使用默認的 search analyzer。
這里我們也沒有指定，就會使用默認的，就不舉例了，在后面文章講解 analyzer 時再拓展。
lenient 參數
默認值是 false ， 表示用來在查詢時如果數據類型不匹配且無法轉換時會報錯。如果設置成 true 會忽略錯誤。
例如， 例子中的 age 是 integer 類型的，如果查詢 age=xxy ，就會導致無法轉換而報錯。
GET matchtest/_search
{
"query": {
"match": {
"age" : {
"query": "xxx"
}
}
}
}
而如果將 lenient 參數設置為 true ，就會忽略這個錯誤
GET matchtest/_search
{
"query": {
"match": {
"age" : {
"query": "xxx",
"lenient": true
}
}
}
}
注意，如果將 age 字段的值設置為字符串 "10", 來查詢，由於能夠轉換成整數，這時 elastic 內部會將 字符串先轉換成整數再做查詢，不會報錯。
Fuzziness
fuzzniess 參數
fuzziness 參數可以使查詢的字段具有模糊搜索的特性。來先了解下什么是模糊搜索。
什么是模糊搜索？
模糊搜索是指系統允許被搜索信息和搜索提問之間存在一定的差異，這種差異就是“模糊”在搜索中的含義。例如，查找名字Smith時，就會找出與之相似的Smithe， Smythe， Smyth， Smitt等。
——百度百科
通過模糊搜索可以查詢出存在一定相似度的單詞，那么怎么計算兩個單詞是否有相似度以及相似度的大小呢？這就要了解下另外一個概念：Levenshtein Edit Distance
Levenshtein Edit Distance
Levenshtein Edit Distance 叫做萊文斯坦距離**，是編輯距離的一種。指兩個字串之間，由一個轉成另一個所需的最少編輯操作次數。允許的編輯操作包括將一個字符替換成另一個字符，插入一個字符，刪除一個字符。
例如，單詞 "god" 只需要插入一個 'o' 字符就可以變為 "good"，因此它們之間的編輯距離為 1。
fuzziness 參數取值規則
了解了上面兩個概念，回過頭再來看下 fuzziness 參數。
在查詢 text 或者 keyword 類型的字段時, fuzziness 可以看做是萊文斯坦距離。
fuzziness 參數的取值如下
-
0,1,2表示最大可允許的萊文斯坦距離 -
AUTO會根據詞項的長度來產生可編輯距離，它還有兩個可選參數，形式為
AUTO:[low],[high]， 分別表示短距離參數和長距離參數；如果沒有指定，默認值是AUTO:3,6表示的意義如下-
0..2單詞長度為 0 到 2 之間時必須要精確匹配，這其實很好理解，單詞長度太短是沒有相似度可言的，例如 'a' 和 'b'。
-
3..5單詞長度 3 到 5 個字母時，最大編輯距離為 1
-
>5單詞長度大於 5 個字母時，最大編輯距離為 2
最佳實踐:
fuzziness在絕大多數場合都應該設置成AUTO -
如果不設置 fuziness 參數，查詢是精確匹配的。
來看例子，上面創建了一個 doc
PUT matchtest/people/1
{
"name" : "Jim",
"age": 10,
"hobbies": "football, basketball, pingpang"
}
設置 fuzziness 為 AUTO ，
- 其中
hobbies字段的值football長度 > 5, 此時我們找一個編輯距離為 2 的單詞footba22來查詢，應該匹配到 - 其中
name字段的值jim長度在 3 和 5 之間，此時找一個編輯距離為 1 的單詞jiO應匹配到，而編輯距離為 2 的jOO就不應匹配到。
來，驗證下
GET matchtest/_search
{
"query": {
"match": {
"hobbies": {
"query": "footba22",
"fuzziness": "AUTO"
}
}
}
}
GET matchtest/_search
{
"query": {
"match": {
"name": {
"query": "jiO",
"fuzziness": "AUTO"
}
}
}
}
GET matchtest/_search
{
"query": {
"match": {
"name": {
"query": "jOO",
"fuzziness": "AUTO"
}
}
}
}
prefix_length
prefix_length 表示不能沒模糊化的初始字符數。由於大部分的拼寫錯誤發生在詞的結尾，而不是詞的開始，使用 prefix_length 就可以完成優化。注意 prefix_length 必須結合 fuzziness 參數使用。
例如，在查詢 hobbies 中的 football 時，將 prefix_length 參數設置為 3,這時 foatball 將不能被匹配。
GET matchtest/_search
{
"query": {
"match": {
"hobbies": {
"query": "foatball",
"fuzziness": "AUTO",
"prefix_length": 3
}
}
}
}
TODO（max_expansions 參數對於 match 查詢而言，沒理解表示的意義，如果您知道這個參數的用法，請給我留言告知，不勝感謝！ ）
Zero terms Query
先看例子, 先創建一個文檔 zero_terms_query_test 其中 message 字段使用 stop 分析器，這個分析器會將 stop words 停用詞在索引時全都去掉。
PUT matchtest1
PUT matchtest1/_mapping/zero_terms_query_test
{
"properties": {
"message": {
"type": "text",
"analyzer": "stop"
}
}
}
PUT matchtest1/zero_terms_query_test/1
{
"message": "to be or not to be"
}
GET matchtest1/_search
{
"query": {
"match": {
"message": {
"query": "to be or not to be",
"operator": "and",
"zero_terms_query": "none"
}
}
}
}
那么就像 message 字段中的 to be or not to be 這個短語中全部都是停止詞，一過濾，就什么也沒有了,得不到任何 tokens, 那搜索時豈不什么都搜不到。
POST _analyze
{
"analyzer": "stop",
"text": "to be or not to be"
}
zero_terms_query 就是為了解決這個問題而生的。它的默認值是 none ,就是搜不到停止詞（對 stop 分析器字段而言）,如果設置成 all ，它的效果就和 match_all 類似，就可以搜到了。
GET matchtest1/_search
{
"query": {
"match": {
"message": {
"query": "to be or not to be",
"operator": "and",
"zero_terms_query": "all"
}
}
}
}
Cutoff frequency
查詢字符串時的詞項會分成低頻詞（更重要）和高頻詞（次重要）兩類，像前面所說的停用詞 （stop word）就屬於高頻詞，它雖然出現頻率較高，但在匹配時可能並不太相關。實際上，我們往往是想要文檔能盡可能的匹配那些低頻詞，也就是更重要的詞項。
要實現這個需求，只要在查詢時配置 cutoff_frequency 參數就可以了。假設我們將 cutoff_frequency 設置成 0.01 就表示
- 任何詞項在文檔中超過 1%， 被認為是高頻詞
- 其他的詞項會被認為低頻詞
從而將高頻詞（次重要的詞）挪到可選子查詢中，讓它們只參與評分，而不參與匹配；高頻詞（更重要的詞）參與匹配和評分。
這樣一來，就不再需要 stopwords 停用詞文件了，從而變成了動態生成停用詞: 高頻詞就會被看做是停用詞。這種配置只是對於詞項比較多的場合如 email body，文章等適用，文字太少， cutoff_frequency 選項設置的意義就不大了。
cutoff_frequency 配置有兩種形式
- 指定為一個分數（
0.01）表示出現頻率 - 指定為一個正整數（
5）則表示出現次數
下面給個例子, 在創建的 3 個文檔中都包含 "be " 的單詞，在查詢時將 cutoff_frequency 參數設置為 2， 表示 "be" 就是高頻詞，只會參與評分，但在匹配時不做考慮。
此時查詢的內容為 "to be key" ，由於 "be" 詞項是高頻詞，因為在文檔中必須要存在 "to" 或者 "key" 才能匹配，因此文檔 3 不能匹配。
PUT /matchtest2
PUT matchtest2/_mapping/cutoff_frequency_test
{
"properties": {
"message": {
"type": "text"
}
}
}
PUT matchtest2/cutoff_frequency_test/1
{
"message": "to be or not to be to be or"
}
PUT matchtest2/cutoff_frequency_test/2
{
"message": "be key or abc"
}
PUT matchtest2/cutoff_frequency_test/3
{
"message": "or to be or to to be or"
}
GET matchtest2/_search
{
"query": {
"match": {
"message": {
"query": "to be key",
"cutoff_frequency": 2
}
}
}
}
synonyms
synonyms 是指同義詞，只要索引和字段中配置了同義詞過濾器，match 查詢是支持多詞條的同義詞擴展的。在應用過濾器后，解析器會對每個多次條同義詞創建一個語句查詢。
例如，同義詞 USA, united states of America 就會構建出 (USA OR ("united states of America"))。看下面例子：
PUT /matchtest4
{
"settings": {
"index" : {
"analysis" : {
"analyzer" : {
"synonym" : {
"tokenizer" : "whitespace",
"filter" : ["synonym"]
}
},
"filter" : {
"synonym" : {
"type" : "synonym",
"synonyms" : [
"USA, united states of America"
]
}
}
}
}
}
}
PUT /matchtest4/_mapping/synonyms_test
{
"properties": {
"message": {
"type": "text",
"analyzer": "synonym"
}
}
}
PUT /matchtest4/synonyms_test/1
{
"message": "united states of America people"
}
GET /matchtest4/_search
{
"query": {
"match": {
"message": {
"query": "USA"
}
}
}
}
小結
本文以代碼實例的方式完整的講解了 Match Query 的各種使用場景和參數意義。下篇會講解 Match Phrase Query 敬請期待。