在 Elasticsearch 中实现自动完成功能 1：Prefix queries

自动完成与搜索功能不同 - 我们应该在用户键入下一个字符后立即更新自动完成选项，每秒都会访问数据库，过滤数百万条记录，而不会导致任何性能下降！

Elasticsearch 是一种可以轻松实现此类功能的技术，它是一种基于 Apache Lucene 库构建的搜索和分析引擎。 Elasticsearch 具有分布式、多租户架构，具有内置路由和重新平衡功能，使其易于扩展。它是一种广泛使用的数据存储，用于存储、搜索和分析大量数据。

在这个由三部分组成的博客文章系列中，我将详细介绍如何使用 Elasticsearch 中提供的各种选项来实现自动完成功能。在第一部分（即这篇文章）中，我们将讨论前缀查询 - prefix queries。在第二部分中，我们将了解 n-grams，在最后部分中，我们将讨论 complete suggesters。

出于示例目的，我们将使用存储电影数据的索引。为了简单起见，title 将是该索引中唯一存在的属性。由于 Elasticsearch 为其操作公开了 REST 接口，因此你可以使用任何基于 REST 的工具与其进行通信。

本系列假设你对 Elasticsearch 有基本的了解。如果你是 Elasticsearch 的新手，我强烈建议你阅读 “Elastic：开发者上手指南”。

那么让我们开始吧？

前缀查询 - Prefix queries

前缀查询是 Elasticsearch 中自动完成实现的最简单形式。我们在存储字段时不做任何特殊的事情，大部分工作都是在查询时完成的。该字段被索引（存储！）为一个简单的文本/关键字字段，并且允许我们根据传递的前缀匹配文档的查询用于查询它。

让我们创建一个索引来运行前缀查询：

PUT /movies
{
  "mappings": {
    "properties": {
      "title": {
        "type": "keyword",
        "fields": {
          "analyzed_title": {
            "type": "text"
          }
        }
      }
    }
  }
}

创建索引时，我们需要提供映射，指示我们打算存储的数据类型。出于以下示例的目的，title 被映射为 keyword 字段，也被映射为支持全文查询的文本字段。使用 Elasticsearch 的多字段功能可以将一个字段映射为多种类型。

keyword 字段和 text 字段之间的主要区别在于关键字字段不被分析，即我们传递到关键字字段的数据按原样存储。对文本字段进行分析，即分词化、可能进行转换（例如小写、词干等），并存储在倒排索引中。倒排索引是一种数据结构，用于存储从术语到它们出现的文档位置的映射，从而实现高效的全文搜索。有关 keyword 和 text 类型的区别，请详细参阅文档 “Elasticsearch：Text vs. Keyword - 它们之间的差异以及它们的行为方式”。

为了测试如何分析我们的数据，我们可以使用 _analyze API。让我们看看我们的主标题字段将如何分析：

GET /movies/_analyze
{
  "text": "Chamber of Secrets",
  "field": "title"
}

上面命令的响应为：

{
  "tokens": [
    {
      "token": "Chamber of Secrets",
      "start_offset": 0,
      "end_offset": 18,
      "type": "word",
      "position": 0
    }
  ]
}

因此，它只返回一个 token。为什么？没错，就是因为它是关键字字段！让我们测试一下我们 analyzed_title 的表现：

GET /movies/_analyze
{
  "text": "Chamber of Secrets",
  "field": "title.analyzed_title"
}

上面命令的响应为：

{
  "tokens": [
    {
      "token": "chamber",
      "start_offset": 0,
      "end_offset": 7,
      "type": "<ALPHANUM>",
      "position": 0
    },
    {
      "token": "of",
      "start_offset": 8,
      "end_offset": 10,
      "type": "<ALPHANUM>",
      "position": 1
    },
    {
      "token": "secrets",
      "start_offset": 11,
      "end_offset": 18,
      "type": "<ALPHANUM>",
      "position": 2
    }
  ]
}

正如所料，它被分解为三个 token。此外，token 是小写的。这是为什么？因为，即使我们不指定任何分析器，默认的标准分析器也会应用于执行基于语法的标记化的文本字段，并且还将这些标记小写。文本分析是一种高度可配置的过程，由一个或多个字符过滤器、分词器以及一个或多个在管道中运行的分词过滤器组成。我们可以创建自己的分析器，也可以定制内置分析器。有关分词器的详细介绍，请阅读文章 “Elasticsearch: analyzer”。

让我们将一些哈利波特电影添加到我们的索引中，即让我们索引一些文档：

POST /movies/_doc
{
  "title": "Harry Potter and the Chamber of Secrets"
}

POST /movies/_doc
{
  "title": "Harry Potter and the Prisoner of Azkaban"
}

让我们尝试使用前缀查询来查询我们的主 title 字段（关键字）。前缀查询是术语级别查询的一种，用于查询非分析字段。我们将尝试两个不同的请求 - 第一个请求使用 title 中第一个单词的前缀，另一个请求使用标题中第二个单词的前缀：

GET /movies/_search?filter_path=**.hits
{
  "query": {
    "prefix": {
      "title": "Harr"
    }
  }
}

上面的响应为：

{
  "hits": {
    "hits": [
      {
        "_index": "movies",
        "_id": "er9oHIsByaLf0EuTh81O",
        "_score": 1,
        "_source": {
          "title": "Harry Potter and the Chamber of Secrets"
        }
      },
      {
        "_index": "movies",
        "_id": "e79oHIsByaLf0EuTjc3H",
        "_score": 1,
        "_source": {
          "title": "Harry Potter and the Prisoner of Azkaban"
        }
      }
    ]
  }
}

我们做另外一个查询：

GET /movies/_search?filter_path=**.hits
{
  "query": {
    "prefix": {
      "title": "Pott"
    }
  }
}

上述查询返回：

{
  "hits": {
    "hits": []
  }
}

也即没有任何的结果。

tilte 是关键字字段，我们必须提供具有正确大小写的前缀。如果我们在查询中传递 “harr”，它将不匹配。第一个请求按预期返回上面索引的两个文档。但第二个请求不会返回任何内容。这是因为这个查询不支持中缀（在 title 中间匹配）匹配。

如果我们想在 title 内进行匹配，我们应该使用 match_phrase_prefix - 一种用于在分析的文本字段上进行前缀匹配的查询类型：

GET /movies/_search?filter_path=**.hits
{
  "query": {
    "match_phrase_prefix": {
      "title.analyzed_title": {
        "query": "pott"
      }
    }
  }
}

上述命令返回的结果为：

{
  "hits": {
    "hits": [
      {
        "_index": "movies",
        "_id": "er9oHIsByaLf0EuTh81O",
        "_score": 0.18232156,
        "_source": {
          "title": "Harry Potter and the Chamber of Secrets"
        }
      },
      {
        "_index": "movies",
        "_id": "e79oHIsByaLf0EuTjc3H",
        "_score": 0.18232156,
        "_source": {
          "title": "Harry Potter and the Prisoner of Azkaban"
        }
      }
    ]
  }
}

当我们搜索 analyzed_title 时，“pott” 前缀与属于我们两个文档的标记 “potter” 匹配。因此，两份文件均被召回。

前缀乱序怎么办？由于 title 中的单词被分词，我们期望 “potter harry” 与两个文档匹配。但这是一个短语前缀查询，它尊重输入的顺序。如果我们想要无序匹配，我们可以使用 match_bool_prefix。

GET /movies/_search
{
    "query": {
        "match_phrase_prefix": {
            "title.analyzed_title": {
                "query": "potter harry"
            }
        }
    }
}

上述查询将不会返回任何的结果。而如下的查询：

GET /movies/_search?filter_path=**.hits
{
  "query": {
    "match_bool_prefix": {
      "title.analyzed_title": {
        "query": "pott harr"
      }
    }
  }
}

将返回如下的结果：

{
  "hits": {
    "hits": [
      {
        "_index": "movies",
        "_id": "er9oHIsByaLf0EuTh81O",
        "_score": 1,
        "_source": {
          "title": "Harry Potter and the Chamber of Secrets"
        }
      },
      {
        "_index": "movies",
        "_id": "e79oHIsByaLf0EuTjc3H",
        "_score": 1,
        "_source": {
          "title": "Harry Potter and the Prisoner of Azkaban"
        }
      }
    ]
  }
}

这就是我要讨论的使用前缀查询自动完成的全部内容。在选择此作为实现自动完成功能的方法时，我们需要考虑一些事项：

这是最不推荐的方法，与其他自动完成（另外的两篇文章）实现相比，这种方法被认为是最慢的方法。搜索速度很慢，因为我们在索引字段时没有做任何有助于自动完成查询的工作。它被索引为一个简单的文本字段，将文档与查询文本进行匹配的大部分工作都是在搜索时完成的。它将转到倒排索引并检查是否有任何标记以查询中提供的文本开头，这是一项昂贵的操作。
在 Elasticsearch 的最新版本中，为术语级别前缀查询添加了 index_prefixes 选项，该选项允许通过将前缀存储在单独的字段中来加速前缀查询。
如果你已经有一个工作索引并且不需要更新映射，那么前缀查询将是适合你的方法，因为自动完成不是系统中频繁使用的功能之一。但如果是这样，那么你可能会遇到性能问题。最好使用本系列下一部分中讨论的方法之一并重新索引数据。

如果你想了解这种方法的详细实现，请阅读 “Elasticsearch：创建一个 autocomplete 输入系统 - 前端 + 后端”。