ES分词查询

news2024/9/23 18:32:26

全文检索介绍

全文检索的发展过程：

  1. 数据库使用SQL语句：select * from table where data like “%检索内容%”
  2. 出现lucene全文检索工具（缺点：暴露的接口相对复杂，且没有效率）
  3. 出现分布式检索服务框架solr（缺点：建立索引期间。solr搜索能力极度下降，造成实时索引效率不高）
  4. 出现 Elasticsearch ，是以lucene为基础，基于Restful接口进行发布

非结构化数据查找方法

  1. 顺序扫描法：遍历所有文件，找到所包含的字符
  2. 全文检索：将非结构化数据中的一部分信息提取，重新组织，使其变得具有一定结构，然后对此有一定结构的数据进行检索。这部分从非结构数据中提取重新组织的信息称之为索引，这种先建立索引，再对索引进行搜索的过程叫做全文检索（full-text search）

Lucene全文检索流程

image.png

ES

ES简介

ES与Solr对比

  • Solr使用zookeeper进行分布式管理，而ES自身带有分布式协调管理
  • Solr支持更多格式数据，而ES仅支持json
  • Solr官方提供功能更多，而ES本身更注重核心功能，高级功能由第三方插件提供
  • ES在处理实时搜索应用时效高于Solr

ES架构模块

image.png

  • Gateway：存储索引的文件系统，支持多种类型（Local本地、Shared分片、Hadoop、Amazon）
  • Distributed Lucene Directory：分布式的Lucene框架
  • Lucene之上是ES 的模块，包括：索引模块、搜索模块、映射解析模块
  • ES之上是Discovery、Scripting和第三方插件
    • Discovery：ES 的节点发现模块，不同机器上的ES节点要组成集群需要进行消息通信，集群内部master选举等，支持多种发现机制，如Zen、EC2
    • Scripting：用来支持查询语句插入JavaScript、python等脚本语言，Scripting模块负责解析这些脚本，但使用这些脚本性能较低，同时ES也支持多种第三方插件
  • 再往上Transport模块：主要是ES的传输模块和JMX（Java的管理框架）传输模块，支持多种传输协议，如Thrift、Memacached、http等，默认是http
  • 再往上就是ES提供的用户接口

核心概念

  1. 索引ndex：就是一堆有相似结构的文档数据，用于区分文档成组，即分到一组的文档集合
  2. 类型Type：用于区分索引中的文档，即在索引中对数据逻辑分区。比如将博客平台所有数据存储到一个索引中，在该索引中，可为用户数据、博客数据、评论数据等分别定义一个type
  3. 文档Document：指定了唯一 ID 的最底层或者根对象，ES的最小数据单元
  4. 字段Field：定义Document应有的字段

ES与MySQL类比：
image.png

  1. 集群cluster：由多个节点组织在一起，共同持有整个集群数据（注意：一个集群有唯一的名字标识，默认是“elasticsearch”。一个节点只能通过指定某个集群的名字加入该集群）

  2. 节点node：集群中的一个服务器
    一个节点由一个名字标识，默认情况是随机的“漫威漫画角色名字”
    一个节点可通过配置集群名称方式加入指定集群，默认下，每个节点都被安排到“elasticsearch”集群中
    若启动第一个节点，会默认创建并加入到叫“elasticsearch”的集群

  3. 分片shard

一个索引可存储超出某节点硬件限制的大量数据，比如一个10亿文档的索引占据1T磁盘空间，而任一节点都没有这么大的磁盘空间；或单个节点处理请求响应太慢。为解决此类问题，ES将索引划分为多份shard的能力，称为分片。
创建一个索引的时候，可指定分片数量，每个分片本身就是一个功能完整且独立的“索引”，该“索引”可被放置到集群的任何节点
分片的作用：

  • 允许水平分割/扩展容量
  • 允许在分片上进行分布式、并行的操作，进而提高性能/吞吐量

对于一个分片如何分布，文档是如何聚合响应搜索请求，完全由ES管理，对于用户是透明的

  1. 副本replica

在分布式环境下，任何分片/节点都可能失效，导致index无法搜索，所以为了保证数据安全，会将每个index分片进行复制备份，这种拷贝称为副本replica
副本的作用：

  • 在分片/节点失效情况下，提供高可用性（注意到ES的副本分片从不与 原/master 分片置于同一节点上）
  • 扩展搜索量/吞吐量，因为搜索可在所有复制上并行运行

总之，每个索引可被分为多个分片，每个索引可被复制0-n次。一旦创建副本，每个索引就有了主分片和副本分片。分片和副本的数量可在索引创建时指定，创建完成后，可改变副本数量，但无法改变分片的数量
默认情况下，ES分片配置是5、副本数配置是1（如果集群至少2个节点，该索引将会有5个主分片、5个副本分片（完全拷贝），该索引总共有10个分片）

分词查询

举例说明：
文本：“我正在学习数据结构和算法”
对文本查询一般分为三种：

  1. 模糊查询：类似sql中的like查询
    “学习”、“数据结构”、“算法”能搜索到结果
  2. 精确搜索：文本内容与搜索关键词一致
    关键词一定要是“我正在学习数据结构和算法”才匹配
  3. 分词搜索：对搜索关键字和搜索内容都进行分词，只要匹配到一个分词内容，就命中相关内容
    “算法之美”也能搜索到结果，因为分词搜索，只需关键字的分词匹配到即可（用模糊查询是无法搜索出结果）

在ES中，使用term、match、match_phrase、keyword进行相关搜索
涉及多个关键字
text和keyword是数据类型，对磁盘待查询数据是否进行分词

  • text：分词，在写入磁盘时，分割成多个独立单词，然后存入倒排索引。查询时也是以单词维度进行匹配
  • keyword：不分词，存放整个短语

math和term是搜索方式，是数据查询时，要查询的短语是否进行分词

  • match：对搜索的内容进行分词，拿分词数据去倒排索引中查询
  • term：不对搜索内容进行分词，是完全匹配

数据准备，在索引base-product-spu-info中有一条数据

{
"spuName" : "【市场价2532】HUAWEI WATCH 2 Pro 4G智能手表 移动支付"
}

查看其分词结果：

GET base-product-spu-info/_analyze
{
"analyzer": "standard",
  "text":  "【市场价2532】HUAWEI WATCH 2 Pro 4G智能手表 移动支付"
}
// 分词结果：市|场|价|2532|huawei|watch|2|pro|4g|智|能|手|表|移|动|支|付

term搜索

term搜索对搜索词不分词，但还是会对要搜索的字段进行分词。一旦加上keyword属性，就不对数据进行分词，变成精确搜索

注意：默认情况下，不加keyword属性，使用的是text

  1. 搜索关键字“智”（term+text）
GET base-product-spu-info/_search
{
  "query": {
    "term": {
      "spuName": {
        "value": "智"
      }
    }
  }
}
// 结果：搜索出数据

QueryBuilders.termQuery("spuName", "智");
  1. 搜索关键字“智能”
    结果：无匹配数据（分词结果中无此分词）
  2. 搜索关键字“Pro”
    结果：无匹配数据
  3. 搜索关键字“pro”
    结果：搜索出数据
  4. 搜素关键字“【市场价2532】HUAWEI WATCH 2 Pro 4G智能手表 移动支付”
    结果：无匹配数据（因为搜索词未分词）
  5. 搜索关键字“【市场价2532】HUAWEI WATCH 2 Pro 4G智能手表 移动支付”【加上keyword关键字】（term+keyword）
GET base-product-spu-info/_search
{
  "query": {
    "term": {
      "spuName.keyword": {
        "value": "【市场价2532】HUAWEI WATCH 2 Pro 4G智能手表 移动支付"
      }
    }
  }
}
// 结果：搜索出数据

match搜索

match会对搜索词进行分词，再进行分词搜索（同时不加keyword的情况下，数据也会分词）

GET base-product-spu-info/_search
{
  "query": {
    "match": {
      "spuName": "手机"
    }
  }
}
// 结果：搜索出数据（分词为“手|机”，命中数据分词）

QueryBuilders.matchQuery("spuName", "手机");

match_phrase搜索

match_phrase搜索为短语搜索，要求短语中所有分词必须同时出现在文档中，同时位置必须一致

GET base-product-spu-info/_search
{
  "query": {
    "match_phrase": {
      "spuName": "智能手表"
    }
  }
}
// 结果：搜索出数据

QueryBuilders.matchPhraseQuery(“spuName”,"智能手表");

假若搜索关键字“智能手表1”，则无法匹配数据，因为分词“1”并不在数据分词中，所以无法命中。同样的，“手表智能”也无法命中

match_phrase_prefix

与match_phrase用法类似，区别在于，它允许对最后一个词条进行前缀匹配

GET base-product-spu-info/_search
{
  "query": {
    "match_phrase_prefix": {
      "spuName": "智能手表"
    }
  }
}
// 结果：搜索出数据
QueryBuilders.matchPhrasePrefixQuery("spuName","智能手表")

说明：此处“智能手表”进行分词，其中“智|能|手”与分词进行匹配，“表”可进行前缀匹配，类似“表%”，意味着若分词表中存在“表现、表示、表哥我出来了哦”等分词时，也能命中。

总结

  • token：分词后的单词，小写
  • start_offset：在短语中的开始位置
  • end_offset：短语中的结束位置
  • position：单词在短语中的位置，即第几个单词

总结：比如有一个文档字段“717 Hendrickson Place”，分词结果如上图：

  1. 对关键字“717 Hendrickson Place”使用【term+keyword】搜索
    结果：有结果（关键词不分词，精确匹配）
  2. 对关键字“717 Hendrickson Place01”使用【term+keyword】搜索
    结果：无匹配结果（改动了Place）
  3. 对关键字“717 Hendrickson Place”使用【match+keyword】搜索
    结果：有结果（数据字段不分词，精确匹配）
  4. 对关键字“717 Hendrickson Place01”使用【match+keyword】搜索
    结果：无匹配结果（数据字段不分词，精确匹配）
  5. 对关键字“717 Hendrickson Place”使用【term+text】搜索
    结果：无匹配结果（关键词未分词，字段数据分词，“717 Hendrickson Place”未名中分词）
  6. 对关键字“717 Hendrickson Place”使用【match+text】搜索
    结果：有结果（关键词和字段数据都分词，“717”分词命中）
  7. 对关键字“717 Hendrickson Place01”使用【match+text】搜索
    结果：有结果（这里改动了Place，“717”分词命中）
  8. 对关键字“Hendrickson”使用【term+text】搜索
    结果：无匹配结果（关键词未分词，字段数据分词，分词未命中）
  9. 对关键字“hendrickson”使用【term+text】搜索
    结果：有结果（Hendrickson改为小写 hendrickson）

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1311230.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

Unity 控制刚体的移动与旋转的方法

Unity 控制刚体的移动与旋转的方法

在场景创建一个Cube,并添加刚体，如图： 编写脚本： using System.Collections; using System.Collections.Generic; using UnityEngine;[RequireComponent(typeof(Rigidbody))] public class RibRotate : MonoBehaviour {//private Vector3 mo…
阅读更多...
计算机如何看待内存

计算机如何看待内存

计算机如何看待内存； 对象在内存中如何表示，如何操纵对象；
阅读更多...
国产数据库适配-达梦（DM）

国产数据库适配-达梦（DM）

1、通用性 达梦数据库管理系统兼容多种硬件体系，可运行于X86、X64、SPARC、POWER等硬件体系之上。DM各种平台上的数据存储结构和消息通信结构完全一致，使得DM各种组件在不同的硬件平台上具有一致的使用特性。 达梦数据库管理系统产品实现了平台无关性&…
阅读更多...
智能优化算法应用：基于蝠鲼觅食算法3D无线传感器网络(WSN)覆盖优化 - 附代码

智能优化算法应用：基于蝠鲼觅食算法3D无线传感器网络(WSN)覆盖优化 - 附代码

智能优化算法应用：基于蝠鲼觅食算法3D无线传感器网络(WSN)覆盖优化 - 附代码 文章目录 智能优化算法应用：基于蝠鲼觅食算法3D无线传感器网络(WSN)覆盖优化 - 附代码1.无线传感网络节点模型2.覆盖数学模型及分析3.蝠鲼觅食算法4.实验参数设定5.算法结果6.…
阅读更多...
Knowledge Distillation from A Stronger Teacher（NeurIPS 2022）论文解读

Knowledge Distillation from A Stronger Teacher（NeurIPS 2022）论文解读

paper：Knowledge Distillation from A Stronger Teacher official implementation：https://github.com/hunto/dist_kd 前言 知识蒸馏通过将教师的知识传递给学生来增强学生模型的性能，我们自然会想到，是否教师的性能越强&…
阅读更多...
vue的slot插槽详解

vue的slot插槽详解

目录 一、基本用法 在上面的例子中，我们在子组件中定义了一个插槽，然后在父组件中使用标签，并在标签内部放置了一个 标签作为插槽的内容。当父组件被渲染时，插槽的内容将被替换为实际传入的内容。 二、具名插槽 在上面的例子…
阅读更多...
Java集合--Map

Java集合--Map

1、Map集合概述 在Java的集合框架中&#xff0c;Map为双列集合&#xff0c;在Map中的元素是成对以<K,V>键值对的形式存在的&#xff0c;通过键可以找对所对应的值。Map接口有许多的实现类&#xff0c;各自都具有不同的性能和用途。常用的Map接口实现类有HashMap、Hashtab…
阅读更多...
初识GroovyShell

初识GroovyShell

文章目录 前言一、GroovyShell二、maven三、解决方案四、关键代码4.1 数据库配置表(pg)4.2 入参4.3 分页查询 总结 前言 项目背景&#xff1a;查询多个表的数据列表和详情&#xff0c;但不想创建过多的po、dao、resp等项目文件。 一、GroovyShell Apache Groovy是一种强大的…
阅读更多...
关于ctf反序列化题的一些见解（[MRCTF2020]Ezpop以及[NISACTF 2022]babyserialize）

关于ctf反序列化题的一些见解（[MRCTF2020]Ezpop以及[NISACTF 2022]babyserialize）

这里对php反序列化做简单了解 在PHP中&#xff0c;序列化用于存储或传递 PHP 的值的过程中&#xff0c;同时不丢失其类型和结构。 serialize&#xff08;&#xff09; 函数序列化对象后&#xff0c;可以很方便的将它传递给其他需要它的地方&#xff0c;且其类型和结构不会改变…
阅读更多...
Python FuckIt模块：代码的“不死鸟”

Python FuckIt模块：代码的“不死鸟”

更多资料获取 &#x1f4da; 个人网站&#xff1a;ipengtao.com 在编程世界中&#xff0c;每个开发者都曾遇到过代码中的错误&#xff0c;有时这些错误可能让人崩溃。但是&#xff0c;有一天&#xff0c;听说了一个叫做"FuckIt"的模块&#xff0c;它声称可以帮助摆脱…
阅读更多...
ASP.NET Core 8 在 Windows 上各种部署模型的性能测试

ASP.NET Core 8 在 Windows 上各种部署模型的性能测试

ASP.NET Core 8 在 Windows 上各种部署模型的性能测试 我们知道 Asp.net Core 在 windows 服务器上部署的方案有 4 种之多。这些部署方案对性能的影响一直以来都是靠经验。比如如果是部署在 IIS 下&#xff0c;那么 In Process 会比 Out Process 快&#xff1b;如果是 Self Hos…
阅读更多...
计算机操作系统-第十六天

计算机操作系统-第十六天

目录 线程的实现方式 用户级线程 内核级线程 多线程模型 一对一模型 多对多模型 多对多模型 本节思维导图 线程的实现方式 用户级线程 历史背景&#xff1a;早期操作系统只支持进程&#xff0c;不支持线程&#xff0c;当时的线程是由线程库实现的 本质&#xff1a;从…
阅读更多...
zabbix简单介绍2

zabbix简单介绍2

学习目标: 能够实现一个web页面的监测能够实现自动发现远程linux主机能够通过动作在发现主机后自动添加主机并链接模板能够创建一个模版并添加相应的元素(监控项,图形,触发器等)能够将主机或模板的配置实现导出和导入能够实现至少一种报警方式(邮件,微信等)能够通过zabbix_pro…
阅读更多...
中兴 H108NS 路由器 tools_admin.asp权限绕过漏洞复现

中兴 H108NS 路由器 tools_admin.asp权限绕过漏洞复现

0x01 产品简介 中兴H108NS路由器是一款集WiFi管理、路由分配、动态获取上网连接等功能于一体的路由器产品。 0x02 漏洞概述 中兴H108NS路由器tools_admin.asp接口处存在身份认证绕过漏洞，攻击者可利用该漏洞绕过身份认证允许访问路由器的管理面板修改管理员密码，获取用户的…
阅读更多...
全志V3s之U-Boot

全志V3s之U-Boot

1、安装交叉编译器&#xff1a; ARM交叉编译器的官网&#xff1a;交叉编译器 a、使用wget下载&#xff1a; wget https://releases.linaro.org/components/toolchain/binaries/latest/arm-linux-gnueabihf/gcc-linaro-6.3.1-2017.05-x86_64_arm-linux-gnueabihf.tar.xzb、解…
阅读更多...
关于“Python”的核心知识点整理大全12

关于“Python”的核心知识点整理大全12

目录 6.3.3 按顺序遍历字典中的所有键 6.3.4 遍历字典中的所有值 6.4 嵌套 6.4.1 字典列表 aliens.py 6.4.2 在字典中存储列表 pizza.py favorite_languages.py 注意 往期快速传送门&#x1f446;&#xff08;在文章最后&#xff09;&#xff1a; 6.3.3 按顺序遍历字…
阅读更多...
a16z：加密行业2024趋势“无缝用户体验”

a16z：加密行业2024趋势“无缝用户体验”

近日&#xff0c;知名加密投资机构a16z发布了“Big ideas 2024”&#xff0c;列出了加密行业在 2024 年几个具备趋势的“大想法”&#xff0c;其中 Seamless UX&#xff08;无缝用户体验&#xff09;赫然在列。 从最为直观的理解上&#xff0c;Seamless UX 是在强调用户在使用产…
阅读更多...
物联网时代的访问控制研究综述

物联网时代的访问控制研究综述

A survey on Access Control in the Age of Internet of Things 文章目录 A B S T R A C T引言A. Comparison Between This Paper and Existing SurveysB. Contributions II.ACCESS CONTROL BACKGROUNDIII. ACCESS CONTROL CHALLENGES IN IOT SEARCHA. Characteristics of IoT …
阅读更多...
一个简单得爬虫小案例：获取西瓜网视频数据【python】

一个简单得爬虫小案例：获取西瓜网视频数据【python】

嗨喽~大家好呀&#xff0c;这里是魔王呐 ❤ ~! python更多源码/资料/解答/教程等 点击此处跳转文末名片免费获取 第三方模块: requests >>> pip install requests 环境介绍: python 3.8 解释器 pycharm 编辑器 思路分析 找到数据来源 你要爬取的视频 筛选 找不…
阅读更多...
EasyX图形化学习（二）

EasyX图形化学习（二）

1.消息处理---鼠标消息&#xff1a; 1.ExMessage结构体&#xff1a; ExMessage---这个结构体用于保存鼠标消息。 //定义消息结构体变量 ExMessage msg { 0 }; 2.获取消息&#xff1a; &#xff08;1&#xff09;peekmessage函数&#xff1a;用于获取一个消息&#xff0c;…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023