ElasticSearch使用（一）-二、ElasticSearch的DSL

Elasticsearch中提供了一种强大的检索数据方式，这种检索方式称之为Query DSL（Domain Specified Language）。Query DSL是利用 Rest API传递 JSON格式的请求体(RequestBody)数据与 ES进行交互，这种方式的丰富查询语法让 ES检索变得更强大，更简洁。其基本语法如下：

GET /es_db/_doc/_search {json请求体数据} 
#可以简化为下面写法 
GET /es_db/_search {json请求体数据}

1. 文档映射Mapping

ElasticSearch中的映射(Mapping)用来定义一个文档,可以定义所包含的字段以及字段的类型、分词器及属性等等。Mapping类似数据库中的schema的定义。ES中Mapping映射可以分为动态映射和静态映射。

动态映射

在关系数据库中，需要事先创建数据库，然后在该数据库下创建数据表，并创建表字段、类型、长度、主键等，最后才能基于表插入数据。而Elasticsearch中不需要定义Mapping映射(即关系型数据库的表、字段等)，在文档写入Elasticsearch时，会根据文档字段自动识别类型，这种机制称之为动态映射。

静态映射

静态映射是在Elasticsearch中也可以事先定义好映射，包含文档的各字段类型、分词器等，这种方式称之为静态映射

注意：动态映射(Dynamic Mapping)的机制，使得我们无需手动定义Mappings， Elasticsearch会自动根据文档信息，推算出字段的类型。但是有时候会推算的不对，例如地理位置信息。当类型如果设置不对时，会导致一些功能无法正常运行。
在这里插入图片描述

PUT /user/_doc/1
{
  "name":"jack",
  "age":32,
  "address":"武汉马房山"
}

上面我们向es中插入了一条文档，我们现在看看es是怎么样帮我们映射mappins的

GET /user/_mapping

在这里插入图片描述

address：帮我们映射成了text类型

age：帮我们映射成了long类型

name：帮我映射成了text类型

那么现在我们思考一下，mapping能否修改？这要分两种情况：

新增加字段

dynamic设为true时，一旦有新增字段的文档写入，Mapping 也同时被更新。dynamic设为false，Mapping 不会被更新，新增字段的数据无法被索引，但是信息会出现在_source中。dynamic设置成strict(严格控制策略)，文档写入失败，抛出异常。所以dynamic配置不同我们的es也同样会做出不同的处理。

在这里插入图片描述
2. 对已有字段，一旦已经有数据写入，就不再支持修改字段定义

Lucene 实现的倒排索引，一旦生成后，就不允许修改。如果希望改变字段类型，可以利用 reindex API，重建索引，reindex的作用是将数据从一个索引复制到另一个索引（一种数据迁移）。

如果我们修改了原有的字段的数据类型，会导致已经索引的数据无法被检索

PUT /user1
{
  "mappings": {
    "dynamic":"strict",
    "properties": {
      "name":{
        "type": "text"
      },
      "address":{
        "type": "object",
        "dynamic":"true"
      }
    }
  }
}

上面我们使用到了静态映射，自己定义了字段的类型，注意dynamic为strict，现在我们插入一条不合法数据。

PUT /user1/_doc/1
{
  "name": "fox",
  "age": 32,
  "address": {
    "province": "湖南",
    "city": "长沙"
  }
}

可以发现报了mapping解析异常
在这里插入图片描述
现在我们修改dynamic为true，再次执行插入就插入成功了

PUT /user1/_mapping 
{
	"dynamic":true 
 }

在这里插入图片描述

对已有字段的mapping修改，具体方法是:

如果要推倒现有的映射, 你得重新建立一个静态索引
然后把之前索引里的数据导入到新的索引里
删除原创建的索引
为新索引起个别名, 为原索引名

首先我们新建立一个索引，并设置静态映射

PUT /user3 
{
  "mappings": {
    "properties": {
      "name":{
        "type": "text"
      },
      "address":{
        "type": "text",
        "analyzer": "standard"
      }
    }
  }
}

然后将之前索引的数据迁移到新的索引中

POST _reindex
{
  "source": {"index":"user1"},
  "dest": {"index": "user3"}
}

删除原来的索引

DELETE user1

给新建立的索引取个别名，名称和原来删除的索引一样

PUT /user3/_alias/user1
//或使用下面语法
PUT /_aliases
{
  "actions": [
    {
      "add": {
        "index": "user3",
        "alias": "user1"
      }
    }
  ]
}

通过这几个步骤就实现了索引的平滑过渡,并且是零停机

常见的mapping参数配置

index：控制当前字段是否能被索引，如果设置为false，es不会为该字段设置倒排索引 |
index_options：有四种不同基本的index options配置，控制倒排索引记录的内容

docs : 记录doc id
freqs:记录doc id 和term frequencies(词频)
positions: 记录doc id / term frequencies / term position
ffsets: doc id / term frequencies / term posistion /character offsets|

对于index_options，text类型默认记录postions，其他默认为 docs。记录内容越多，占用存储空间越大。

如果我们现在想要插入检索空值，注意只有type类型为keyword才能设置空值

在这里插入图片描述

copy_to设置:将字段的数值拷贝到目标字段，满足一些特定的搜索需求。 copy_to的目标字段不出现在_source中。

PUT /address
{
  "mappings": {
    "properties": {
      "province":{
        "type": "keyword",
        "copy_to": "{full_address}"
      },
      "city":{
        "type": "text",
        "copy_to": "{full_address}"
      }
    }
  },
  "settings": {
    "index":{
      "analysis.analyzer.default.type":"ik_max_word"
    }
  }
}

映射定义了索引中的字段属性。在这个例子中，定义了两个字段 “province” 和 “city”。“province” 字段的类型是 “keyword”，而 “city” 字段的类型是 “text”。此外，对于两个字段，都定义了 “copy_to” 参数，用于将字段值复制到 “full_address” 字段中。这样做的目的是为了能够在搜索时统一匹配这两个字段的内容。例如，当搜索某个地址时，可以在 “full_address” 字段中查找匹配的内容，而不用分别搜索 “province” 和 “city” 字段。设置定义了索引的配置信息。在这个例子中，设置了 “index” 下的 “analysis.analyzer.default.type” 参数为 “ik_max_word”，表示默认的分析器类型为 IK 中文分词器的 “ik_max_word”。这样配置后，当索引文档时，Elasticsearch 会使用 IK 分词器对文本进行分词处理，以便更好地支持中文搜索。

现在我们插入数据

PUT /address/_bulk
{"index":{"_id":"1"}}
{"province":"湖南","city":"长沙"}
{"index":{"_id":"2"}}
{"province":"湖南","city":"常德"}
{"index":{"_id":"3"}}
{"province":"广东","city":"广州"}
{"index":{"_id":"4"}}
{"province":"湖南","city":"邵阳"}

然后我们现在查询湖南常德：

GET /address/_search
{
  "query": {
    "match": {
      "{full_address}": {
        "query":"湖南常德",
        "operator":"and"
      }
    }
  }
}

上面代码表示查询的字段就是full_address，然后operator表示操作类型，可以是and或or，ik分词器会将湖南常德分词为湖南和常德，and就表示既要有湖南，又要有常德。所以结果只有id2这一条。

在这里插入图片描述
如果是or就会有多条：

2. Index Template

顾名思义，它就是一种索引建立的模版，Index Templates可以帮助你设定Mappings和Settings，并按照一定的规则，自动匹配到新创建的索引之上。Index template定义在创建新index时可以自动应用的settings和mappings。 Elasticsearch根据与index名称匹配的index模式将模板应用于新索引。这个对于我们想创建的一系列的Index具有同样的settings及mappings。比如我们希望每一天/月的日志的index都具有同样的设置。

模版仅在一个索引被新创建时，才会产生作用。修改模版不会影响已创建的索引
你可以设定多个索引模版，这些设置会被“merge”在一起
你可以指定“order”的数值，控制“merging”的过程

PUT /_template/template_default
{
  "index_patterns": ["*"],
  "order": 0,
  "version": 1,
  "settings": {
    "number_of_shards": 1,
    "number_of_replicas": 1
  }
}

上面就创建了一个Index Template，匹配所有的索引，然后匹配这个模版的索引的分片和副本数量都是1。当一个索引被新创建时，会应用Elasticsearch 默认的settings 和mappings，应用order数值低的lndex Template 中的设定，应用order高的 Index Template 中的设定，之前的设定会被覆盖，应用创建索引时，用户所指定的Settings和 Mappings，并覆盖之前模版中的设
定。

即settings和mappings设置的优先级是：用户设定>Template中Order高的>Template中Order低的>系统默认的

GET /_template/tem*

在这里插入图片描述

使用GET命令可以查看我们设定的模版的信息

3. DSL

ES中提供了一种强大的检索数据方式,这种检索方式称之为Query DSL(Domain Specified Language) , Query DSL是利用Rest API传递JSON格式的请求体(RequestBody)数据与ES进行交互，这种方式的丰富查询语法让ES检索变得更强大，更简洁。它的基本语法如下：

GET/es_db/_doc/_search{json请求体数据} 
GET/es_db/_search{json请求体数据}

下面使用无条件查询语句：

GET /address/_search

在这里插入图片描述

_search默认会返回10条数据

PUT /es_db
{
  "settings": {
    "index":{
      "analysis.analyzer.default.type":"ik_max_word"
    }
  }
}

上面代码中对es_db文档设定了默认的分词器为ik分词器

PUT /es_db/_doc/1
{
  "name":"张三",
  "sex":1,
  "age":25,
  "address":"广州天河公园",
  "remark":"javadeveloper"
}

PUT /es_db/_doc/2
{
  "name":"李四",
  "sex":1,
  "age":28,
  "address":"广州荔湾大厦",
  "remark":"javaassistant"
}
PUT /es_db/_doc/3
{
  "name":"王五",
  "sex":0,
  "age":26,
  "address":"广州白云山公园",
  "remark":"phpdeveloper"
}
PUT /es_db/_doc/4
{
  "name":"王五",
  "sex":0,
  "age":26,
  "address":"广州白云山公园",
  "remark":"phpdeveloper"
}

PUT /es_db/_doc/5
{
  "name":"张龙",
  "sex":0,
  "age":19,
  "address":"长沙麓谷企业广场",
  "remark":"javaarchitectassistant"
}
PUT /es_db/_doc/6
{
  "name":"赵虎",
  "sex":1,
  "age":32,
  "address":"长沙麓谷兴工国际产业园",
  "remark":"javaarchitect"
}

上面向es_db索引库中插入了多条文档，_search查询默认采用的是分页查询，每页记录数size的默认值为10，如果想显示更多数据，可以指定size。match_all默认只会返回10条数据。

GET/es_db/_search
#等同于
GET /es_db/_search
{
  "query": {
    "match_all": {}
  }
}
##返回指定条数size，
GET /es_db/_search
{
  "query": {
    "match_all": {}
  },
  "size": 20
}

我们现在思考一个问题，size可以无限增加吗？我们测试一下：

GET /es_db/_search
{
  "query": {
    "match_all": {}
  },
  "size": 20000
}

在这里插入图片描述

可以发现出现了异常，从错误信息可以看出来，查询结果的窗口太大，from + size的结果必须小于或等于10000，而当前查询结果的窗口为20000，我们可以采用scroll api更高效的请求大量数据集，查询结果的窗口的限制可以通过参数index.max_result_window进行设置。

PUT /es_db/_settings
{
  "index.max_result_window" :"20000"
}
//修改现有所有的索引，但新增的索引，还是默认的10000
PUT /_all/_settings
{
 "index.max_result_window" :"20000"
}

参数index.max_result_window主要用来限制单次查询满足查询条件的结果窗口的大小，窗口大小由from + size共同决定。不能简单理解成查询返回给调用方的数据量。这样做主要是为了限制内存的消耗。

比如：from为1000000，size为10，逻辑意义是从满足条件的数据中取1000000到 (1000000 + 10)的记录。这时ES一定要先将(1000000 + 10)的记录(即 result_window)加载到内存中，再进行分页取值的操作。尽管最后我们只取了10条数据返回给客户端，但ES进程执行查询操作的过程中确需要将(1000000 + 10)的记录都加载到内存中，可想而知对内存的消耗有多大。这也是ES中不推荐采用(from + size)方式进行深度分页的原因。同理，from为0，size为1000000时，ES进程执行查询操作的过程中确需要将1000000 条记录都加载到内存中再返回给调用方，也会对ES内存造成很大压力。

分页查询from

from 关键字: 用来指定起始返回位置，和size关键字连用可实现分页效果

GET /es_db/_search
{
  "query": {
    "match_all": {
      
    }
  },
  "size": 5,
  "from": 0
}

深分页查询Scroll

改动index.max_result_window参数值的大小，只能解决一时的问题，当索引的数据量持续增长时，在查询全量数据时还是会出现问题。而且会增加ES服务器内存大结果集消耗完的风险。最佳实践还是根据异常提示中的采用scroll api更高效的请求大量数据集。

es的分页查询看这条博客：https://zhuanlan.zhihu.com/p/624297206?utm_id=0

GET /es_db/_search?scroll=1m
{
  "query": {
    "match_all": {}
  },
  "size": 2
}

查询命令中新增scroll=1m,说明采用游标查询，保持游标查询窗口一分钟，实际使用中为了减少游标查询的次数，可以将值适当增大，比如设置为1000。

在这里插入图片描述
可以发现返回了一条scroll_id，下一次查询就可以从这个游标开始接着查询。

多次根据scroll_id游标查询，直到没有数据返回则结束查询。采用游标查询索引全量数据，更安全高效，限制了单次对内存的消耗

对字段进行排序

这里注意一点使用排序的时候会让评分失效

#根据年龄将降序查询
GET /es_db/_search
{
  "query": {
    "match_all": {}
  },
  "sort": [
    {
      "age": {
        "order": "desc"
      }
    }
  ]
}
//在排序的基础上加入了分页查询
GET /es_db/_search
{
  "query": {
    "match_all": {}
  },
  "sort": [
    {
      "age": {
        "order": "desc"
      }
    }
  ],
  "from": 0,
  "size": 2
}

返回指定字段_source

GET /es_db/_search
{
  "query": {
    "match_all": {}
  },
  "_source": ["name","address"]
}

在这里插入图片描述

从结果看一看出返回的文档原生信息中只有address和name两个字段

Match

match在匹配时会对所查找的关键词进行分词，然后按分词匹配查找，match支持以下参数:

query : 指定匹配的值
operator : 匹配条件类型，and : 条件分词后都要匹配，or : 条件分词后有一个匹配即可(默认)
minmum_should_match : 最低匹配度，即条件在倒排索引中最低的匹配度

GET /es_db/_search
{
  "query": {
    "match": {
      "address": "广州白云山公园"
    }
  }
}

在这里插入图片描述

由结果可以知道对广州白云山公园进行了分词，并查询结果为or类型，即只要匹配到一个分词就可以返回结果

GET /es_db/_search
{
  "query": {
    "match": {
      "address": {
        "query": "广州白云山公园",
        "operator": "AND"
       }
    }
  }
}

在这里插入图片描述

可以看到此时只有匹配广州白云山公园分词的所有的各个分词才会返回结果。在match中的应用: 当operator参数设置为or时，minnum_should_match参数用来控制匹配的分词的最少数量。

GET /es_db/_search
{
  "query": {
    "match": {
      "address": {
        "query": "广州公园",
        "minimum_should_match": 2
      }
    }
  }
}

在这里插入图片描述

可以发现匹配到2个分词就可以返回结果了

短语查询match_phrase

match_phrase查询分析文本并根据分析的文本创建一个短语查询。match_phrase 将会检索关键词分词。match_phrase的分词结果必须在被检索字段的分词中都包含，而且顺序必须相同，而且默认必须都是连续的。

GET /es_db/_search
{
  "query": {
    "match_phrase": {
      "address": "广州白云山"
    }
  }
}

在这里插入图片描述
我们可以看看ik分词器的分词结果为下：

我们看看其它词的分词效果：

POST /_analyze
{
  "analyzer": "ik_max_word",
  "text": "广州白云山公园"
}

在这里插入图片描述
可以看出广州白云山和广州白云山公园的分词，后者的分词结果包含前者的分词结果，并且顺序一样。现在我们的需求是，如果顺序不是一样的，多个分词之间还隔有其它分析，我们可以借助slop参数，slop参数告诉match_phrase查询词条能够相隔多远时仍然将文档视为匹配。

GET /es_db/_search
{
  "query": {
    "match_phrase": {
      "address": {
        "query": "广州云山"
      }
    }
  }
}

在这里插入图片描述
我们现在设置一下slop

GET /es_db/_search
{
  "query": {
    "match_phrase": {
      "address": {
        "query": "广州云山",
        "slop": 2
      }
    }
  }
}

在这里插入图片描述
先查看广州白云山公园分词结果，可以知道广州和白云不是相邻的词条，中间会隔一个白云山，而match_phrase匹配的是相邻的词条，所以查询广州白云山有结果，但查询广州白云没有结果。

多字段查询multi_match

可以根据字段类型，决定是否使用分词查询，得分最高的在前面

GET /es_db/_search
{
  "query": {
    "multi_match": {
      "query": "长沙张龙",
      "fields": ["address","name"]
    }
  }
}

字段类型分词，将查询条件分词之后进行查询，如果该字段不分词就会将查询条件作为整体进行查询。

在这里插入图片描述

“query"字段中指定了要搜索的关键词，这里是"长沙张龙”。"fields"字段中指定了要在哪些字段中搜索，这里是"address"和"name"两个字段。这个查询的意思是：在"address"和"name"字段中搜索包含"长沙张龙"这个词语的文档。本质上就是对长沙张龙进行分词，然后分词到我们指定的字段中进行匹配。

query_string

允许我们在单个查询字符串中指定AND | OR | NOT条件，同时也和 multi_match query一样，支持多字段搜索。和match类似，但是match需要指定字段名，query_string是在所有字段中搜索，范围更广泛。

首先我们可以不指定字段查询：

GET /es_db/_search
{
  "query": {
    "query_string": {
      "query": "张三 OR 橘子洲"
    }
  }
}

我们没有指定字段查询，它会到所有字段进行查询，我们同时还可以指定一个字段或多个字段进行查询：

GET /es_db/_search
{
  "query": {
    "query_string": {
      "default_field": "address",
      "query": "白云山 OR 橘子洲"
    }
  }
}

GET /es_db/_search
{
  "query": {
    "query_string": {
      "default_field": ["name","address"],
      "query": "白云山 OR 橘子洲"
    }
  }
}

simple_query_string

类似Query String，但是会忽略错误的语法，同时只支持部分查询语法，不支持AND OR NOT，会当作字符串处理。支持部分逻辑:

+ 替代AND | 替代OR
- 替代NOT


GET /es_db/_search
{
  "query": {
    "simple_query_string": {
      "query": "广州+公园",
      "fields": ["name","address"]
    }
  }
}

关键词查询Term

Term用来使用关键词查询(精确匹配),还可以用来查询没有被进行分词的数据类型。Term是表达语意的最小单位，搜索和利用统计语言模型进行自然语言处理都需要处理Term。 match在匹配时会对所查找的关键词进行分词，然后按分词匹配查找，而term会直接对关键词进行查找。一般模糊查找的时候，多用match，而精确查找时可以使用term。

ES中默认使用分词器为标准分词器(StandardAnalyzer),标准分词器对于英文单词分词,对于中文单字分词。
在ES的Mapping Type 中 keyword , date ,integer, long , double , boolean or ip 这些类型不分词，只有text类型分词。

//广州白云在倒排索引中匹配
GET /es_db/_search
{
  "query": {
    "term": {
      "address": {
        "value": "广州白云"
      }
    }
  }
}
//精确匹配
GET /es_db/_search
{
  "query": {
    "term": {
      "address.keyword": {
        "value": "广州白云山公园"
      }
    }
  }
}

在ES中，Term查询，对输入不做分词。会将输入作为一个整体，在倒排索引中查找准确的词项，并且使用相关度算分公式为每个包含该词项的文档进行相关度算分。

创建新的索引库：

PUT /product/_bulk
{"index":{"_id":1}}
{"productId":"xxx123","productName":"iPhone"}
{"index":{"_id":2}}
{"productId":"xxx111","productName":"iPad"}

我们进行查询：

GET /product/_search
{
  "query": {
    "term": {
      "productName": {
        "value": "iPhone"
      }
    }
  }
}

在这里插入图片描述
可以发现查询结果为空，这是为什么呢，我们查询是term，然后关键词是iPhone，然后到倒排索引中查询，发现没有发现iPhone，这是因为iPhone在倒排索引中会被转化为小写iphone，所以查询不到。所以对于英文，我们可以设置忽略大小写：


PUT /product
{
  "settings": {
    "analysis": {
      "normalizer": {
        "es_normalizer": {
          "filter": [
            "lowercase",
            "asciifolding"
          ],
          "type": "custom"
        }
      }
    }
  },
  "mappings": {
    "properties": {
      "productId": {
        "type": "text"
      },
      "productName": {
        "type": "keyword",
        "normalizer": "es_normalizer",
        "index": "true"
      }
    }
  }
}

在这里插入图片描述
现在就可以忽略大小写了，我仔细看看上面的查询结果，发现有max_socre，说明在使用Trem的时候，es还是会对结果进行算分，但有时我们需要的是精确查询，算分可能会影响性能，我们可以通过 Constant Score 将查询转换成一个 Filtering，避免算分，并利用缓存，提高性能。

将Query 转成 Filter，忽略TF-IDF计算，避免相关性算分的开销 Filter可以有效利用缓存，Filter可以有效利用缓存

GET /es_db/_search
{
  "query": {
    "constant_score": {
      "filter": {
        "term": {
          "address.keyword": "广州白云山公园"
        }
      }
    }
  }
}

在这里插入图片描述

ES中的结构化搜索

结构化搜索(Structured search)是指对结构化数据的搜索，应用场景:对bool，日期，数字，结构化的文本可以利用term做精确匹配。

应用场景:对bool，日期，数字，结构化的文本可以利用term做精确匹配


GET /es_db/_search
{
  "query": {
    "term": {
      "age": {
        "value": "23"
      }
    }
  }
}

前缀查询

它会对分词后的term进行前缀搜索。它不会分析要搜索字符串，传入的前缀就是想要查找的前缀，默认状态下，前缀查询不做相关度分数计算，它只是将所有匹配的文档返回，然后赋予所有相关分数值为1。它的行为更像是一个过滤器而不是查询。两者实际的别就是过滤器是可以被缓存的，而前缀查询不行。

prefix的原理:需要遍历所有倒排索引，并比较每个term是否已所指定的前缀开头。

GET /es_db/_search
{
  "query": {
    "prefix": {
      "address": {
        "value": "广州"
      }
    }
  }
}

在这里插入图片描述

通配符查询wildcard

通配符查询:工作原理和prefix相同，只不过它不是只比较开头，它能支持更为复杂的匹配模式。

GET /es_db/_search
{
  "query": {
    "wildcard": {
      "address": {
        "value": "*白*"
      }
    }
  }
}

在这里插入图片描述

范围查询

gte 大于等于，lte 小于等于，gt 大于，lt 小于，now 当前时间

POST /es_db/_search
{
  "query": {
    "range": {
      "age": {
        "gte": 25,
        "lte": 28
      }
    }
  }
}

在这里插入图片描述

多id查询

ids 关键字 : 值为数组类型,用来根据一组id获取多个对应的文档

GET /es_db/_search
{
  "query": {
    "ids": {
      "values": [1,2]
    }
  }
}

在这里插入图片描述

模糊查询

在实际的搜索中，我们有时候会打错字，从而导致搜索不到。在Elasticsearch中，我们可以使用fuzziness属性来进行模糊查询，从而达到搜索有错别字的情形。fuzzy 查询会用到两个很重要的参数，fuzziness，prefix_length：

fuzziness:表示输入的关键字通过几次操作可以转变成为ES库里面的对应field的字段，操作是指:新增一个字符，删除一个字符，修改一个字符，每次操作可以记做编辑距离为1，如中文集团到中威集团编辑距离就是1，只需要修改一个字符;如果fuzziness值在这里设置成2，会把编辑距离为2的东东集团也查出来。该参数默认值为0，即不开启模糊查询。

prefix_length:表示限制输入关键字和ES对应查询field的内容开头的第n个字符必须完全匹配，不允许错别字匹配，如这里等于1，则表示开头的字必须匹配，不匹配则不返回，加大prefix_length的值可以提高效率和准确率，默认值也是0。

GET /es_db/_search
{
  "query": {
    "fuzzy": {
      "address": {
        "value": "白运山",
        "fuzziness": 1
      }
    }
  }
}

在这里插入图片描述
注意： fuzzy 模糊查询最大模糊错误必须在0-2之间

搜索关键词长度为 2，不允许存在模糊

搜索关键词长度为3-5，允许1次模糊

搜索关键词长度大于5，允许最大2次模糊

高亮

highlight 关键字: 可以让符合条件的文档中的关键词高亮。highlight相关属性如下：

pre_tags 前缀标签
post_tags 后缀标签
tags_schema 设置为styled可以使用内置高亮样式
require_field_match 多字段高亮需要设置为false

GET /es_db/_search
{
  "query": {
    "term": {
      "address": {
        "value": "广州"
      }
    }
  },
  "highlight": {
    "post_tags": ["</span>"],
    "pre_tags": ["<span style='color:red'>"],
    "fields": {
      "*":{}
    }
  }
}

在这里插入图片描述

秒客网

ElasticSearch使用（一）-二、ElasticSearch的DSL

1. 文档映射Mapping

2. Index Template

3. DSL

相关文章