在Elasticsearch的世界里，高效地从海量数据中检索出所需信息是其核心价值所在。本章将深入解析查询与过滤的机制，从基础查询到复合查询，再到全文搜索与分析器的定制，为你揭开数据检索的神秘面纱。
4.1 基本查询
4.1.1 Match查询
Match查询是最基础的全文查询方式，用于查找与指定字段内容相匹配的文档。它支持模糊匹配，适用于字符串字段。例如，查询包含"elasticsearch"的文档：
{
"query": {
"match": {
"content": "elasticsearch"
}
}
}
4.1.2 Term查询
Term查询用于精确匹配，不进行分析，即搜索时完全按照输入的词进行查找，适用于数字、日期或未经分析的字符串字段：
{
"query": {
"term": {
"tag": "tutorial"
}
}
}
4.1.3 Range查询
Range查询用于筛选字段值在特定范围内的文档，适用于日期、数字等类型：
{
"query": {
"range": {
"publish_date": {
"gte": "2023-01-01",
"lte": "2023-12-31"
}
}
}
}
4.2 复合查询与过滤
4.2.1 组合查询
组合查询通过将多个查询条件逻辑组合起来，实现更复杂的检索需求。常见的组合查询有bool、should、must、must_not等。
{
"query": {
"bool": {
"must": [
{ "match": { "title": "Elasticsearch" }}
],
"filter": [
{ "term": { "category": "technology" }}
]
}
}
}
4.2.2 布尔查询与上下文
布尔查询是复合查询中最常用的形式，它允许你组合多个查询条件，通过must（与）、should（或）、must_not（非）来表达逻辑关系。filter子句用于过滤条件，与评分无关，提高查询效率。
4.2.3 查询与过滤的区别
查询上下文（query context）会影响文档的评分，适合全文搜索；而过滤上下文（filter context）不计算文档得分，仅用于过滤结果集，适用于精确匹配或条件筛选，性能更优。
4.3 全文搜索与分析器
4.3.1 全文检索原理
全文检索基于倒排索引，将文档中每个单词映射到包含该单词的所有文档的列表。这一机制允许Elasticsearch快速定位包含特定词汇的文档，是全文搜索的基础。
4.3.2 分析器的工作机制
分析器是全文搜索的核心组件，负责将文本分割成词语（Tokenization）、转换（Normalization）、去除停用词（Stop Words Removal）等过程，最终生成索引项或查询项。这一过程包括了三个关键步骤：字符过滤、分词、以及词元过滤。下面，我们将逐一深入探讨这些步骤。
字符过滤(Character Filtering)
字符过滤是分析过程的第一步，它的主要任务是在文本被分词之前，对文本进行预处理，移除或替换某些不需要的字符。例如，HTML标签、特殊符号或者非打印字符等，常常在这个阶段被处理掉。字符过滤器可以确保后续步骤能够专注于文本的实际内容，而不是被这些附加元素干扰。
示例代码片段:
"char_filter": ["html_strip"]
这里，html_strip就是一个字符过滤器，它负责去除文本中的HTML标签，确保纯文本内容进入后续处理环节。
分词(Tokenization)
分词是分析过程中最核心的步骤，它将文本切分成一个个有意义的单元，这些单元被称为词元(tokens)。分词器(tokenizer)决定着如何将文本分割，不同的分词器适用于不同类型的内容。例如，standard分词器会按单词边界进行分割，而whitespace分词器则简单地按空格分割文本。
示例代码片段:
"tokenizer": "standard"
使用standard分词器，一个句子会被分解成单个词汇，同时去除标点符号。
词元过滤(Token Filtering)
词元过滤发生在分词之后，这个阶段可以对产生的词元进行进一步的修改或处理。常见的操作包括转换大小写、删除停用词(stop words)、同义词替换、词干提取(stemming)或词形还原(lemmatization)等。这些操作有助于减少索引的大小，提高搜索效率，同时增强搜索的灵活性和准确性。
示例代码片段:
"filter": ["lowercase", "asciifolding"]
-
lowercase过滤器将所有词元转换为小写，确保搜索时大小写不敏感。 -
asciifolding过滤器将非ASCII字符转换为它们的ASCII等价形式，比如将é转换为e，这有助于国际化搜索的一致性。
综合作用
通过这三个步骤，原始文本被转换成了适合索引和搜索的形式。每个分析器都是由这三个组件的不同组合构成的，用户可以根据具体需求定制分析器，以优化搜索体验。例如，对于英文文档，可能需要去除停用词和执行词干提取；而对于中文文档，则可能需要利用专门的中文分词器，如IK Analyzer。
理解分析器的工作机制对于优化Elasticsearch的搜索性能和准确性至关重要，它允许用户精确控制文本如何被索引和搜索，从而满足各种复杂的应用场景需求。
4.3.3 自定义分析器
Elasticsearch提供了丰富的内置分析器，如standard、whitespace、keyword等。若内置分析器不能满足特定需求，可自定义分析器，通过组合字符过滤器（Character Filters）、分词器（Tokenizer）和词元过滤器（Token Filters）来定制化文本处理流程。
{
"analysis": {
"analyzer": {
"my_custom_analyzer": {
"type": "custom",
"tokenizer": "standard",
"char_filter": ["html_strip"],
"filter": ["lowercase", "asciifolding"]
}
}
}
}
小结
本章详细介绍了Elasticsearch查询与过滤的基础与高级概念，从简单到复杂的查询构建，到深入全文检索原理与分析器定制，为高效检索数据提供了全面的理论与实践指导。掌握这些技能，你将能更加灵活地在Elasticsearch中执行复杂的数据搜索任务。接下来的《第5章 数据聚合与分析》将进一步探讨如何利用Elasticsearch强大的聚合功能，对数据进行深度分析与洞察。