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:
1. PUT /movies
2. {
3. "mappings": {
4. "properties": {
5. "title": {
6. "type": "keyword",
7. "fields": {
8. "analyzed_title": {
9. "type": "text"
10. }
11. }
12. }
13. }
14. }
15. }
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:
1. GET /movies/_analyze
2. {
3. "text": "Chamber of Secrets",
4. "field": "title"
5. }
上面命令的响应为:
1. {
2. "tokens": [
3. {
4. "token": "Chamber of Secrets",
5. "start_offset": 0,
6. "end_offset": 18,
7. "type": "word",
8. "position": 0
9. }
10. ]
11. }
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:
1. GET /movies/_analyze
2. {
3. "text": "Chamber of Secrets",
4. "field": "title.analyzed_title"
5. }
上面命令的响应为:
1. {
2. "tokens": [
3. {
4. "token": "chamber",
5. "start_offset": 0,
6. "end_offset": 7,
7. "type": "",
8. "position": 0
9. },
10. {
11. "token": "of",
12. "start_offset": 8,
13. "end_offset": 10,
14. "type": "",
15. "position": 1
16. },
17. {
18. "token": "secrets",
19. "start_offset": 11,
20. "end_offset": 18,
21. "type": "",
22. "position": 2
23. }
24. ]
25. }
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:
1. POST /movies/_doc
2. {
3. "title": "Harry Potter and the Chamber of Secrets"
4. }
6. POST /movies/_doc
7. {
8. "title": "Harry Potter and the Prisoner of Azkaban"
9. }
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:
1. GET /movies/_search?filter_path=**.hits
2. {
3. "query": {
4. "prefix": {
5. "title": "Harr"
6. }
7. }
8. }
上面的响应为:
1. {
2. "hits": {
3. "hits": [
4. {
5. "_index": "movies",
6. "_id": "er9oHIsByaLf0EuTh81O",
7. "_score": 1,
8. "_source": {
9. "title": "Harry Potter and the Chamber of Secrets"
10. }
11. },
12. {
13. "_index": "movies",
14. "_id": "e79oHIsByaLf0EuTjc3H",
15. "_score": 1,
16. "_source": {
17. "title": "Harry Potter and the Prisoner of Azkaban"
18. }
19. }
20. ]
21. }
22. }
我们做另外一个查询:
1. GET /movies/_search?filter_path=**.hits
2. {
3. "query": {
4. "prefix": {
5. "title": "Pott"
6. }
7. }
8. }
上述查询返回:
1. {
2. "hits": {
3. "hits": []
4. }
5. }
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:
1. GET /movies/_search?filter_path=**.hits
2. {
3. "query": {
4. "match_phrase_prefix": {
5. "title.analyzed_title": {
6. "query": "pott"
7. }
8. }
9. }
10. }
上述命令返回的结果为:
1. {
2. "hits": {
3. "hits": [
4. {
5. "_index": "movies",
6. "_id": "er9oHIsByaLf0EuTh81O",
7. "_score": 0.18232156,
8. "_source": {
9. "title": "Harry Potter and the Chamber of Secrets"
10. }
11. },
12. {
13. "_index": "movies",
14. "_id": "e79oHIsByaLf0EuTjc3H",
15. "_score": 0.18232156,
16. "_source": {
17. "title": "Harry Potter and the Prisoner of Azkaban"
18. }
19. }
20. ]
21. }
22. }
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。
1. GET /movies/_search
2. {
3. "query": {
4. "match_phrase_prefix": {
5. "title.analyzed_title": {
6. "query": "potter harry"
7. }
8. }
9. }
10. }
上述查询将不会返回任何的结果。而如下的查询:
1. GET /movies/_search?filter_path=**.hits
2. {
3. "query": {
4. "match_bool_prefix": {
5. "title.analyzed_title": {
6. "query": "pott harr"
7. }
8. }
9. }
10. }
将返回如下的结果:
1. {
2. "hits": {
3. "hits": [
4. {
5. "_index": "movies",
6. "_id": "er9oHIsByaLf0EuTh81O",
7. "_score": 1,
8. "_source": {
9. "title": "Harry Potter and the Chamber of Secrets"
10. }
11. },
12. {
13. "_index": "movies",
14. "_id": "e79oHIsByaLf0EuTjc3H",
15. "_score": 1,
16. "_source": {
17. "title": "Harry Potter and the Prisoner of Azkaban"
18. }
19. }
20. ]
21. }
22. }
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”。