Elasticsearch【正则搜索】分析实践

Elasticsearch【正则搜索】分析实践

Elasticsearch【正则搜索】分析&实践

Regexp Query

regexp允许使用正则表达式进行term查询.注意regexp如果使用不正确，会给服务器带来很严重的性能压力。比如.*开头的查询，将会匹配所有的倒排索引中的关键字，这几乎相当于全表扫描，会很慢。因此如果可以的话，最好在使用正则前，加上匹配的前缀。在正则中如果使用.*?或者+都会降低查询的性能。

注意：是term查询,也就是说这个查询不能跨term。

举个简单的例子:

GET /_search
{"query": {"regexp":{"name.first": "s.*y"}}
}

正则支持的一些标准的用法：

搜索关键词的一部分

如果给定的term是abcde

ab.* 可以匹配
abcd 不可以匹配

也支持使用^或者$来指定开头或者结尾。

允许特殊字符

一些特殊字符是需要转义的，比如:

. ? + * | { } [ ] ( ) " \ 

如果想要搜索某个固定的词，也可以加上双引号。

匹配任何字符

.可以匹配任意字符，比如

ab... 
a.c.e

这几个都可以匹配abcde

匹配一个或者多个

使用+表示匹配一个或者多个字符

a+b+        # match
aa+bb+      # match
a+.+        # match
aa+bbb+     # match

上面这些都可以匹配aaabbb

匹配零个或者多个

a*b*        # match
a*b*c*      # match
.*bbb.*     # match
aaa*bbb*    # match

上面这些都可以匹配aaabbb

匹配另个或者一个

aaa?bbb?    # match
aaaa?bbbb?  # match
.....?.?    # match
aa?bb?      # no match

上面这些都可以匹配aaabbb

支持匹配次数

使用{}支持匹配指定的最小值和最大值区间

     # repeat exactly 5 times# repeat at least twice and at most 5 times# repeat at least twice

比如对于字符串:

a{3}b{3}        # match
a{2,4}b{2,4}    # match
a{2,}b{2,}      # match
.{3}.{3}        # match
a{4}b{4}        # no match
a{4,6}b{4,6}    # no match
a{4,}b{4,}      # no match

捕获组

对于字符串ababab

(ab)+       
ab(ab)+     
(..)+       
(...)+      
(ab)*       
abab(ab)?   
ab(ab)?     
(ab){3}     
(ab){1,2}   

选择运算符

支持或操作的匹配，注意这里默认都是最长匹配的。

aabb|bbaa   # match
aacc|bb     # no match
aa(cc|bb)   # match
a+|b+       # no match
a+b+|b+a+   # match
a+(b|c)+    # match

字符匹配

支持在[]中进行字符匹配，^代表非的意思

[abc]   # 'a' or 'b' or 'c'
[a-c]   # 'a' or 'b' or 'c'
[-abc]  # '-' or 'a' or 'b' or 'c'
[abc\-] # '-' or 'a' or 'b' or 'c'
[^abc]  # any character except 'a' or 'b' or 'c'
[^a-c]  # any character except 'a' or 'b' or 'c'
[^-abc]  # any character except '-' or 'a' or 'b' or 'c'
[^abc\-] # any character except '-' or 'a' or 'b' or 'c'

其中-代表的范围匹配。

可选的匹配符

在正则表达式中也支持一些特殊的操作符，可以使用flags字段控制是否开启。

Complement

这个表示正则表示匹配一段字符串，比如ab~cd意思是：a开头，后面是b，然后是一堆非c的字符串，最后以d结尾。比如字符串abcdef

ab~df     
ab~cf     
ab~cdef   
a~(cb)def 
a~(bc)def 

Interval

interval选项支持数值的范围，比如字符串foo80:

foo<1-100>     # match
foo<01-100>    # match
foo<001-100>   # no match

Intersection

使用&可以实现多个匹配的连接,比如字符串aaabbb：

aaa.+&.+bbb     # match
aaa&bbb         # no match

Any

使用@，可以匹配任意的字符串

实践

首先创建索引：
PUT test然后创建映射：
PUT test/_mapping/test
{"properties": {"a": {"type": "string","index":"not_analyzed" },"b":{"type":"string"}}
}添加一条数据：
PUT test/test/1
{"a":"a,b,c","b":"a,b,c"
}

先来分析一下，a,b,c被默认分析成了什么？

POST test/_analyze
{: ,: 
}返回内容：{: [{: ,: 0,: 1,: ,: 0},{: ,: 2,: 3,: ,: 1},{: ,: 4,: 5,: ,: 2}]
}

然后查询一下：

POST /test/test/_search?pretty
{:{:{: }}
}返回{: 2,: false,: {: 5,: 5,: 0},: {: 1,: 1,: [{: ,: ,: ,: 1,: {: ,: }}]}
}

再换成b字段试试：

POST /test/test/_search?pretty
{"query":{"regexp":{"b": "a.*b.*"}}
}返回{"took": 1,"timed_out": false,"_shards": {"total": 5,"successful": 5,"failed": 0},"hits": {"total": 0,"max_score": null,"hits": []}
}

这是为什么呢？

因为整个regexp查询是应用到一个词上的，针对某个词，搜索a.*b.*，a字段由于不分词，它的词是整个的a.b.c；b字段经过分词，他的词是a和b和c三个独立的词，因此针对a字段的正则搜索可以查询到结果；但是针对b字段却搜索不到。

归纳起来，还是需要好好理解分词在搜索引擎中的作用才行。