python - 使用 Regexp 过滤器的 Elasticsearch Bool 查询

Question

我一直在尝试找出在 Elasticsearch 5.4 查询中使用实际正则表达式模式的最佳方式。在搜索标准分析器并对每个字符串字段进行标记后，我开始使用放置在我的映射中的未分析字段(标准 .raw 属性)。我尝试了同一查询的两种变体，均未成功。

查询字符串过滤器:

GET /test-*/_search
{
"query": {
  "bool": {
    "must": [
      {
          "query_string":{
            "query": "URL.raw:/^(http|https)\\:\/\/.+(wp-content|wp-admin)/"
          }  
      }
    ]
  }
},
"sort": {
  "@timestamp": {
    "order": "desc"
  }
 }
}

正则表达式过滤器:

GET /test-*/_search
{
 "query": {
  "bool": {
    "must": [
      {
        "regexp": {
          "URL.raw":{
            "value": "/^(http|https)\\:\/\/.+(wp-content|wp-admin)/"
          }
        }
      }
    ]
  }
 },
 "sort": {
  "@timestamp": {
    "order": "desc"
  }
 }
}

两者似乎都没有产生任何结果或解析异常

{
  "error": {
    "root_cause": [
      {
        "type": "parse_exception",
        "reason": "parse_exception: Encountered \" \"^\" \"^ \"\" at line 1, column 8.\nWas expecting one of:\n    <BAREOPER> ...\n    \"(\" ...\n    \"*\" ...\n    <QUOTED> ...\n    <TERM> ...\n    <PREFIXTERM> ...\n    <WILDTERM> ...\n    <REGEXPTERM> ...\n    \"[\" ...\n    \"{\" ...\n    <NUMBER> ...\n    "
      },

lucene 是否需要特殊的转义字符或列入黑名单的字符？任何帮助或指示将不胜感激。谢谢!

Answer 1

Lucene 正则表达式默认锚定，^/$ 在那里并不特殊。

您不需要 / 正则表达式分隔符，因此您不需要转义 /。

使用以下模式:

"value": "https?://.*wp-(content|admin).*"

请注意，我对组做了一些修改，使模式更加线性和高效。

详细信息:

• https?:// - 字符串以 https:// 或 http://
开头
• .* - 然后有任何 0+ 个字符
• wp- - wp- 子串
• (content|admin) - content 或 admin 子字符串
• .* - 然后有任何 0+ 个字符。