elasticsearch - 进行映射后获得精确匹配 not_analyzed

Question

我映射的elasticsearch类型如下，

mappings": {
 "jardata": {
   "properties": {
     "groupID": {
      "index": "not_analyzed",
      "type": "string"
      },
     "artifactID": {
     "index": "not_analyzed",
     "type": "string"
      },
      "directory": {
      "type": "string"
      },
      "jarFileName": {
      "index": "not_analyzed",
      "type": "string"
      },
      "version": {
      "index": "not_analyzed",
      "type": "string"
      }
    }
  }
}

我正在使用分析的目录索引，因为我只想给出最后一个文件夹并获取结果，但是当我想搜索特定目录时，我需要给出整个路径，因为两个路径中可以有相同的文件夹。这里的问题是，因为它被分析，所以它会分析所有数据，而不是我想要的特定数据。

这里的问题是我想像已分析和未分析一样行事。有办法吗？

Answer 1

假设您对以下文档建立了索引:

{
    "directory": "/home/docs/public"
}

标准分析器对于您的情况来说是不够的，因为它会在索引时创建以下术语:

[home, docs, public]

请注意，它缺少 [/home/docs/public] 标记 - 像“/”等字符在这里充当分隔符。

一种解决方案可能是使用 NGram具有 token_chars 列表中的 punctuation 字符类的分词器。 Elasticsearch 会将“/”视为字母或数字。这将允许使用以下标记进行搜索:

[/hom, /home, ..., /home/docs/publi, /home/docs/public, ..., /docs/public, etc...]

索引映射:

{
    "settings": {
        "analysis": {
          "analyzer": {
            "ngram_analyzer": {
              "tokenizer": "my_tokenizer"
            }
          },
          "tokenizer": {
            "my_tokenizer": {
              "type": "ngram",
              "min_gram": 4,
              "max_gram": 18,
              "token_chars": [
                "letter",
                "digit",
                "punctuation"
              ]
            }
          }
        }
      },
    "mappings": {
     "jardata": {
       "properties": {
          "directory": {
          "type": "string",
          "analyzer": "ngram_analyzer"
          }
        }
      }
    }
}

现在两个搜索查询:

{
    "query": {
      "bool" : {
        "must" : {
          "term" : {
             "directory": "/docs/private"
           }
        }
      }
    }
}

和

{
    "query": {
      "bool" : {
        "must" : {
          "term" : {
             "directory": "/home/docs/private"
           }
        }
      }
    }
}

将在结果中给出索引文档。

您必须考虑的一件事是在“max_gram”设置中指定的 token 的最大长度。如果是目录路径，则可能需要更长的时间。

替代解决方案是使用 Whitespace tokenizer ，仅在空格上将短语分解为术语，并且 NGram filter具有以下映射:

{
    "settings": {
        "analysis": {
            "filter": {
                "ngram_filter": { 
                    "type": "ngram",
                    "min_gram": 4,
                    "max_gram": 20
                }
            },
            "analyzer": {
                "my_analyzer": {
                    "type":      "custom",
                    "tokenizer": "whitespace",
                    "filter": [
                        "lowercase",
                        "ngram_filter" 
                    ]
                }
            }
        }
    },
  "mappings": {
   "jardata": {
     "properties": {
        "directory": {
        "type": "string",
        "analyzer": "my_analyzer"
        }
      }
    }
  }
}