elasticsearch - 定制分析器，用例:邮政编码[ElasticSearch]

Question

将其设置为名为customers / customer的索引/类型。
此集合的每个文档都有一个邮政编码属性。
邮政编码基本上可以像这样:

字符串-字符串(例如:8907-1009)

字符串字符串(例如:211-20)

字符串(例如:30200)

我想将索引分析器设置为获取尽可能多的匹配文档。目前，我这样工作:

PUT /customers/
{
"mappings":{
    "customer":{
        "properties":{
             "zip-code": {
                  "type":"string"
                  "index":"not_analyzed"
              }
              some string properties ...
         }
     }
 }

当我搜索文档时，我正在使用该请求:

GET /customers/customer/_search
{
  "query":{
    "prefix":{
      "zip-code":"211-20"
     }
   }
}

如果您想进行严格的搜索，那就行得通。但是例如，如果邮政编码为“200 30”，则使用“200-30”进行搜索将不会给出任何结果。
我想给我的索引分析器下订单，以解决这个问题。
有人能帮我吗 ？
谢谢。

附言如果您需要更多信息，请让我知道;)

Answer 1

一旦您要查找变体，就不想使用not_analyzed。

让我们尝试使用其他映射:

PUT zip
{
  "settings": {
    "number_of_shards": 1, 
    "analysis": {
      "analyzer": {
        "zip_code": {
          "tokenizer": "standard",
          "filter": [ ]
        }
      }
    }
  },
  "mappings": {
    "_doc": {
      "properties": {
        "zip": {
          "type": "text",
          "analyzer": "zip_code"
        }
      }
    }
  }
}

我们正在使用标准的分词器；字符串将在空白处和标点符号(包括破折号)处分解为标记。如果运行以下查询，则可以看到实际的 token :

POST zip/_analyze
{
  "analyzer": "zip_code",
  "text": ["8907-1009", "211-20", "30200"]
}

添加您的示例:

POST zip/_doc
{
  "zip": "8907-1009"
}
POST zip/_doc
{
  "zip": "211-20"
}
POST zip/_doc
{
  "zip": "30200"
}

现在查询似乎可以正常工作:

GET zip/_search
{
  "query": {
    "match": {
      "zip": "211-20"
    }
  }
}

如果您仅搜索“211”，这也将起作用。但是，这可能太宽容了，因为它还会找到“20”，“20-211”，“211-10”，...

您可能想要的是短语搜索，其中查询中的所有标记都必须位于字段中，并且顺序正确:

GET zip/_search
{
  "query": {
    "match_phrase": {
      "zip": "211"
    }
  }
}

添加:

如果邮政编码具有层次结构含义(如果您具有“211-20”，则希望在搜索“211”时找到它，但在搜索“20”时找不到)，则可以使用 path_hierarchy tokenizer。

因此，将映射更改为此:

PUT zip
{
  "settings": {
    "number_of_shards": 1, 
    "analysis": {
      "analyzer": {
        "zip_code": {
          "tokenizer": "zip_tokenizer",
          "filter": [ ]
        }
      },
      "tokenizer": {
        "zip_tokenizer": {
          "type": "path_hierarchy",
          "delimiter": "-"
        }
      }
    }
  },
  "mappings": {
    "_doc": {
      "properties": {
        "zip": {
          "type": "text",
          "analyzer": "zip_code"
        }
      }
    }
  }
}

使用上面相同的3个文档，您现在可以使用 match查询:

GET zip/_search
{
  "query": {
    "match": {
      "zip": "1009"
    }
  }
}

“1009”什么都找不到，但是“8907”或“8907-1009”会找到。

如果您还想找到“1009”，但得分较低，则必须分析我显示的两种变体的邮政编码(结合映射的2个版本):

PUT zip
{
  "settings": {
    "number_of_shards": 1, 
    "analysis": {
      "analyzer": {
        "zip_hierarchical": {
          "tokenizer": "zip_tokenizer",
          "filter": [ ]
        },
          "zip_standard": {
          "tokenizer": "standard",
          "filter": [ ]
        }
      },
      "tokenizer": {
        "zip_tokenizer": {
          "type": "path_hierarchy",
          "delimiter": "-"
        }
      }
    }
  },
  "mappings": {
    "_doc": {
      "properties": {
        "zip": {
          "type": "text",
          "analyzer": "zip_standard",
          "fields": {
            "hierarchical": {
              "type": "text",
              "analyzer": "zip_hierarchical"
            }
          }
        }
      }
    }
  }
}

以相反的顺序添加文档以正确测试它:

POST zip/_doc
{
  "zip": "1009-111"
}

然后搜索两个字段，但使用分层标记器将其增加3:

GET zip/_search
{
  "query": {
    "multi_match" : {
      "query" : "1009",
      "fields" : [ "zip", "zip.hierarchical^3" ] 
    }
  }
}

然后您可以看到“1009-111”的得分比“8907-1009”的得分高得多。