elasticsearch - 带有正则表达式的elasticsearch multi_match

Question

我试图重建我的 flex 搜索查询，因为我发现没有收到要查找的所有文档。

因此，假设我有这样的文档:

{
  "id": 1234,
  "mail_id": 5,
  "sender": "john smith",
  "email": "johnsmith@gmail.com",
  "subject": "somesubject",
  "txt": "abcdefgh\r\n",
  "html": "<div dir=\"ltr\">abcdefgh</div>\r\n",
  "date": "2017-07-020 10:00:00"
}

我有几百万个这样的文档，现在我试图通过这样的查询来搜索一些文档:

{
  "sort": [
    {
      "date": {
        "order": "desc"
      }
    }
  ],
  "query": {
    "bool": {
      "minimum_should_match": "100%",
      "should": [
        {
          "multi_match": {
            "type": "cross_fields",
            "query": "abcdefgh johnsmith john smith",
            "operator": "and",
            "fields": [
              "email.full",
              "sender",
              "subject",
              "txt",
              "html"
            ]
          }
        }
      ],
      "must": [
        {
          "ids": {
            "values": [
              "1234"
            ]
          }
        },
        {
          "term": {
            "mail_id": 5
          }
        }
      ]
    }
  }
}

对于这样的查询，一切都很好，但是当我想通过查询“gmail”或“com”查找文档时，它将无法工作。

"query": "abcdefgh johnsmith john smith gmail"
"query": "abcdefgh johnsmith john smith com"

只有当我搜索“gmail.com”时，它才能工作
“query”:“abcdefgh johnsmith john smith gmail.com”

所以...我试图附加分析仪

...
"type": "cross_fields",
"query": "abcdefgh johnsmith john smith",
"operator": "and",
"analyzer": "simple",
...

完全没有帮助。我能够找到此文档的唯一方法是定义正则表达式，例如:

"minimum_should_match": 1,
"should": [
  {
    "multi_match": {
      "type": "cross_fields",
      "query": "fdsfs wukamil kam wuj gmail.com",
      "operator": "and",
      "fields": [
        "email.full",
        "sender",
        "subject",
        "txt",
        "html"
      ]
    }
  },
  {
    "regexp": {
      "email.full": ".*gmail.*"
    }
  }
],

但是在这种方法中，我将不得不向我的json添加(查询*字段)正则表达式对象，因此我认为这不是最好的解决方案。我也知道通配符，但是就像正则表达式一样，它会很混乱。

如果有人遇到这样的问题并知道解决方案，我将非常感谢您的帮助:)

Answer 1

如果通过标准分析器运行搜索词，则可以看到johnsmith@gmail.com标记分解为哪些标记。您可以使用以下URL在浏览器中直接执行此操作:

https://<your_site>:<es_port>/_analyze/?analyzer=standard&text=johnsmith@gmail.com

这将显示电子邮件已分解为以下 token :

{

    "tokens": [
        {
            "token": "johnsmith",
            "start_offset": 0,
            "end_offset": 9,
            "type": "<ALPHANUM>",
            "position": 1
        },
        {
            "token": "gmail.com",
            "start_offset": 10,
            "end_offset": 19,
            "type": "<ALPHANUM>",
            "position": 2
        }
    ]

}

因此，这表明您不仅可以使用 gmail进行搜索，而且可以使用 gmail.com进行搜索。要在点上也拆分文本，您可以更新映射以使用 Simple Analyzer，它说:

The simple analyzer breaks text into terms whenever it encounters a character which is not a letter. All terms are lower cased.

我们可以通过更新URL来使用简单的分析器来显示此作品，如下所示:

https://<your_site>:<es_port>/_analyze/?analyzer=simple&text=johnsmith@gmail.com

哪个返回:

{

    "tokens": [
        {
            "token": "johnsmith",
            "start_offset": 0,
            "end_offset": 9,
            "type": "word",
            "position": 1
        },
        {
            "token": "gmail",
            "start_offset": 10,
            "end_offset": 15,
            "type": "word",
            "position": 2
        },
        {
            "token": "com",
            "start_offset": 16,
            "end_offset": 19,
            "type": "word",
            "position": 3
        }
    ]

}

该分析器可能不适合该工作，因为它会忽略任何非字母值，但是您可以使用分析器和 token 生成器，直到获得所需的内容为止。