elasticsearch - Elasticsearch-带通配符的query_string

Question

我在 flex 搜索中有一些文本，其中包含各种格式的url(http://www，www。)。我想做的就是搜索所有包含google.com的文本。

对于当前搜索，我使用类似以下查询的内容:

query = { "query": {
                "bool": {
                     "must": [{
                            "range": {
                            "cdate": {
                                "gt": dfrom,
                                "lte": dto }
                            }
                        },
             { "query_string":{
                "default_operator": "AND",
                "default_field": "text",
                "analyze_wildcard":"true",
                "query": searchString } }
            ]
        }
        }}

但是看起来像google.com的查询永远不会返回任何结果，例如搜索“test”一词可以正常工作(不带“”)。我确实想使用query_string，因为我想使用 bool(boolean) 运算符，但我确实需要不仅可以搜索整个单词的子字符串。

谢谢 !

Answer 1

的确，标准分析器将http://www.google.com标记为http和www.google.com，因此找不到google.com。

因此，仅标准分析器将无济于事，我们需要一个 token 过滤器来正确转换URL token 。如果您的text字段仅包含URL的另一种方式是使用UAX Email URL tokenizer，但是由于该字段可以包含任何其他文本(即用户注释)，因此将无法使用。

幸运的是，周围有一个名为analysis-url的新插件，它提供了URL token 过滤器，而这正是我们所需要的(我恳求了small modification之后，谢谢@jlinn ;-))

首先，您需要安装插件:

bin/plugin install https://github.com/jlinn/elasticsearch-analysis-url/releases/download/v2.2.0/elasticsearch-analysis-url-2.2.0.zip

然后，我们可以开始播放了。我们需要为您的 text字段创建适当的分析器:

curl -XPUT localhost:9200/test -d '{
  "settings": {
    "analysis": {
      "filter": {
        "url_host": {
          "type": "url",
          "part": "host",
          "url_decode": true,
          "passthrough": true
        }
      },
      "analyzer": {
        "url_host": {
          "filter": [
            "url_host"
          ],
          "tokenizer": "whitespace"
        }
      }
    }
  },
  "mappings": {
    "url": {
      "properties": {
        "text": {
          "type": "string",
          "analyzer": "url_host"
        }
      }
    }
  }
}'

使用此分析器和映射，我们可以正确索引您要搜索的主机。例如，让我们使用新的分析器分析字符串 blabla bla http://www.google.com blabla。

curl -XGET 'localhost:9200/urls/_analyze?analyzer=url_host&pretty' -d 'blabla bla http://www.google.com blabla'

我们将获得以下 token :

{
  "tokens" : [ {
    "token" : "blabla",
    "start_offset" : 0,
    "end_offset" : 0,
    "type" : "word",
    "position" : 0
  }, {
    "token" : "bla",
    "start_offset" : 0,
    "end_offset" : 0,
    "type" : "word",
    "position" : 1
  }, {
    "token" : "www.google.com",
    "start_offset" : 0,
    "end_offset" : 0,
    "type" : "word",
    "position" : 2
  }, {
    "token" : "google.com",
    "start_offset" : 0,
    "end_offset" : 0,
    "type" : "word",
    "position" : 3
  }, {
    "token" : "com",
    "start_offset" : 0,
    "end_offset" : 0,
    "type" : "word",
    "position" : 4
  }, {
    "token" : "blabla",
    "start_offset" : 0,
    "end_offset" : 0,
    "type" : "word",
    "position" : 5
  } ]
}

如您所见， http://www.google.com部分将被标记为:

www.google.com

google.com，即您期望的

com

因此，现在，如果您的 searchString是 google.com，您将能够找到所有包含 text(或 google.com)的 www.google.com字段的文档。