regex - Elasticsearch:使用正则表达式以特定顺序匹配模式

Question

我想知道是否有可能在Elasticsearch中使用regexp来按特定顺序匹配具有不同字符串的模式。
例如，对于字符串:still_adv be_aux pick_verb up_adp the_det bus_noun，我想将单词的组合与标签ADV + AUX + VERB匹配，因此此处将为still_adv be_aux pick_verb。
我将使用此正则表达式:

{
   "query_string": 
    {
     "fields": ["sentences_features.tagger.annotation],
     "query": "*(.*_adv) (be_aux) (.*_verb)*"
    }
}

但是，此正则表达式无法正常工作，并且分别匹配每个单词。

Answer 1

您可以将整个组括在括号中:

*((.*_adv) (be_aux) (.*_verb))*

但是，为了将来引用，最好将这些注释标记拆分为更易于搜索的键值对，例如:

[ {word_type: 'adv', text: 'still', position: 0 }, {...}, ... ]

开始时需要做更多的工作，但稍后会派上用场。

编辑
用 keyword字段映射设置索引后

PUT myind
{
  "mappings": {
    "properties": {
      "annot": {
        "type": "text",
        "fields": {
          "keyword": {
            "type": "keyword"
          }
        }
      }
    }
  }
}

并同步一些文档

// valid
POST myind/_doc
{
  "annot": "and_CCONJ other_ADJ driver_NOUN_b1 professional_ADJ"
}

// valid
POST myind/_doc
{
  "annot": "xyz other_ADJ driver_NOUN_b1 xyz"
}

// invalid
POST myind/_doc
{
  "annot": "and_CCONJ other_ADJ professional_ADJ driver_NOUN_b1"
}

我们可以像这样在 regexp上使用 .keyword查询:

GET myind/_search
{
  "query": {
    "regexp": {
      "annot.keyword": "(.* )?other_ADJ [a-zA-Z*]*_NOUN_b1( .*)?"
    }
  }
}

如果您不在乎这两个 token 之间是什么，可以使用

(.* )?other_ADJ( .*)?[a-zA-Z*]*_NOUN_b1( .*)?

对于HTML标签剥离，请检查 this answer。