elasticsearch - ElasticSearch 中字符串数组与串联字符串的内部结构

Question

我试图更好地理解 ElasticSearch 的内部结构，所以我想知道 ElasticSearch 在内部计算以下两种情况的术语统计信息的方式是否存在任何差异。

第一种情况是当我有这样的文件时:

{
  "foo": [
    {
      "bar": "long string"
    },
    {
      "bar": "another long string"
    }
  ]
}

或者像这样的文档:

{
  "foobar": "long string another long string"
}

我的理解是第一个文档被扁平化为:

{
  "foo.bar": ["long string", "another long string"]
}

所以看起来问题真的是，第二个和第三个文档索引相同吗？术语统计计算是否相同？

Answer 1

有趣的问题!如果您索引第一个和第二个文档，然后查看 term vectors对于 foo.bar 字段，您会注意到频率和偏移量完全相同，但是位置不同。

原因与 position_increment_gap 有关。设置，其默认值为 100。引入此假间隙的原因是为了防止短语查询跨值匹配。

所以在第一个文档中，foo.bar 字段有多个值，正如您正确注意到的那样，这就是为什么术语位置与只有一个字符串的第二个文档不同的原因。

["long string", "another long string"]

这意味着如果您尝试使用 match_phrase 查询来匹配 string another，那么它不会匹配第一个文档，只会匹配第二个文档。

您仍然可以决定在第一个文档的映射中更改 position_increment_gap 的值并将其设置为 0，在这种情况下，两个文档的索引方式将完全相同。