使用 Elasticsearch 的 NGram 分词器处理模糊匹配
接到一个任务:用 Elasticsearch 实现搜索银行支行名称的功能。大概就是用户输入一截支行名称或拼音首字母,返回相应的支行名称。比如,用户输入”工行”或者”gh”,我需要返回”工行XXX分行”类似这样的结果。
我心里嘀咕着:数据库不是支持通配符查询吗?为什么不直接用数据库查询?
说归说,但是任务还是要完成的。之前有在网上看过一篇文章,主要就是说用 Elasticsearch 处理通配符查询不太适合,然后我在评论中看到作者推荐了一个分词器 NGram。
这个分词器可以让通配符查询和普通的查询一样迅速,因为该分词器在数据索引阶段就把所有工作做完了:
1 | An n-gram can be best thought of as a moving window on a word. The n stands for a length. If we were to n-gram the word quick, the results would depend on the length we have chosen: |
若要使用 NGram 分词器作为某个字段的分词器,可在索引创建时指定,也可以更新映射关系,以下展示如何在索引创建时指定 NGram 分词器。
1 | { |
当某个字段的 analyzer 被指定为 ngram_analyzer,这个字段的查询就都会变成通配符查询,无论是 term 还是 match。
比如,
1 | POST /index/type |
会得到”中国工商银行XXX分行”。
比如,
1 | POST /index/type |
会得到”中国工商银行XXX分行”、”工行XXX分行”、”中国招商银行XXX分行”。
match 查询会对关键词进行分词,而 Lucene 的默认中文分词就是把每个中文字拆开,这样会变成对”工”、”商”两个字做通配符查询。