Elasticsearch实现类似百度的搜索引擎搜索功能（下拉自动补全）

分手后的思念是犯贱 2022-05-24 07:23 320阅读 0赞

## 业务需求（使用背景）： ##

1.  实现搜索引擎前缀搜索功能(中文,拼音前缀查询及简拼前缀查询功能)
2.  实现摘要全文检索功能，及标题加权处理功能(按照标题权值高内容权值相对低的权值分配规则，按照索引的相关性进行排序，列出前20条相关性最高的文章)

## 一、搜索引擎前缀搜索功能： ##

中文搜索：  
1、搜索“刘”，匹配到“刘德华”、“刘斌”、“刘德志”  
2、搜索“刘德”，匹配到“刘德华”、“刘德志”  
小结：搜索的文字需要匹配到集合中所有名字的子集。  
全拼搜索：  
1、搜索“li”，匹配到“刘德华”、“刘斌”、“刘德志”  
2、搜索“liud”，匹配到“刘德华”、“刘德”  
3、搜索“liudeh”，匹配到“刘德华”  
小结：搜索的文字转换成拼音后，需要匹配到集合中所有名字转成拼音后的子集

简拼搜索：  
1、搜索“w”，匹配到“我是中国人”，“我爱我的祖国”  
2、搜索“wszg”，匹配到“我是中国人”  
小结：搜索的文字取拼音首字母进行组合，需要匹配到组合字符串中前缀匹配的子集

### 解决方案： ###

方案一：将“like”搜索的字段的中、英简拼、英全拼 分别用索引的三个字段来进行存储并且不进行分词，最简单直接(倒排索引存储它们本身数据)，检索索引数据的时候进行 通配符查询（like查询），从这三个字段中分别进行搜索，查询匹配的记录然后返回。（优势：存储格式简单，倒排索引存储的数据量最少。缺点：like索引数据的时候开销比较大 prefix 查询比 term 查询开销大得多）

方案二：将中、中简拼、中全拼 用一个字段衍生出三个字段(multi-field)来存储三种数据，并且分词器filter采用edge\_ngram类型对分词的数据进行，然后处理存储到倒排索引中,当检索索引数据时，检索所有字段的数据。（优势：格式紧凑，检索索引数据的时候采用term 全匹配规则，也无需对入参进行分词，查询效率高。缺点：采用以空间换时间的策略，但是对索引来说可以接受。采用衍生字段来存储，增加了存储及检索的复杂度，对于三个字段搜索会将相关度相加，容易混淆查询相关度结果）

方案三：将索引数据存储在一个不需分词的字段中(keyword), 生成倒排索引时进行三种类型倒排索引的生成，倒排索引生成的时候采用edge\_ngram 对倒排进一步拆分，以满足业务场景需求，检索时不对入参进行分词。（优势：索引数据存储简单，，检索索引数据的时只需对一个字段 采用term 全匹配查询规则，查询效率极高。缺点：采用以空间换时间的策略——比方案二要少，对索引数据来说可以接受。）

> ES 针对这一业务场景解决方案还有很多种，先列出比较典型的这三种方案，选择方案三来进行处理。

### 准备工作： ###

*  pinyin分词插件安装及参数解读
 *  ElasticSearch edge\_ngram 使用
 *  ElasticSearch multi-field 使用
 *  ElasticSearch 多种查询特性熟悉

### 代码： ###

baidu\_settings.json:

{
      "refresh_interval":"3s",
      "number_of_replicas":1,
      "number_of_shards":5,
      "analysis":{
        "filter":{
          "autocomplete_filter":{
            "type":"edge_ngram",
            "min_gram":1,
            "max_gram":15
          },
          "pinyin_first_letter_and_full_pinyin_filter" : {
            "type" : "pinyin",
            "keep_first_letter" : true,
            "keep_full_pinyin" : false,
            "keep_joined_full_pinyin": true,
            "keep_none_chinese" : false,
            "keep_original" : false,
            "limit_first_letter_length" : 16,
            "lowercase" : true,
            "trim_whitespace" : true,
            "keep_none_chinese_in_first_letter" : true
          },
          "full_pinyin_filter" : {
            "type" : "pinyin",
            "keep_first_letter" : true,
            "keep_full_pinyin" : false,
            "keep_joined_full_pinyin": true,
            "keep_none_chinese" : false,
            "keep_original" : true,
            "limit_first_letter_length" : 16,
            "lowercase" : true,
            "trim_whitespace" : true,
            "keep_none_chinese_in_first_letter" : true
          }
        },
        "analyzer":{
          "full_prefix_analyzer":{
            "type":"custom",
            "char_filter": [
              "html_strip"
            ],
            "tokenizer":"keyword",
            "filter":[
              "lowercase",
              "full_pinyin_filter",
              "autocomplete_filter"
            ]
          },
          "chinese_analyzer":{
            "type":"custom",
            "char_filter": [
              "html_strip"
            ],
            "tokenizer":"keyword",
            "filter":[
              "lowercase",
              "autocomplete_filter"
            ]
          },
          "pinyin_analyzer":{
            "type":"custom",
            "char_filter": [
              "html_strip"
            ],
            "tokenizer":"keyword",
            "filter":[
              "pinyin_first_letter_and_full_pinyin_filter",
              "autocomplete_filter"
            ]
          }
        }
      }
    }

baidu\_mapping.json

{
      "baidu_type": {
        "properties": {
          "full_name": {
            "type":  "text",
            "analyzer": "full_prefix_analyzer"
          },
          "age": {
            "type":  "integer"
          }
        }
      }
    }