探究 | 明明存在，怎么搜索不出来呢？ - 好文

<>1、题记

题出有因：

有位医生朋友在QQ留言，说对于专业词汇，检索不到怎么办？
举例：搜索：痉湿暍病结合了国内的多款分词插件，竟然搜索不到?

<>2、共性认知

<>2.1 为什么需要分词？

wildcard模糊匹配不也可以全字段模糊查询，进而得到结果呢？
但是，当文档结果集非常大，模糊匹配必然会有性能问题。
搜索引擎的为什么能快速检索到自己查询的关键字呢？倒排索引是以O(1)时间复杂度，一招解决问题的关键。
没有词语，怎么建立索引呢？于是，我们需要中文分词！
并且分词发生在用户查询和服务器建立索引时。

<>2.2 查全率 VS 查准率

查全率＝（检索出的相关信息量/系统中的相关信息总量）*100%
查准率＝（检索出的相关信息量/检索出的信息总量）*100%
前者是衡量检索系统和检索者检出相关信息的能力，后者是衡量检索系统和检索者拒绝非相关信息的能力。两者合起来，即表示检索效率。

#3、Elasticsearch 多种检索类型选型指南

<>3.1 match检索

含义：精细化切词匹配，只要待匹配的语句中，有一个满足检索结果，就能匹配到。
场景：结果可能达不到实际开发预期。实际业务中但凡有精准度要求的都较少或几乎不使用。
举例：
PUT doctor_index/_doc/4 { "content":"刘强东方才只是睡觉了,并没有违法" }
我输入检索词

“小王睡觉”

，也能匹配到上面的content。

<>3.2match_phrase:短语匹配

含义：相比match，更强调多个分词结果和顺序，都要完整匹配才能检索到。
场景：实战应用中会较多使用，结合slop调整顺序和精度。

<>3.3 query_string

含义：支持与（AND）、或（OR）、非（NOT）的匹配。
场景：有与或非多值匹配的场景，无需单独再开发，开箱即用。底层的关键词实际走的是match_phrase，
不过多个参数（如：default_operator，phrase_slop等）可控制调整精度。
举例：
GET /_search { "query": { "query_string" : { "default_field" : "content",
"query" : "刘强东 AND 无罪" } } }
<>4、为什么会检索不到？

结合几个典型例子，实践分析一把。

<>4.1 分词原因/词典未收录原因

举例：
PUT doctor_index/_doc/3 { "content":"佟大为老婆生了孩子" } POST doctor_index/_search {
"profile":"true", "query": { "match_phrase": { "content": "佟大" } } }
包含”佟大”，但是短语匹配搜索不到。
原因分析：
来看看切词，
GET /_analyze { "text":"佟大为老婆生了孩子", "analyzer": "ik_max_word" }
token start_offset end_offset position
佟大为 0 3 0
大为 1 3 1
大 1 2 2
为 2 3 3
老婆 3 5 4
老 3 4 5
婆 4 5 6
生了 5 7 7
生 5 6 8
了 6 7 9
孩子 7 9 10
搜索：佟大，如果执意也要搜出结果呢？

token start_offset end_offset position
佟 0 1 0
大 1 2 1
分析可知：佟大两个字组成的连词，没有作为词组分配的，所以匹配不到。

<>4.2 postition位置不一致。

假定我字典里面没有收录“刘强东”这个人名。
举例：
PUT doctor_index/_doc/4 { "content":"刘强东方才只是睡觉了,并没有违法" } POST
doctor_index/_search { "query": { "match_phrase": { "content": "刘强东" } } }
原因分析：

token position
刘强 0
东方 1
方才 2
方 3
才 4
只是 5
睡觉 6
睡 7
觉了 8
觉 9
了 10
并没有 11
并没 12
并 13
没有 14
有 15
违法 16
法 17
而刘强东的分词结果是：

token position
刘强 0
东 1
match_phrase匹配必须：position一致，可以上下对比一下，由于东方组成了短语，导致结果position不一致，匹配结果检索不到。

<>5、如何让存在的字符都能搜索到呢？

<>5.1 关于match_phrase的精确度问题

方案一：match_phrase_prefix结合slop的方案
参见：之前的方案 <https://blog.csdn.net/laoyang360/article/details/79249823>
但是，事后分析发现：slop设置不论多大、多小，都可能会引入噪音数据，导致结果不准确。

方案二：match_phrase结合match should关联匹配。
缺点：依然会引入噪音数据。

<>5.2 参考阿里云的实践思路，采取：逐个字分词和ik分词结合的方式。

单字分词应用场景——对于像姓名类字段，业务上需要支持完整匹配，又需要支持单字查询。可以配置1个keyword字段（不分词）；1个text字段（分词），分词器选择Elasticsearch
默认分词器standard，按单个汉字切分。

<>5.3 实践一把

我们处理问题的前提：提升查全率。
PUT mix_index { "mappings": { "_doc": { "properties": { "content": { "type":
"text", "analyzer": "ik_max_word", "fields": { "standard": { "type": "text",
"analyzer": "standard" }, "keyword": { "type": "keyword", "ignore_above": 256 }
} } } } } } PUT mix_index/_doc/1 { "content":"佟大为老婆生了孩子" } POST
mix_index/_search { "query": { "bool": { "should": [ { "match_phrase": {
"content": "佟大" } }, { "match_phrase": { "content.standard": "佟大" } } ] } } }
<>6、小结

不是放之四海而皆准的实现方式。要看你的系统对查全率和查准率的要求了，正常的业务场景：

* 1）动态更新词库、词典；
* 2）match_phrase结合slop就能解决问题。
所以，一定要结合自己的业务场景。
相信这么处理，开头医生的需求也能实现了。

参考：
https://www.zhihu.com/question/19578687
<https://www.zhihu.com/question/19578687>
https://blog.csdn.net/renenglish/article/details/5847100
<https://blog.csdn.net/renenglish/article/details/5847100>
https://zhidao.baidu.com/question/451424472.html
<https://zhidao.baidu.com/question/451424472.html>
https://elasticsearch.cn/article/6171 <https://elasticsearch.cn/article/6171>
https://blog.csdn.net/haiyan0106/article/details/1758929
<https://blog.csdn.net/haiyan0106/article/details/1758929>

Elasticsearch基础、进阶、实战第一公众号

热门工具换一换