【线上踩坑分享】ES term query的坑，你踩过吗？

问题现象

由于对Elasticsearch term query的不了解，导致线上条件过滤出现问题，下面举个例子进行说明：

建立一个索引，其中name是keyword类型，full_name是text类型。

PUT /test-index
{
  "mappings": {
    "_doc": {
      "properties": {
        "name": {
          "type": "keyword"
        },
        "full_name": {
          "type": "text"
        }
      }
    }
  }
}

插入一条数据

PUT /test-index/_doc/1
{
  "name":"zhang",
  "full_name":"zhang san"
}

查询name字段

GET /test-index/_search
{
  "query": {
    "term": {
      "name": "zhang"
    }
  }
}

查询结果如下图所示：

改为查询full_name字段

GET /test-index/_search
{
  "query": {
    "term": {
      "full_name": "zhang san"
    }
  }
}

没有查到任何结果

但是如果只查询zhang或者san，就可以查询到结果。

GET /test-index/_search
{
  "query": {
    "term": {
      "full_name": "zhang"
    }
  }
}

问题分析

通过查询官方文档发现，关于term query的使用官方给出了如下3项使用说明：

1. 避免对text属性的字段使用term query查询。

2. Elasticsearch会因为分词器的原因改变字段的值，所以如果想要精确匹配text类型的字段将会很难。

3. 如果查询text类型的字段，建议使用match query。

   

所以，前面的问题很明显和分词有关。

通过如下验证可以发现在标准分词器下，zhang san会被分成zhang和san，所以使用term query查询时，如果直接查询zhang san是查询不到结果的。

POST _analyze
{
  "analyzer": "standard",
  "text": "zhang san"
}

解决方式

使用match query

按照官方建议，直接使用match query

GET /test-index/_search
{
  "query": {
    "match": {
      "full_name": "zhang san"
    }
  }
}

term query与match query对比

term query：会直接按照查询内容进行精确匹配，如果分词表中能查到对应的结果则返回。 match query：会对查询的内容先进行分词，然后按照分词的结果与分词表进行匹配，只要有一个匹配到就算匹配成功。 可以这样理解，以分词为查询单位来看，term是精确匹配，而match是模糊匹配。

延伸扩展

关于分词器，我们可以再聊聊，Elasticsearch实际上有多种分词器，同时也支持自定义分词器，所以实际上在不同的分词器下，zhang san可能有不同的拆分方法，就像前面说的，分词的规则如果你掌握不好，就会导致查询的结果和你设想中的结果不匹配，接下来一些案例就让我们来看看默认的分词器standard analyzer会有哪些意想不到的场景！

1. 删除大多数标点符号

POST _analyze
{
  "analyzer": "standard",
  "text": "hello! zhang san"
}

对比whitespace分词器则可以识别出标点符号

POST _analyze
{
  "analyzer": "whitespace",
  "text": "hello! zhang san"
}

可以看到hello！并没有被拆分开。

2. 英文大写转小写

这是一个很容易掉坑的地方。

POST _analyze
{
  "analyzer": "standard",
  "text": "Hello Zhang San"
}

经过standard分词器后，大写的英文字母都被转换成了小写，所以，此时如果你还是按照Hello来查询的话，是不会查询到结果的，这点要特别注意。

3. 超过max_token_length部分单独拆分

max_token_length：最大令牌长度。如果超过此长度，则会被拆分开。默认值为 ：255

下面我们自定义一个分词器，并设置max_token_length长度为5。

PUT test-analyzer
{
  "settings": {
    "analysis": {
      "analyzer": {
        "my_analyzer": {
          "tokenizer": "my_tokenizer"
        }
      },
      "tokenizer": {
        "my_tokenizer": {
          "type": "standard",
          "max_token_length": 5
        }
      }
    }
  }
}

看一下分词效果

POST test-analyzer/_analyze
{
  "analyzer": "my_analyzer",
  "text": "Hello, Elasticsearch"
}

可以看到，拆分后的每一项长度最多不会超过5。