明明存在，怎么搜索不出来呢？

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：

1PUT doctor_index/_doc/4 2{ 3  "content":"刘强东方才只是睡觉了,并没有违法" 4}

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

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：

1GET /_search 2{ 3    "query": { 4        "query_string" : { 5            "default_field" : "content", 6            "query" : "刘强东 AND 无罪" 7        } 8    } 9}

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：

 1PUT doctor_index/_doc/3  2{  3  "content":"佟大为老婆生了孩子"  4}  5POST doctor_index/_search  6{  7"profile":"true",   8  "query": {  9    "match_phrase": { 10      "content": "佟大" 11    } 12  } 13}

包含”佟大”，但是短语匹配搜索不到。
原因分析：
来看看切词，

1GET /_analyze 2{ 3  "text":"佟大为老婆生了孩子", 4  "analyzer": "ik_max_word" 5}

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：

 1PUT doctor_index/_doc/4  2{  3  "content":"刘强东方才只是睡觉了,并没有违法"  4}  5POST doctor_index/_search  6{  7  "query": {  8    "match_phrase": {  9      "content": "刘强东" 10    } 11  } 12}

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

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。

 1PUT mx_index  2{  3  "mappings": {  4    "_doc": {  5      "properties": {  6        "content": {  7          "type": "text",  8          "analyzer": "ik_max_word",  9          "fields": { 10            "standard": { 11              "type": "text", 12              "analyzer": "standard" 13            }, 14            "keyword": { 15              "type": "keyword", 16              "ignore_above": 256 17            } 18          } 19        } 20      } 21    } 22  } 23} 24 25PUT mx_index/_doc/1 26{ 27  "content":"佟大为老婆生了孩子" 28} 29 30POST mx_index/_search 31{ 32  "query": { 33    "bool": { 34      "should": [ 35        { 36          "match_phrase": { 37            "content": "佟大" 38          } 39        }, 40        { 41          "match_phrase": { 42            "content.standard": "佟大" 43          } 44        } 45      ] 46    } 47  } 48}

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。

加入知识星球，更短时间更快习得更多干货！