在Elasticsearch中查询Term|在Elasticsearch中查询Term Vectors词条向量信息在Elasticsearch中查询TermVectors词

在Elasticsearch中查询Term Vectors词条向量信息

这篇文章有点深度，可能需要一些Lucene或者全文检索的背景。由于我也很久没有看过Lucene了，有些地方理解的不对还请多多指正。
更多内容还请参考整理的ELK教程

关于Term Vectors 【在Elasticsearch中查询Term|在Elasticsearch中查询Term Vectors词条向量信息】额，对于这个专业词汇，暂且就叫做词条向量吧，因为实在想不出什么标准的翻译。说的土一点，也可以理解为关于词的一些统计信息。再说的通俗点，如果想进行全文检索，即从一个词搜索与它相关的文档，总得有个什么记录的信息吧！这就是Term Vectors。
为了不干扰正常的理解，后续就都直接称呼英文的名字吧！免得误导...
先不看这篇文章，如果想要记录全文检索的信息，大家设想一下我们都需要什么内容，就拿"hello world! hello everybody!"来举例。

首先就是这句话都有什么词，"hello","world","everybody"
然后是这些词关联的文档，因为有可能不止上面这一句话。
最后就是词在文档中的位置，比如hello，出现了两次，就需要记录两份位置信息。

关于TermVector在Lucene中的概念，可以参考网络中的一篇文章
使用_termvectors查询词条向量在Elasticsearch中可以使用_termvectors查询一个文档中词条相关的信息。这个文档可能是es中存储的，也可能是用户直接在请求体中自定义的。这个方法默认是一个实时的统计信息。
常见的语法如：

curl -XGET 'http://localhost:9200/twitter/tweet/1/_termvectors?pretty=true'

也可以指定某个字段，返回这个字段的信息：

curl -XGET 'http://localhost:9200/twitter/tweet/1/_termvectors?fields=text,...'

注意，在Elasticsearch中2.0之前都是使用_termvector，之后都是使用的_termvectors。
返回的信息使用上面的请求，会返回词条相关的信息：

词条的信息，比如position位置、start_offset开始的偏移值、end_offset结束的偏移值、词条的payLoads（这个主要用于自定义字段的权重）
词条统计，doc_freq、ttf该词出现的次数、term_freq词的频率
字段统计，包含sum_doc_freq该字段中词的数量(去掉重复的数目)、sum_ttf文档中词的数量（包含重复的数目）、doc_count涉及的文档数等等。

默认会返回词条的信息和统计，而不会返回字段的统计。
另外，默认这些统计信息是基于分片的，可以设置dfs为true,返回全部分片的信息，但是会有一定的性能问题，所以不推荐使用。还可以使用field字段对返回的统计信息的字段进行过滤，只返回感兴趣的那部分内容。
例子1：返回存储的Term Vectors信息首先需要定义一下映射的信息：

curl -s -XPUT 'http://localhost:9200/twitter/' -d '{ "mappings": { "tweet": { "properties": { "text": { "type": "string", "term_vector": "with_positions_offsets_payloads", "store" : true, "analyzer" : "fulltext_analyzer" }, "fullname": { "type": "string", "term_vector": "with_positions_offsets_payloads", "analyzer" : "fulltext_analyzer" } } } }, "settings" : { "index" : { "number_of_shards" : 1, "number_of_replicas" : 0 }, "analysis": { "analyzer": { "fulltext_analyzer": { "type": "custom", "tokenizer": "whitespace", "filter": [ "lowercase", "type_as_payload" ] } } } } }'

然后插入两条数据：

curl -XPUT 'http://localhost:9200/twitter/tweet/1?pretty=true' -d '{ "fullname" : "John Doe", "text" : "twitter test test test " }'curl -XPUT 'http://localhost:9200/twitter/tweet/2?pretty=true' -d '{ "fullname" : "Jane Doe", "text" : "Another twitter test ..." }'

接下来查询一下文档1的Term Vectors信息:

curl -XGET 'http://localhost:9200/twitter/tweet/1/_termvectors?pretty=true' -d '{ "fields" : ["text"], "offsets" : true, "payloads" : true, "positions" : true, "term_statistics" : true, "field_statistics" : true }'

可以得到下面的结果：

{ "_id": "1", "_index": "twitter", "_type": "tweet", "_version": 1, "found": true, "term_vectors": { "text": { "field_statistics": { "doc_count": 2, "sum_doc_freq": 6, "sum_ttf": 8 }, "terms": { "test": { "doc_freq": 2, "term_freq": 3, "tokens": [ { "end_offset": 12, "payload": "d29yZA==", "position": 1, "start_offset": 8 }, { "end_offset": 17, "payload": "d29yZA==", "position": 2, "start_offset": 13 }, { "end_offset": 22, "payload": "d29yZA==", "position": 3, "start_offset": 18 } ], "ttf": 4 }, "twitter": { "doc_freq": 2, "term_freq": 1, "tokens": [ { "end_offset": 7, "payload": "d29yZA==", "position": 0, "start_offset": 0 } ], "ttf": 2 } } } } }

可以看到上面返回了词条的统计信息，以及字段的统计信息。
例子2：轻量级生成Term Vectors 虽然这个字段不是显示存储的，但是仍然可以进行词条向量的信息统计。因为ES可以在查询的时候，从_source中分析出相应的内容。

curl -XGET 'http://localhost:9200/twitter/tweet/1/_termvectors?pretty=true' -d '{ "fields" : ["text", "some_field_without_term_vectors"], "offsets" : true, "positions" : true, "term_statistics" : true, "field_statistics" : true }'

关于字段的存储于不存储，可以简单的理解为：

如果字段存储，在ES进行相关的查询时，会直接从存储的字段读取信息
如果字段不存储，ES会从_source中查询分析，提取相应的部分。

由于每次读取操作都是一次的IO，因此如果你不是只针对某个字段、或者_source中的信息太多，那么请优先不存储该字段，即从_source中获取就好。
例子3：手动自定义的文档统计 ES支持对一个用户自定义的文档进行分析，比如：

curl -XGET 'http://localhost:9200/twitter/tweet/_termvectors' -d '{ "doc" : { "fullname" : "John Doe", "text" : "twitter test test test" } }'

注意如果这个字段没有预先定义映射，那么会按照默认的映射配置进行分析。
例子4：重新定义分析器可以使用per_field_analyzer参数定义该字段的分析器，这样每个字段都可以使用不同的分析器，分析其词条向量的信息。如果这个字段已经经过存储，那么会重新生成它的词条向量，如：

curl -XGET 'http://localhost:9200/twitter/tweet/_termvectors' -d '{ "doc" : { "fullname" : "John Doe", "text" : "twitter test test test" }, "fields": ["fullname"], "per_field_analyzer" : { "fullname": "keyword" } }'

会返回：

{ "_index": "twitter", "_type": "tweet", "_version": 0, "found": true, "term_vectors": { "fullname": { "field_statistics": { "sum_doc_freq": 1, "doc_count": 1, "sum_ttf": 1 }, "terms": { "John Doe": { "term_freq": 1, "tokens": [ { "position": 0, "start_offset": 0, "end_offset": 8 } ] } } } } }

例子5：字段过滤器在进行词条向量的信息查询时，可以根据自定义的过滤器，返回感兴趣的信息。
常用的过滤器参数如：

max_num_terms 最大的词条数目
min_term_freq 最小的词频，比如忽略那些在字段中出现次数小于一定值的词条。
max_term_freq 最大的词频
min_doc_freq 最小的文档频率，比如忽略那些在文档中出现次数小于一定的值的词条
max_doc_freq 最大的文档频率
min_word_length 忽略的词的最小长度
max_word_length 忽略的词的最大长度

GET /imdb/movies/_termvectors { "doc": { "plot": "When wealthy industrialist Tony Stark is forced to build an armored suit after a life-threatening incident, he ultimately decides to use its technology to fight against evil." }, "term_statistics" : true, "field_statistics" : true, "dfs": true, "positions": false, "offsets": false, "filter" : { "max_num_terms" : 3, "min_term_freq" : 1, "min_doc_freq" : 1 } }

会返回：

{ "_index": "imdb", "_type": "movies", "_version": 0, "found": true, "term_vectors": { "plot": { "field_statistics": { "sum_doc_freq": 3384269, "doc_count": 176214, "sum_ttf": 3753460 }, "terms": { "armored": { "doc_freq": 27, "ttf": 27, "term_freq": 1, "score": 9.74725 }, "industrialist": { "doc_freq": 88, "ttf": 88, "term_freq": 1, "score": 8.590818 }, "stark": { "doc_freq": 44, "ttf": 47, "term_freq": 1, "score": 9.272792 } } } } }

posted @ 2016-04-03 00:44 xingoo 阅读( ...) 评论( ...) 编辑收藏