目录
- 1、查询DSL基本语法
- 2、基本查询类型
- 3、复合查询FunctionScoreQuery
- 案例：给名字为如家的品牌排名靠前一些
- 4、Boolean Query查询
- 案例：如家酒店，价格<=400,且在坐标10km范围内所有酒店
- 5、指定排序字段
- 案例：根据用户评价排序，评价相同则按照价格升序排序
- 案例：根据经纬度排序附近的酒店
- 6、分页
- 7、搜索结果高亮处理
1、查询DSL基本语法
GET /索引库名/_search
{“query”：{
“查询类型”：{“FIELD”：“TEXT”}}
}
took：花费时间
time_out：花费时间
hits：击中的数据——>value：指的是多少个
下面那个hits是具体的数据
2、基本查询类型
全文检索查询
1.match类型：可以根据一个字段进行查询（字段为索引库创建时的约束字段）
#match查询
GET /hotel/_search
{"query":{"match": {"name": "外滩"}}
}GET /hotel/_search
{"query":{"match": {"business": "如家"} }
}2.muti_match类型：可以根据多个字段进行查询，字段越多，效率越低
#muti_match 查询
GET /hotel/_search
{"query": {"multi_match": {"query": "外滩如家","fields": ["brand","name","business"]}}
}GET /hotel/_search
{"query":{"multi_match":{"query":"如梦","fields":["business","name"]}}
}
地理查询
3、复合查询FunctionScoreQuery
算分的算法介绍
FunctionScoreQuery：在原有查询基础上+打分
function score打分场景：比如在百度上，你进行搜索，向我们看到最前面的，都是广告投放的，也就是人工对文档进行了算分方面的控制；
打分与词条频率有关
实践： 1、query：原始的查询条件，会根据条件来得到我们想要的文档
2、过滤条件：filter->定义了哪些文档会被重新算分
3、算分函数：function score
4、那么fuction score（算分函数）和query score（原始打分）是怎么进行运算的呢？
通过boost_mode进行加权
比如说上面那个场景，假设我们查询出来的文档，它里面的词条根据默认的打分算法求得是0.5，那么根据算分函数，加权完后=10*0.5=5；
案例：给名字为如家的品牌排名靠前一些
流程：
1.首先，在query下定义一个function_score,我们根据算分搜索数据，query查询能够match到的文档（比如我们这里的name：“外滩”），里面包含符合的词条（并且用BM25算法默认打分）
2.然后，定义一个functions，里面是算分的方法：符合的才会被重新算分（filter），并且设置算分函数，比如weight…，
3.最后设置加权模式，重新算分的函数与之前query的打分进行一个加权
function score query分别定义三要素是什么？
4、Boolean Query查询
比如关键字的搜索，像酒店名字等等，可以放到must里面
must：必须匹配的条件，里面的条件会参与算分
should：选择性匹配，可以理解为“或”
must_not：像不是必须的，品牌这种keyword，不参与算分的就可以放到下面，直接根据条件筛
filter：与must一样，不过不参与打分
一般来说，我们都是将关键字，那些参与打分的字段放入must中，其余的在must_not或者Filter
案例：如家酒店，价格<=400,且在坐标10km范围内所有酒店
5、指定排序字段
elasticsearch默认是对搜索结果进行排序，按照相关的算分（_score）来排序——>也就是说默认是按照type=text的打分排序；
我们可以根据->不能打分（没有分词）的字段：像keyword类型、地理坐标、日期等类型进行结果排序；
注意：一旦发生了sort排序，打分失效
案例：根据用户评价排序，评价相同则按照价格升序排序
案例：根据经纬度排序附近的酒店
根据位置排序周围的酒店：
1.首先规定sort排序，因为是关于地理位置的排序，所以要设置_geo_distance
2.在_geo_distance里面确定基点位置location（经纬度）
3.排序方式order以及单位unit
6、分页
与query同级， 以下就是：按照价格降序，从第一条数据开始，看10条数据，如果我们要查第二页，直接from改为10即可；
深度分页问题
就比如场景：一个年级参加比赛，有尖子班和普通班（对应也就是ES集群两个分片），筛选最优秀的十个人参加比赛，你不可能是普通版参加十个，尖子班参加十个，因为你普通班的前十到尖子班可能就是倒数了，所以需要将结果聚合，重新筛选，选出最优秀的十个
from+size>10000会报错
深度分页解决方案：
scroll因为是快照，说明不能实时更新，那么海量数据获取更新就不行了，而且快照的话还要额外内存消耗，所以不是蛮推荐；
after search：没有查询上限（from+size有上限10000），只能向后翻页，不支持随机翻页，比如小说翻页；
from+size：百度京东、谷歌这种都是这样，<10000
7、搜索结果高亮处理
