elasticsearch 实现联想输入搜索

╰+攻爆jí腚メ 2022-07-12 03:29 279阅读 0赞

通常，在项目中需要联想输入（即输入关键字，提示相关词条，类似百度google的搜索）的需求，可能大家都是用的数据库的like '%关键字%‘来实现。但是这样实现有几个问题。

第一、这样的搜索无论是oracle还是mysql，都是无法使用索引的。在oracle中可能有全文检索可以使用，但是个人感觉效果不是很好。

第二、输入的关键字有like的通病，就是只有保含关键字的词条才会被命中。如果中间加个空格之类的，db就无能为力了。

第三、如果要想对命中结果进行相关度排序，这个在常规数据库是无法做到的。虽然，可以按照命中词条的长度进行升序排序，但是加上排序，性能不是很好。

下面介绍一下使用elasticsearch实现联想输入的搜索，因为是搜索引擎，天生就不具备上面的3个问题。

在具体介绍使用方法之前，我们先找个搜索数据。我找的是ICD（就是疾病名称的国标），谁让咱一生都在跟他做斗争。这个在网上一搜一堆。

有了数据，我们先要简单描述一下我们要达到的一个目的。一般的搜索都支持汉字 和拼音两种检索方法。我们的这个检索也满足这个需求。

搜索需求描述：

1、支持汉字和简拼两种搜索方法。

2、输入“高血压”时，按照相关度，将带“高血压”名称的疾病名称按照相关度降序排序。

3、输入“老年 高血压”，时，将带“老年”和“高血压”名称的疾病名称按照相关度降序排序。

4、输入拼音'gxy‘时，将拼音中带有gxy相关的疾病按照相关度降序排序。

....

类似测试用例的需求，到此打住。

那么，我们一步一步实现这种需求。

首先，我们定义了一个ICD的类，算作我们的模型，其实没有模型也可以，只要存入到es且知道各个field的名称就行。这个里面我们只需要关注疾病名称diseaseName及简拼pinyin字段即可，这个字段默认是字符串，ES默认会帮我们分词。

Java代码

1.  **import** java.io.Serializable;  
2.  **import** java.math.BigDecimal;  
3.  /\*\*
4.  \* ICD抽象对象
5.  \* @author donlianli@126.com
6.  \*/  
7.  **public** **class** ICD **implements** Serializable\{  
8.     **private** **static** **final** **long** serialVersionUID = 6934803011248581109L;  
9.     //疾病ID  
10.    **private** **int** id;  
11.    //疾病编码  
12.    **private** String code;  
13.    //疾病名称  
14.    **private** String diseaseName;  
15.    //疾病加拼音  
16.    **private** String mergeName;  
17.    //汉语拼音简拼  
18.    **private** String pinyin;  
19.    //是否恶心肿瘤  
20.    **private** **boolean** isTherioma;  
21.    //是否住院特殊病种  
22.    **private** **boolean** isSpecialDisease;  
23.      
24.    **public** ICD(BigDecimal id, String diseaseName, String code,  
25.            String pinyin, String isTherioma, String isSpecialDisease) \{  
26.        **this**.id = id.intValue();  
27.        **this**.diseaseName = diseaseName;  
28.        **this**.code = code;  
29.        **this**.pinyin = pinyin;  
30.        **if**("是".equals(isTherioma))\{  
31.            **this**.isTherioma = **true**;  
32.        \}  
33.        **else** \{  
34.            **this**.isTherioma = **false**;  
35.        \}  
36.          
37.        **if**("是".equals(isSpecialDisease))\{  
38.            **this**.isSpecialDisease = **true**;  
39.        \}  
40.        **else** \{  
41.            **this**.isSpecialDisease = **false**;  
42.        \}  
43.        **this**.mergeName = diseaseName + "," + pinyin;  
44.    \}  
45.    //set,get ......  
46.      
47. \}

第二步，将数据存储到elasticsearch里面，我们取个名称叫code，起个type名称叫icd。ICD大概2w条数据，我使用默认的bulkIndex，存到es大概用了3秒。

我这里是把数据从oracle导入到elasticsearch。

Java代码

1.  **import** java.math.BigDecimal;  
2.  **import** java.sql.Connection;  
3.  **import** java.sql.PreparedStatement;  
4.  **import** java.sql.ResultSet;  
5.  **import** java.util.ArrayList;  
6.  **import** java.util.List;  
7.   
8.  **import** org.elasticsearch.action.bulk.BulkRequestBuilder;  
9.  **import** org.elasticsearch.action.bulk.BulkResponse;  
10. **import** org.elasticsearch.action.index.IndexRequestBuilder;  
11. **import** org.elasticsearch.client.Client;  
12.  
13. **import** com.donlianli.es.ESUtils;  
14. **import** com.donlianli.es.db.DatabaseUtils;  
15.  
16. **public** **class** ICDManager \{  
17.      
18.    **public** **static** **void** main(String\[\] argvs)\{  
19.        ICDManager manager = **new** ICDManager();  
20.        manager.indexDataDirect();  
21.    \}  
22.    /\*\*
23.     \* 直接将数据初始化到ES中
24.     \* 不创建mapping
25.     \*/  
26.    **private** **void** indexDataDirect() \{  
27.        List<ICD> icdList = getIcdListFromDB();    
28.        System.out.println(" get icd from db finish,size:" + icdList.size());  
29.        bulkIndex(icdList);  
30.    \}  
31.      
32.    **private** **void** bulkIndex(List<ICD> icdList) \{  
33.        Client client = ESUtils.getCodeClient();  
34.        BulkRequestBuilder bulkRequest = client.prepareBulk();  
35.        **long** b = System.currentTimeMillis();  
36.        **for**(**int** i=0,l=icdList.size();i<l;i++)\{  
37.            //业务对象  
38.            ICD icd = icdList.get(i);  
39.            String json = ESUtils.toJson(icd);  
40.            IndexRequestBuilder indexRequest = client.prepareIndex("code","icd")  
41.            .setSource(json).setId(String.valueOf(icd.getId()));  
42.            //添加到builder中  
43.            bulkRequest.add(indexRequest);  
44.        \}  
45.        BulkResponse bulkResponse = bulkRequest.execute().actionGet();  
46.        **if** (bulkResponse.hasFailures()) \{  
47.            System.out.println(bulkResponse.buildFailureMessage());  
48.        \}  
49.        **long** useTime = System.currentTimeMillis()-b;  
50.        System.out.println("useTime:" + useTime);  
51.    \}  
52.    **private** List<ICD> getIcdListFromDB() \{  
53.        Connection conn = DatabaseUtils.getOracleConnection();  
54.        String sql = "select \* from icd\_11";  
55.        PreparedStatement st = **null**;  
56.        ResultSet rs = **null**;  
57.        List<ICD> list = **new** ArrayList<ICD>();  
58.        **try**\{  
59.            st = conn.prepareStatement(sql);  
60.            rs = st.executeQuery();  
61.            **while**(rs.next())\{  
62.                BigDecimal id = rs.getBigDecimal("ID");  
63.                String diseaseName = rs.getString("DISEASE\_NAME");  
64.                String code = rs.getString("CODE");  
65.                String pinyin = rs.getString("PINYIN");  
66.                String isTherioma = rs.getString("THERIOMA\_FLAG");  
67.                String isSpecialDisease = rs.getString("OTHER\_FLAG");  
68.                  
69.                list.add(**new** ICD(id,diseaseName,code,pinyin,isTherioma,isSpecialDisease));  
70.            \}  
71.              
72.            **return** list;  
73.        \}  
74.        **catch**(Exception e)\{  
75.            e.printStackTrace();  
76.        \}  
77.        **finally**\{  
78.            **try**\{  
79.            **if**(rs!= **null**)\{  
80.                rs.close();  
81.            \}  
82.            **if**(st!= **null**)\{  
83.                st.close();  
84.            \}  
85.            conn.close();  
86.            \}  
87.            **catch**(Exception e)\{  
88.                e.printStackTrace();  
89.            \}  
90.        \}  
91.        **return** **null**;  
92.    \}  
93. \}

第三步，搜索接口，跑测试用例。

Java代码

1.  **import** org.elasticsearch.action.search.SearchResponse;  
2.  **import** org.elasticsearch.client.Client;  
3.  **import** org.elasticsearch.index.query.MultiMatchQueryBuilder;  
4.  **import** org.elasticsearch.index.query.QueryBuilders;  
5.  **import** org.elasticsearch.search.SearchHit;  
6.  **import** org.elasticsearch.search.SearchHits;  
7.   
8.  **import** com.donlianli.es.ESUtils;  
9.   
10. **public** **class** PinyinSearchTest \{  
11.    **public** **static** **void** main(String\[\] args) \{  
12.        Client client = ESUtils.getCodeClient();  
13.        String keyWord = "高血压";  
14. //      String keyWord = "老年 高血压";  
15. //      String keyWord = "gxy";  
16.        //多个字段匹配  
17.        MultiMatchQueryBuilder query = QueryBuilders.multiMatchQuery(keyWord, "diseaseName","pinyin");  
18.          
19.        **long** b = System.currentTimeMillis();  
20.        SearchResponse response = client.prepareSearch("code").setTypes("icd")  
21.                .setQuery(query)  
22.                .setFrom(0)  
23.                //前20个  
24.                .setSize(20)  
25.                .execute().actionGet();  
26.        **long** useTime = System.currentTimeMillis()-b;  
27.        System.out.println("search use time:" + useTime + " ms");  
28.          
29.        SearchHits shs = response.getHits();  
30.        **for** (SearchHit hit : shs) \{  
31.            System.out.println("分数:"  
32.                    + hit.getScore()  
33.                    + ",ID:"  
34.                    + hit.getId()  
35.                    + ", 疾病名称:"  
36.                    + hit.getSource().get("diseaseName")  
37.                    + ",拼音:" + hit.getSource().get("pinyin"));  
38.        \}  
39.        client.close();  
40.    \}  
41. \}

3.1，关键字：'高血压'

search use time:174 ms
    分数:2.3859928,ID:6904, 疾病名称:高血压病,拼音:gxyb
    分数:2.136423,ID:6907, 疾病名称:高血压I期,拼音:gxyyq
    分数:2.12253,ID:6908, 疾病名称:高血压Ⅱ期,拼音:gxyeq
    分数:2.12253,ID:6910, 疾病名称:高血压危象,拼音:gxywx
    分数:2.0906634,ID:6917, 疾病名称:肾性高血压,拼音:sxgxy
    分数:2.0877438,ID:6909, 疾病名称:高血压Ⅲ期,拼音:gxysq
    分数:2.0821526,ID:18767, 疾病名称:高原性高血压,拼音:gyxgxy
    分数:1.9905697,ID:6906, 疾病名称:恶性高血压,拼音:exgxy
    分数:1.9510978,ID:7260, 疾病名称:高血压脑出血,拼音:gxyncx
    分数:1.9078629,ID:6923, 疾病名称:肾血管性高血压,拼音:sxgxgxy
    分数:1.8312198,ID:6914, 疾病名称:高血压性肾病,拼音:gxyxsb
    分数:1.8193114,ID:7367, 疾病名称:高血压性脑病,拼音:gxyxnb
    分数:1.8193114,ID:13470, 疾病名称:妊娠引起高血压,拼音:rsyqgxy
    分数:1.7919972,ID:6905, 疾病名称:临界性高血压,拼音:ljxgxy
    分数:1.7919972,ID:6912, 疾病名称:高血压性心脏病,拼音:gxyxxzb
    分数:1.7894946,ID:6928, 疾病名称:继发性高血压,拼音:jfxgxy
    分数:1.7062025,ID:6913, 疾病名称:高血压性肾衰竭,拼音:gxyxssj
    分数:1.7062025,ID:13485, 疾病名称:孕产妇高血压,拼音:ycfgxy
    分数:1.7062025,ID:14534, 疾病名称:新生儿高血压,拼音:xsegxy
    分数:1.7062025,ID:16181, 疾病名称:应激性高血压,拼音:yjxgxy

3.2关键字:'老年 高血压'

search use time:144 ms
    分数:1.1089094,ID:6904, 疾病名称:高血压病,拼音:gxyb
    分数:0.99291986,ID:6907, 疾病名称:高血压I期,拼音:gxyyq
    分数:0.9864628,ID:6908, 疾病名称:高血压Ⅱ期,拼音:gxyeq
    分数:0.9864628,ID:6910, 疾病名称:高血压危象,拼音:gxywx
    分数:0.9716526,ID:6917, 疾病名称:肾性高血压,拼音:sxgxy
    分数:0.97029567,ID:6909, 疾病名称:高血压Ⅲ期,拼音:gxysq
    分数:0.96769714,ID:18767, 疾病名称:高原性高血压,拼音:gyxgxy
    分数:0.9251333,ID:6906, 疾病名称:恶性高血压,拼音:exgxy
    分数:0.9067884,ID:7260, 疾病名称:高血压脑出血,拼音:gxyncx
    分数:0.8866946,ID:6923, 疾病名称:肾血管性高血压,拼音:sxgxgxy
    分数:0.8510741,ID:6914, 疾病名称:高血压性肾病,拼音:gxyxsb
    分数:0.8455395,ID:7367, 疾病名称:高血压性脑病,拼音:gxyxnb
    分数:0.8455395,ID:13470, 疾病名称:妊娠引起高血压,拼音:rsyqgxy
    分数:0.8328451,ID:6905, 疾病名称:临界性高血压,拼音:ljxgxy
    分数:0.8328451,ID:6912, 疾病名称:高血压性心脏病,拼音:gxyxxzb
    分数:0.831682,ID:6928, 疾病名称:继发性高血压,拼音:jfxgxy
    分数:0.8074301,ID:6820, 疾病名称:老年耳聋,拼音:lnel
    分数:0.80348647,ID:7612, 疾病名称:老年痣,拼音:lnz
    分数:0.7929714,ID:6913, 疾病名称:高血压性肾衰竭,拼音:gxyxssj
    分数:0.7929714,ID:13485, 疾病名称:孕产妇高血压,拼音:ycfgxy

高血压和老年的相关并都出来了。只可惜老年高血压，没有列入ICD.

3.3拼音：'gxy'

呃？怎么没有出来？

这个问题折腾了我一天。一开始我以为是被es列入了禁用词。后来，找到是因为没有设置analyzer导致，在设analyzer的过程中竟然还犯了好几个低级错误，导致我非常怀疑设置analyzer是否管用。

这个问题涉及到分词，而分词我还没有好好研究过。总之，在创建索引及mapping的时候，指定一个analyzer就可以解决这个问题。

创建index及mapping的代码如下：

Java代码

1.  **import** **static** org.elasticsearch.common.xcontent.XContentFactory.jsonBuilder;  
2.   
3.  **import** org.elasticsearch.action.admin.indices.create.CreateIndexResponse;  
4.  **import** org.elasticsearch.client.Client;  
5.  **import** org.elasticsearch.common.settings.ImmutableSettings;  
6.  **import** org.elasticsearch.common.settings.ImmutableSettings.Builder;  
7.  **import** org.elasticsearch.common.xcontent.XContentBuilder;  
8.   
9.  **import** com.donlianli.es.ESUtils;  
10. /\*\*
11. \* 创建code的mapping
12. \* @author donlianli@126.com
13. \*/  
14. **public** **class** CodeMappingTest \{  
15.    **static** **final** String INDEX\_NAME="code";  
16.    **static** **final** String TYPE\_NAME="icd";  
17.      
18.    **public** **static** **void**  main(String\[\] argv) **throws** Exception\{  
19.        Client client = ESUtils.getCodeClient();  
20.        Builder settings = ImmutableSettings.settingsBuilder()  
21.                .loadFromSource(getAnalysisSettings());  
22.        //首先创建索引库  
23.        CreateIndexResponse  indexresponse = client.admin().indices()  
24.        //这个索引库的名称还必须不包含大写字母  
25.        .prepareCreate(INDEX\_NAME).setSettings(settings)  
26.        //这里直接添加type的mapping  
27.        .addMapping(TYPE\_NAME, getMapping())  
28.        .execute().actionGet();  
29.          
30.        System.out.println("success:"\+indexresponse.isAcknowledged());  
31.    \}  
32.    **private** **static** String getAnalysisSettings() **throws** Exception \{  
33.        XContentBuilder mapping = jsonBuilder()    
34.                   .startObject()    
35.                   //主分片数量  
36.                   .field("number\_of\_shards",5)  
37.                   .field("number\_of\_replicas",0)  
38.                     .startObject("analysis")    
39.                        .startObject("filter")  
40.                            //创建分词过滤器  
41.                            .startObject("pynGram")  
42.                                .field("type","nGram")  
43.                                //从1开始  
44.                                .field("min\_gram",1)  
45.                                .field("max\_gram",15)  
46.                            .endObject()  
47.                        .endObject()      
48.                          
49.                        .startObject("analyzer")  
50.                                //拼音analyszer  
51.                                .startObject("pyAnalyzer")  
52.                                .field("type","custom")  
53.                                .field("tokenizer","standard")  
54.                                .field("filter", **new** String\[\]\{ "lowercase","pynGram"\})  
55.                                .endObject()  
56.                        .endObject()      
57.                    .endObject()    
58.                  .endObject();    
59.        System.out.println(mapping.string());  
60.        **return** mapping.string();  
61.    \}  
62.    /\*\*
63.     \* mapping 一旦定义，之后就不能修改。
64.     \* @return
65.     \* @throws Exception
66.     \*/  
67.    **private** **static** XContentBuilder getMapping() **throws** Exception\{  
68.        XContentBuilder mapping = jsonBuilder()    
69.                   .startObject()    
70.                     .startObject("icd")    
71.                     //指定分词器  
72.                     .field("index\_analyzer","pyAnalyzer")  
73.                     .startObject("properties")          
74.                       .startObject("id")  
75.                            .field("type", "long")  
76.                            .field("store", "yes")  
77.                        .endObject()      
78.                          
79.                       .startObject("code")  
80.                            .field("type", "string")  
81.                            .field("store", "yes")  
82.                            .field("index", "analyzed")  
83.                        .endObject()    
84.                          
85.                         .startObject("diseaseName")  
86.                            .field("type", "string")  
87.                            .field("store", "yes")  
88.                            .field("index", "analyzed")  
89.                        .endObject()    
90.                          
91.                         .startObject("mergeName")  
92.                            .field("type", "string")  
93.                            .field("store", "yes")  
94.                            .field("index", "analyzed")  
95.                        .endObject()  
96.                          
97.                        .startObject("pinyin")  
98.                            .field("type", "string")  
99.                            .field("store", "yes")  
100.                            .field("index", "analyzed")  
101.                        .endObject()    
102.                          
103.                       .startObject("isTherioma")  
104.                            .field("type", "boolean")  
105.                            .field("store", "yes")  
106.                       .endObject()    
107.                        
108.                        .startObject("isSpecialDisease")  
109.                            .field("type", "boolean")  
110.                            .field("store", "yes")  
111.                       .endObject()    
112.                        
113.                     .endObject()    
114.                    .endObject()    
115.                  .endObject();    
116.        **return** mapping;  
117.    \}  
118.

(PS:其实还有一种简单的方法，不用创建analyzer，在搜索的时候，使用'\*gxy\*'进行搜索也可以)

最后，我还把这个检索跟oracle的like进行了比较。结果发现oracle只用20ms就能算出结果，而es却用了将近100ms。可见这种吹捧的nosql，性能不见得比oracle强大啊，但是毋庸置疑的是，功能确实强大了。