【ElasticSearch】（六）—— 搜索结果处理

不念不忘少年蓝@ 2023-09-30 13:52 1阅读 0赞

![b39b94657d5e45cdbb05627a9abfe20c.jpeg][]

**目录**

一、排序

1）普通字段排序

2）地理坐标排序

1、语法说明：

2、示例：

二、分页

1）基本的分页

2）深度分页问题

3）小结

三、高亮

1）高亮原理

2）实现高亮

1、高亮的语法

2、注意事项

3、示例

四、总结

--------------------

## 一、排序 ##

elasticsearch默认是根据相关度算分（\_score）来排序，但是也支持自定义方式对搜索[结果排序][Link 1]。可以排序字段类型有：keyword类型、数值类型、地理坐标类型、日期类型等。

### 1）普通字段排序 ###

keyword、数值、日期类型排序的语法基本一致。

**语法**：

> GET /indexName/\_search  
> \{  
> "query": \{  
> "match\_all": \{\}  
> \},  
> "sort": \[  
> \{  
> "FIELD": "desc" // 排序字段、排序方式ASC、DESC  
> \}  
> \]  
> \}

排序条件是一个数组，也就是可以写多个排序条件。按照声明的顺序，当第一个条件相等时，再按照第二个条件排序，以此类推

**示例**：

需求描述：酒店数据按照用户评价（score)降序排序，评价相同的按照价格(price)升序排序

![1560d18799144f48a54dbd7a17b703d9.png][]

### 2）地理坐标排序 ###

地理坐标排序略有不同。

#### **1、语法说明**： ####

> GET /indexName/\_search  
> \{  
> "query": \{  
> "match\_all": \{\}  
> \},  
> "sort": \[  
> \{  
> "\_geo\_distance" : \{  
> "FIELD" : "纬度，经度", // 文档中geo\_point类型的字段名、目标坐标点  
> "order" : "asc", // 排序方式  
> "unit" : "km" // 排序的距离单位  
> \}  
> \}  
> \]  
> \}
> 
> 这个查询的含义是：
> 
>  *  指定一个坐标，作为目标点
>  *  计算每一个文档中，指定字段（必须是geo\_point类型）的坐标 到目标点的距离是多少
>  *  根据距离排序

#### **2、示例：** ####

> 需求描述：实现对酒店数据按照到你的位置坐标的距离升序排序
> 
> 提示：获取你的位置的经纬度的方式：[获取鼠标点击经纬度-地图属性-示例中心-JS API 2.0 示例 | 高德地图API][-_-_-JS API 2.0 _ _ _API]
> 
> 假设我的位置是：22.542986, 114.054644，寻找我周围距离最近的酒店。
> 
> ![02aaa54eefc3490a989f4d196683fa3a.png][]

## 二、分页 ##

elasticsearch 默认情况下只返回top10的数据。而如果要查询更多数据就需要修改分页参数了。elasticsearch中通过修改from、size参数来控制要返回的分页结果：

*  from：从第几个文档开始
 *  size：总共查询几个文档

类似于mysql中的`limit ?, ?`

### 1）基本的分页 ###

分页的基本语法如下：

> GET /hotel/\_search  
> \{  
> "query": \{  
> "match\_all": \{\}  
> \},  
> "from": 0, // 分页开始的位置，默认为0  
> "size": 10, // 期望获取的文档总数  
> "sort": \[  
> \{"price": "asc"\}  
> \]  
> \}

### 2）深度分页问题 ###

现在，我要查询990~1000的数据，查询逻辑要这么写：

> GET /hotel/\_search  
> \{  
> "query": \{  
> "match\_all": \{\}  
> \},  
> "from": 990, // 分页开始的位置，默认为0  
> "size": 10, // 期望获取的文档总数  
> "sort": \[  
> \{"price": "asc"\}  
> \]  
> \}

这里是查询990开始的数据，也就是 第990~第1000条 数据。

不过，elasticsearch内部分页时，必须先查询 0~1000条，然后截取其中的990 ~ 1000的这10条：

![b4d26e8b481544908b8e3f0b9f423c2d.png][]

查询TOP1000，如果es是单点模式，这并无太大影响。

但是elasticsearch将来一定是集群，例如我集群有5个节点，我要查询TOP1000的数据，并不是每个节点查询200条就可以了。

因为节点A的TOP200，在另一个节点可能排到10000名以外了。

因此要想获取整个集群的TOP1000，必须先查询出每个节点的TOP1000，汇总结果后，重新排名，重新截取TOP1000

![ab32eaa5783a41ffa0778f88d99bee34.png][]

那如果我要查询9900~10000的数据呢？是不是要先查询TOP10000呢？那每个节点都要查询10000条？汇总到内存中？

当查询分页深度较大时，汇总数据过多，对内存和CPU会产生非常大的压力，因此elasticsearch会禁止from+ size 超过10000的请求。

针对深度分页，ES提供了两种解决方案，[官方文档][Link 2]：

*  search after：分页时需要排序，原理是从上一次的排序值开始，查询下一页数据。官方推荐使用的方式。
 *  scroll：原理将排序后的文档id形成快照，保存在内存。官方已经不推荐使用。

### 3）小结 ###

> 分页查询的常见实现方案以及优缺点：
> 
>  *  `from + size`：
>     
>      *  优点：支持随机翻页
>      *  缺点：深度分页问题，默认查询上限（from + size）是10000
>      *  场景：百度、京东、谷歌、淘宝这样的随机翻页搜索
>  *  `after search`：
>     
>      *  优点：没有查询上限（单次查询的size不超过10000）
>      *  缺点：只能向后逐页查询，不支持随机翻页
>      *  场景：没有随机翻页需求的搜索，例如手机向下滚动翻页
>  *  `scroll`：
>     
>      *  优点：没有查询上限（单次查询的size不超过10000）
>      *  缺点：会有额外内存消耗，并且搜索结果是非实时的
>      *  场景：海量数据的获取和迁移。从ES7.1开始不推荐，建议用 after search方案。

## 三、高亮 ##

### 1）高亮原理 ###

什么是高亮显示呢？

我们在百度，京东搜索时，关键字会变成红色，比较醒目，这叫高亮显示：

![345eecb0d459438bab0f33d0c7065762.png][]

高亮显示的实现分为两步：

*  1）给文档中的所有关键字都添加一个标签，例如`<em>`标签
 *  2）页面给`<em>`标签编写CSS样式

### 2）实现高亮 ###

#### 1、高亮的语法 ####

> GET /hotel/\_search  
> \{  
> "query": \{  
> "match": \{  
> "FIELD": "TEXT" // 查询条件，高亮一定要使用全文检索查询  
> \}  
> \},  
> "highlight": \{  
> "fields": \{ // 指定要高亮的字段  
> "FIELD": \{  
> "pre\_tags": "<em>", // 用来标记高亮字段的前置标签  
> "post\_tags": "</em>" // 用来标记高亮字段的后置标签  
> \}  
> \}  
> \}  
> \}

#### 2、注意事项 ####

>  *  高亮是对关键字高亮，因此**搜索条件必须带有关键字**，而不能是范围这样的查询。
>  *  默认情况下，**高亮的字段，必须与搜索指定的字段一致**，否则无法高亮
>  *  如果要对非搜索字段高亮，则需要添加一个属性：required\_field\_match=false

#### 3、示例 ####

![55fee8eee5a94b80b396e3f20cbde7e9.png][]

## 四、总结 ##

> 查询的DSL是一个大的JSON对象，包含下列属性：
> 
>  *  query：查询条件
>  *  from和size：分页条件
>  *  sort：排序条件
>  *  highlight：高亮条件
> 
> 示例：
> 
> ![a615fae916a5471ca64c99e5cefea917.png][]

## ![39e748706c3f472da4668356df8d6ae5.png][] ##

[b39b94657d5e45cdbb05627a9abfe20c.jpeg]: https://img-blog.csdnimg.cn/b39b94657d5e45cdbb05627a9abfe20c.jpeg
[Link 1]: https://www.elastic.co/guide/en/elasticsearch/reference/current/sort-search-results.html
[1560d18799144f48a54dbd7a17b703d9.png]: https://img-blog.csdnimg.cn/1560d18799144f48a54dbd7a17b703d9.png
[-_-_-JS API 2.0 _ _ _API]: https://lbs.amap.com/demo/jsapi-v2/example/map/click-to-get-lnglat/
[02aaa54eefc3490a989f4d196683fa3a.png]: https://img-blog.csdnimg.cn/02aaa54eefc3490a989f4d196683fa3a.png
[b4d26e8b481544908b8e3f0b9f423c2d.png]: https://img-blog.csdnimg.cn/b4d26e8b481544908b8e3f0b9f423c2d.png
[ab32eaa5783a41ffa0778f88d99bee34.png]: https://img-blog.csdnimg.cn/ab32eaa5783a41ffa0778f88d99bee34.png
[Link 2]: https://www.elastic.co/guide/en/elasticsearch/reference/current/paginate-search-results.html
[345eecb0d459438bab0f33d0c7065762.png]: https://img-blog.csdnimg.cn/345eecb0d459438bab0f33d0c7065762.png
[55fee8eee5a94b80b396e3f20cbde7e9.png]: https://img-blog.csdnimg.cn/55fee8eee5a94b80b396e3f20cbde7e9.png
[a615fae916a5471ca64c99e5cefea917.png]: https://img-blog.csdnimg.cn/a615fae916a5471ca64c99e5cefea917.png
[39e748706c3f472da4668356df8d6ae5.png]: https://img-blog.csdnimg.cn/39e748706c3f472da4668356df8d6ae5.png