TGCode

关注互联网技术

Elasticsearch：过滤搜索结果 – filter 及 post_filter

2022年8月25日   |   by mebius

在 Elasticsearch 中，过滤搜索的结果是我们经常要做的事。在我刚开始接触 Elasticsearch，我就了解到有两种可以过滤搜索结果的方法。当时还不是很明白，为什么有的地方用 filter，而有的地方需要使用到 post filter。在今天的文章中，我来用一个鲜活的例子来进行展示。

总体说来，我们可以使用如下的两个方法来过滤搜索的结果：

  • 使用带有 filter 子句的布尔查询。 搜索请求将布尔过滤器应用于搜索命中和聚合。
  • 使用搜索 API 的 post_filter 参数。 搜索请求仅将 post filters 应用于搜索命中，而不是聚合。 你可以使用 post filters 根据更广泛的结果集计算聚合，然后进一步缩小结果。讲得通俗一点：在已经计算聚合之后，post filter 将应用于搜索请求最后的搜索命中。从这里的描述中，我们可以看出来，post filters 的使用和 aggregation 相关。

你还可以在 post filter 之后重新对命中进行评分，以提高相关性并重新排序结果。

Post filter

当你使用 post_filter 参数过滤搜索结果时，会在计算聚合后过滤搜索命中。 Post filter 对聚合结果没有影响。

例如，你销售的衬衫具有以下属性：

PUT shirts
{
  "mappings": {
    "properties": {
      "brand": { "type": "keyword"},
      "color": { "type": "keyword"},
      "model": { "type": "keyword"}
    }
  }
}

我们使用如下的命令来摄入 3 个文档：

PUT shirts/_doc/1?refresh
{
  "brand": "gucci",
  "color": "red",
  "model": "slim"
}

PUT shirts/_doc/2?refresh
{
  "brand": "polo",
  "color": "red",
  "model": "large"
}

PUT shirts/_doc/3?refresh
{
  "brand": "polo",
  "color": "blue",
  "model": "medium"
}

假想你有一个用户，他想买一个 red 的衣服。通常你会使用如下的 bool query：

GET shirts/_search?filter_path=**.hits
{
  "query": {
    "bool": {
      "filter": [
        {
          "term": {
            "color": "red"
          }
        }
      ]
    }
  }
}

上面显示的结果为：

{
  "hits" : {
    "hits" : [
      {
        "_index" : "shirts",
        "_id" : "1",
        "_score" : 0.0,
        "_source" : {
          "brand" : "gucci",
          "color" : "red",
          "model" : "slim"
        }
      },
      {
        "_index" : "shirts",
        "_id" : "2",
        "tgcode_score" : 0.0,
        "_source" : {
          "brand" : "polo",
          "color" : "red",
          "model" : "large"
        }
      }
    ]
  }
}

显然搜索的结果显示了所有 red 的衣服。但是，你还想使用分面导航来显示用户可以单击的其他选项列表（比如大小尺寸）。 也许你有一个 model字段，允许用户将搜索结果限制为红色 Gucci T 恤或 Polo 的衣服。这可以通过 terms aggregation 来完成：

GET shirts/_search
{
  "query": {
    "bool": {
      "filter": [
        {
          "term": {
            "color": "red"
          }
        }
      ]
    }
  },
  "aggs": {
    "models": {
      "terms": {
        "field": "model"
      }
    }
  }
}

在上面，我们通过 terms 聚合来显示各个尺寸（model）的文档数。最多的将排在前面。上面命令显示的结果为：

{
  "took" : 0,
  "timed_out" : false,
  "_shards" : {
    "total" : 1,
    "successful" : 1,
    "skipped" : 0,
    "failed" : 0
  },
  "hits" : {
    "total" : {
      "value" : 2,
      "relation" : "eq"
    },
    "max_score" : 0.0,
    "hits" : [
      {
        "_index" : "shirts",
        "_id" : "1",
        "_score" : 0.0,
        "_source" : {
          "brand" : "gucci",
          "color" : "red",
          "model" : "slim"
        }
      },
      {
        "_index" : "shirts",
        "_id" : "2",
        "_score" : 0.0,
        "_source" : {
          "brand" : "polo",
          "color" : "red",
          "model" : "large"
        }
      }
    ]
  },
  "aggregations" : {
    "models" : {
      "doc_count_error_upper_bound" : 0,
      "sum_other_doc_count" : 0,
      "buckets" : [
        {
          "key" : "large",
          "doc_count" : 1
        },
        {
          "key" : "slim",
          "doc_count" : 1
        }
      ]
    }
  }
}

在上面，我们可以看出颜色为 red 的衣服，各个 model 的统计情况：large 及 slim个一件。显然这个是我们想要的结果。我们注意到的一点是 tgcodeaggregation 是基于前面的 boolean filter 所过滤后的数据集来进行统计的。其统计结果都是是红色的衣服。

但也许你还想告诉用户有多少 polo衬衫可供选择而不是所有的品牌。我们可以使用如下的搜索：

GET shirts/_search
{
  "query": {
    "bool": {
      "filter": [
        {
          "term": {
            "color": "red"
          }
        }
      ]
    }
  },
  "aggs": {
    "models": {
      "terms": {
        "field": "model"
      }
    }
  },
  "post_filter": {
    "term": {
      "brand": "polo"
    }
  }
}

在上面，我们使用 filter 把 red 的文档搜索出来，然后使用 terms aggregatiion 来对所有 red 的文档进行 model 的统计。我们接下来使用 post_filter 来对我们的搜索结果再次过滤。在这里需要注意的是：post_filter 的使用不会对 aggs 的结果产生任何的影响。如同上面写的顺序一样，post_filter 是在最后面运行的。上面的命令产生的结果是：

{
  "took" : 0,
  "timed_out" : false,
  "_shards" : {
    "total" : 1,
    "successful" : 1,
    "skipped" : 0,
    "failed" : 0
  },
  "hits" : {
    "total" : {
      "value" : 1,
      "relation" : "eq"
    },
    "max_score" : 0.0,
    "hits" : [
      {
        "_index" : "shirts",
        "_id" : "2",
        "_score" : 0.0,
        "_source" : {
          "brand" : "polo",
          "color" : "red",
          "model" : "large"
        }
      }
    ]
  },
  "aggregations" : {
    "models" : {
      "doc_count_error_upper_bound" : 0,
      "sum_other_doc_count" : 0,
      "buckets" : [
        {
          "key" : "large",
          "doc_count" : 1
        },
        {
          "key" : "slim",
          "doc_count" : 1
        }
      ]
    }
  }
}

如上所示，我们最终得到的搜索结果是 color:red 并且 brand:polo 的搜索结果，但是 aggregations 的结果是针对 color:red 而的出来的。我们可以看到上面的 slim 统计结果是来自 gucci 品牌的而不是 polo。

更为复杂的查询是这样的：

GET shirts/_search
{
  "query": {
    "bool": {
      "filter": {
        "term": { "brand": "polo" } 
      }
    }
  },
  "aggs": {
    "colors": {
      "terms": { "field": "color" } 
    },
    "color_red": {
      "filter": {
        "term": { "color": "red" } 
      },
      "aggs": {
        "models": {
          "terms": { "field": "model" } 
        }
      }
    }
  },
  "post_filter": { 
    "term": { "color": "red" }
  }
}

在上面，我们首先使用的 filter 来过滤数据集。只有 brand:polo 的文档才可以进行聚合。aggs 里含有两个 aggregations。一个是按照 colors 来进行的分类，另外一个是先过滤 red 颜色的 polo，然后再按照 model 进行分类。在最后，我们使用 post_fitler 来过滤结果。最终的搜索结果（位于 hits 里）是 brand:polo 并且 color:red：

{
  "took" : 0,
  "timed_out" : false,
  "_shards" : {
    "total" : 1,
    "successful" : 1,
    "skipped" : 0,
    "failed" : 0
  },
  "hits" : {
    "total" : {
      "value" : 1,
      "relation" : "eq"
    },
    "max_score" : 0.0,
    "hits" : [
      {
        "_index" : "shirts",
        "_id" : "2",
        "_score" : 0.0,
        "_source" : {
          "brand" : "polo",
          "color" : "red",
          "model" : "large"
        }
      }
    ]
  },
  "aggregations" : {
    "color_red" : {
      "doc_count" : 1,
      "models" : {
        "doc_count_error_upper_bound" : 0,
        "sum_other_doc_count" : 0,
        "buckets" : [
          {
            "key" : "large",
            "doc_count" : 1
          }
        ]
      }
    },
    "colors" : {
      "doc_count_error_upper_bound" : 0,
      "sum_other_doc_count" : 0,
      "buckets" : [
        {
          "key" : "blue",
          "doc_count" : 1
        },
        {
          "key" : "red",
          "doc_count" : 1
        }
      ]
    }
  }
}

重新评分过滤的搜索结果

重新评分有助于提高精度，方法是仅对查询和 post_filter 阶段返回的顶部（例如 100 – 500 个）文档进行重新排序，使用另外的（通常成本更高）算法，而不是将成本高昂的算法应用于索引中的所有文档。

在每个分片返回结果以由处理整个搜索请求的节点排序之前，在每个分片上执行重新评分（rescore）请求。

目前 rescore API 只有一种实现：query rescorer，它使用查询来调整评分。 将来，可能会提供替代的记分器，例如，成对的记分器。

注tgcode意：如果 rescore 查询提供了显式 sort（除 _score 降序排列），则会引发错误。

注意：当向你的用户公开分页时，你不应在逐步浏览每个页面时更改 window_size（通过传递不同的值），因为这会改变热门点击，导致结果在用户浏览页面时发生混乱的变化。

query rescorer

查询 rescorer 仅对 query 和 post_filter 阶段返回的 Top-K 结果执行第二次查询。 将在每个分片上检查的文档数可以由 window_size 参数控制，默认为 10。

默认情况下，原始查询和重新评分查询的分数线性组合以生成每个文档的最终 _score。 原始查询和重新评分查询的相对重要性可以分别通过 query_weight 和 rescore_query_weight 来控制。 两者都默认为 1。

例如：

POST /_search
{
   "query" : {
      "match" : {
         "message" : {
            "operator" : "or",
            "query" : "the quick brown"
         }
      }
   },
   "rescore" : {
      "window_size" : 50,
      "query" : {
         "rescore_query" : {
            "match_phrase" : {
               "message" : {
                  "query" : "the quick brown",
                  "slop" : 2
               }
            }
         },
         "query_weight" : 0.7,
         "rescore_query_weight" : 1.2
      }
   }
}

分数的组合方式可以通过 score_mode 来控制：

Score mode 描述
total 添加原始分数和重新评分查询分数。 默认。
multiply 将原始分数乘以重新评分查询分数。 对 function query 重新评分很有用。
avg 平均原始分数和重新评分查询分数。
max 取原始分数和重新分数查询分数的最大值。
min 取原始分数和重新评分查询分数的最小值。

多次重新评分

也可以按顺序执行多个重新评分：

POST /_search
{
   "query" : {
      "match" : {
         "message" : {
            "operator" : "or",
            "query" : "the quick brown"
         }
      }
   },
   "rescore" : [ {
      "window_size" : 100,
      "query" : {
         "rescore_query" : {
            "match_phrase" : {
               "message" : {
                  "query" : "the quick brown",
                  "slop" : 2
               }
            }
         },
         "query_weight" : 0.7,
         "rescore_query_weight" : 1.2
      }
   }, {
      "window_size" : 10,
      "query" : {
         "score_mode": "multiply",
         "rescore_query" : {
            "function_score" : {
               "script_score": {
                  "script": {
                    "source": "Math.log10(doc.count.value + 2)"
                  }
               }
            }
         }
      }
   } ]
}

第一个得到查询的结果，然后第二个得到第一个的结果，依此类推。第二个重新评分将 “看到” 第一个重新评分完成的排序，因此可以在第一个重新评分上使用一个大窗口来 将文档拉入较小的窗口以进行第二次重新评分。

性能考虑

仅当你需要区分过滤器搜索结果和聚合时才使用 post_filter。 有时人们会使用 post_filter 进行常规搜索。post_filter 的性质意味着它在查询之后运行，因此过滤（例如缓存）的任何性能优势都完全丧失了。post_filter 应该仅与聚合结合使用，并且仅在你需要差分过滤时使用。

仅在需要时使用 post_filter

post_filter 参数有一个别名 filter。 这是为了向后兼容，因为在 ElasticSearch 的早期版本中，post_filter 曾经被命名为过滤器。 改名是有原因的。 虽然在创建只应过滤结果的请求时使用 post_filter 代替查询参数当然是可能且更方便的，但在性能方面不如使用查询参数好。 因此，即使你在调试时不需要使用 post_filter，也可以随意使用它，但仅在实际需要针对生产集群时使用它。

不要使用 post_filter ，除非你确实需要它来进行聚合。

参考：

【1】Filter search results | Elasticsearch Guide [8.2] | Elastic

文章来源于互联网:Elasticsearch：过滤搜索结果 – filter 及 post_filter

Tags: