一起学 Elasticsearch 系列 -Mapping

BookSea

发布于 2023-11-13 20:36:54

2930

发布于 2023-11-13 20:36:54

文章被收录于专栏：Java随想录Java随想录

本文字数：5485字，阅读大约需要 18 分钟。

本篇讲解Elasticsearch中非常重要的一个概念：Mapping，Mapping是索引必不可少的组成部分。

Mapping 的基本概念

Mapping 也称之为映射，定义了 ES 的索引结构、字段类型、分词器等属性，是索引必不可少的组成部分

ES 中的 Mapping 有点类似于关系型数据库中“表结构”的概念，在 MySQL 中，表结构里包含了字段名称，字段的类型还有索引信息等。在 Mapping 里也包含了一些属性，比如字段名称、类型、字段使用的分词器、是否评分、是否创建索引等属性。

查看索引 Mapping

//查看索引完整的mapping
GET /my_index/_mappings
//查看索引指定字段的mapping
GET /my_index/_mappings/field/field_name

例如，如果你有一个名为 "my_index" 的索引，并且你想查询字段 "my_field" 的 mapping，那么请求就像这样：

GET /my_index/_mapping/field/my_field

此请求会返回如下类型的输出：

{
  "my_index" : {
    "mappings" : {
      "my_field" : {
        "full_name" : "my_field",
        "mapping" : {
          "my_field" : {
            "type" : "text",
            "fields" : {
              "keyword" : {
                "type" : "keyword",
                "ignore_above" : 256
              }
            }
          }
        }
      }
    }
  }
}

在这个响应中，你可以看到 "my_field" 是 "text" 类型，并且它也有一个子字段 "keyword"。

字段数据类型

映射的数据类型也就是 ES 索引支持的数据类型，其概念和 MySQL 中的字段类型相似，但是具体的类型和 MySQL 中有所区别，最主要的区别就在于 ES 中支持可分词的数据类型，如：Text 类型，可分词类型是用以支持全文检索的，这也是 ES 生态最核心的功能。

数字类型

long：64 位有符号整形。
integer：32 位有符号整形。
short：16 位有符号整形。
byte：8位有符号整形。
double：双精度64位浮点类型。
float：单精度32位浮点类型。
half_float：半精度16位浮点数。
scaled_float：缩放类型浮点数，按固定 double 比例因子缩放。
unsigned_long：无符号 64 位整数。

基本数据类型

binary：存储二进制字符串，经过Base64编码处理。
boolean：布尔类型，接收 ture 和 false 两个值。

Keywords 类型

keyword：这种类型被用来索引结构化数据，如 email 地址、主机名、状态码以及标签等。这类数据可以以精确值的形式进行搜索，并且可以用于过滤 (filtering)，排序 (sorting) 和聚合 (aggregating)。关键词字段只和其确切的值匹配，它们的查询不会进行分词处理。
constant_keyword：这种类型适用于在所有文档中都始终有相同值的字段。比如在一次特定的索引操作中，所有的文档都需要包含一个常量字段，例如 env 的值可能为 "production"。
wildcard：这种类型的字段可以存储任何字符串，并且对于这种类型的字段进行的查询可以使用通配符表达式。这种类型的字段对于像 grep 这样的场景非常有用，即当你需要在一个长字符串中搜索一个较短的子串时。但是要注意，虽然 wildcard 字段提供了强大的模式匹配能力，但是这种能力是需要付出性能代价的。

日期类型

JSON 没有日期数据类型，因此 Elasticsearch 中的日期可以是以下三种：

包含格式化日期的字符串：例如 "2015-01-01"、 "2015/01/01 12:10:30"。
时间戳：表示自"1970年 1 月 1 日"以来的毫秒数/秒数。
date_nanos：此数据类型是对 date 类型的补充。但是有一个重要区别。date 类型存储最高精度为毫秒，而date_nanos 类型存储日期最高精度是纳秒，但是高精度意味着可存储的日期范围小，即：从大约 1970 到 2262。

对象类型

object：默认情况下，Elasticsearch 使用 object 数据类型来处理 JSON 对象。
flattened：这是用来索引对象数组或者具有未知结构的字段的特殊映射类型。其将整个JSON对象作为单个键值对存储，帮助降低索引大小和提高搜索速度。
nested：这是一个类似于 object 的数据类型，但它能保存并查询对象数组内部对象的独立性，因此可以用来处理更复杂的结构。
join：这是一个特殊数据类型，用于模拟在文档之间的父/子关系。这样可以创建一对多的连接，例如，在博客文章和评论这样的场景中使用。

空间数据类型

geo_point：表示地理位置的点，存储纬度和经度信息。
geo_shape：表示复杂的地理形状，如多边形、线、圆等。
point：在笛卡尔空间中表示一个点，存储X和Y坐标。
shape：在笛卡尔空间中表示任意复杂的几何形状。

文档排名类型

dense_vector：记录浮点值的密集向量。这种类型常用于存储机器学习模型的输出，例如词嵌入、句子嵌入等。
rank_feature：记录单个数值特征以优化排名。当这个字段被查询时，Elasticsearch 会考虑其值来重新排序搜索结果。
rank_features：记录多个数值特征以优化排名。与rank_feature类似，但它能够处理包含多个特征的对象。当这些字段被查询时，Elasticsearch 会考虑它们的值来重新排序搜索结果。

文本搜索类型

text：用于存储全文和进行全文搜索的数据类型。
annotated-text：这是一个特殊的文本字段，它支持包含标记的文本。这些标记表示文本中的命名实体或其他重要项，可以在后续搜索中使用。
completion ：这是一个专门为自动补全和搜索建议设计的数据类型。
search_as_you_type： 这是一种特殊的文本字段，它被优化以提供按键查询时的即时反馈，从而提高用户输入时的搜索体验。
token_count：这是一种数值型字段，用于存储文本字段中的词元数量。此字段常用于信息检索场景，比如评估某个字段的长度。

两种映射类型

自动映射：Dynamic Field Mapping

Elasticsearch的Dynamic Field Mapping是一种自动产生index mapping的机制。在通常情况下，当一个新文档被索引到Elasticsearch中，如果其中包含了未在mapping中定义的字段，Elasticsearch就会尝试根据这个新字段的数据类型自动生成相应的mapping。

自动映射关系如下：

field type	dynamic
true/false	boolean
小数	float
数字	long
object	object
数组	取决于数组中的第一个非空元素的类型
日期格式字符串	date
数字类型字符串	float/long
其他字符串	text + keyword

除了上述字段类型之外，其他类型都必须显式映射，也就是必须手工指定，因为其他类型ES无法自动识别。

这里有几点需要注意：

数据类型识别：Elasticsearch会按照以下顺序判断数据类型：长整数、浮点数、布尔值、日期、字符串（字符串可能会进一步映射为text或keyword）。
字段名称含义：Elasticsearch不会考虑字段名称的含义，它仅仅依靠字段的数据类型来生成mapping。
关闭动态映射：如果你不希望Elasticsearch自动创建mapping，可以将index的dynamic设置为false。
动态模板：你可以使用动态模板来改变默认的mapping规则，例如，你可以将所有看起来像日期的字符串都映射为date类型。
对象和嵌套字段：对于对象（object）和嵌套字段（nested），Elasticsearch也会递归地应用动态映射规则。
更新映射：请注意，一旦字段的映射被创建，就不能再修改字段的数据类型了。因此，如果你要索引的文档中有新的字段，最好事先定义好mapping，避免让Elasticsearch自动映射可能产生不符合你期望的结果。
当一个字段第一次出现时，Elasticsearch会使用先行数据类型来设置映射。如果后续数据类型与先前设置的映射类型不一致，Elasticsearch可能无法正确索引这些文档。

总的来说，虽然动态字段映射可以在某些情况下提供便利，但它也可能导致未预见的问题。因此，更推荐在开始索引文档之前就定义好mapping。

显式映射：Expllcit Field Mapping

在 Elasticsearch 中，显式映射（Explicit Field Mapping）是指为索引预定义的字段类型和行为。当你创建一个索引时，你可以定义每个字段的数据类型、分词器或者其他相关的配置。这就是显式映射。

以下是一些主要的显式映射类型：

核心数据类型：包括 string（字符串）、integer（整型）、long（长整型）、double（双精度浮点型）、boolean（布尔型）等。
复合数据类型：包括 object（对象），用于单个 JSON 对象，nested，用于 JSON 数组。
地理数据类型：如 geo_point 和 geo_shape。
专门用途的数据类型：例如 IP、自动完成、token count、join types 等。

通过显式映射，Elasticsearch 可以更准确地解析和索引数据，对查询性能优化起到关键作用。如果不提供显式映射，Elasticsearch 将会根据输入数据自动推断并生成隐式映射，但可能无法达到最理想的效果。

以下是一个示例，展示了怎么设置一个简单的显式映射：

PUT my_index
{
  "mappings": {
    "properties": {
      "name": { "type": "text" },
      "age": { "type": "integer" }
    }
  }
}

上述代码中，我们在 my_index 索引中定义了两个字段的映射，name 字段类型为 text，age 字段类型为 integer。

注意：在 Elasticsearch 7.0 之后，映射类型被废弃，所有的映射参数直接放在 "properties" 下。

映射参数

在Elasticsearch中，映射参数是用于定义如何处理文档和其包含的字段的规则。

主要参数有下：

index：是否对当前字段创建倒排索引，默认 true，如果不创建索引，该字段不会通过索引被搜索到，但是仍然会在 source 元数据中展示。
analyzer：指定分析器（character filter、tokenizer、Token filters）。
boost：对当前字段相关度的评分权重，默认1。
coerce：是否允许强制类型转换，为 true的话 “1”能被转为 1， false则转不了。虽然这个参数可以帮助我们强制类型转换，但是它可能会在数据质量管理中引起问题。如果原始数据包含错误的类型，使用 "coerce" 可能会隐藏这些问题，而不是将其暴露出来。
copy_to：该参数允许将多个字段的值复制到组字段中，然后可以将其作为单个字段进行查询。
doc_values：为了提升排序和聚合效率，默认true，如果确定不需要对字段进行排序或聚合，也不需要通过脚本访问字段值，则可以禁用doc值以节省磁盘空间，对于text字段和annotated_text字段，无法禁用此选项，因为这些字段类型在默认情况下不使用doc values。
dynamic：控制是否可以动态添加新字段
- true ：新检测到的字段将添加到映射中（默认）。
- false ：新检测到的字段将被忽略。这些字段将不会被索引，因此将无法搜索，但仍会出现在_source返回的匹配项中。这些字段不会添加到映射中，必须显式添加新字段。
- strict ：如果检测到新字段，则会引发异常并拒绝文档。必须将新字段显式添加到映射。
eager_global_ordinals：用于聚合的字段上，优化聚合性能，但不适用于 Frozen indices。
- Frozen indices（冻结索引）：有些索引使用率很高，会被保存在内存中，有些使用率特别低，宁愿在使用的时候重新创建，在使用完毕后丢弃数据，Frozen indices 的数据命中频率小，不适用于高搜索负载，数据不会被保存在内存中，堆空间占用比普通索引少得多，Frozen indices是只读的，请求可能是秒级或者分钟级。
enable：是否创建倒排索引，可以对字段操作，也可以对索引操作，如果不创建索引，仍然可以检索并在_source元数据中展示，谨慎使用，该状态无法修改。enable的作用和index类似，区别就是enable可以对全局进行设置。例如：

PUT my_index
{
  "mappings": {
    "enabled": false
  }
}

fielddata：查询时内存数据结构，在首次用当前字段聚合、排序或者在脚本中使用时，需要字段为fielddata数据结构，并且创建倒排索引保存到堆中。
fields：给field创建多字段，用于不同目的（全文检索或者聚合分析排序）。
format：格式化。例如：

"date": {
  "type":  "date",
  "format": "yyyy-MM-dd"
}

ignore_above：这是一个针对keyword类型字段的设置，对于超过指定长度的字符串，ES 不会对其建立索引。
ignore_malformed：忽略类型错误。
index_options：控制将哪些信息添加到反向索引中以进行搜索和突出显示。仅用于text字段。
Index_phrases：提升 exact_value 查询速度，但是要消耗更多磁盘空间。
Index_prefixes：前缀搜索。
- min_chars：前缀最小长度> 0，默认 2（包含）。
- max_chars：前缀最大长度< 20，默认 5（包含）。
meta：附加元数据。
normalizer：normalizer 参数用于解析前（索引或者查询时）的标准化配置。
norms：是否禁用评分（在 filter 和聚合字段上应该禁用）。
null_value：为 null 值设置默认值。
position_increment_gap：对于数组或者列表类型的字段，在进行phrase query或者phrase suggest时，允许用户自定义同一字段内两个相邻元素间的位置增量，默认100。
properties：除了mapping还可用于object的属性设置。
search_analyzer：设置单独的查询时分析器，如果定义了analyzer而没有定义search_analyzer，则search_analyzer的值默认会和analyzer保持一致，如果两个都没有定义，则默认是："standard"。analyzer针对的是元数据，而search_analyzer针对的是传入的搜索词。
similarity：为字段设置相关度算法，和评分有关。支持BM25、classic（TF-IDF）、boolean。
store：设置字段是否仅查询。
term_vector：运维参数。这个参数可以设置存储哪些信息用于更复杂的文本处理，例如在词向量建模或者更复杂的文本检索场景中使用。

Text & Keyword

Text

当一个字段是要被全文检索时，比如 Email 内容、产品描述，这些字段应该使用 text 类型。设置 text 类型以后，字段内容会被分析，在生成倒排索引之前，字符串会被分析器分成一个个词项。text类型的字段不用于排序，很少用于聚合。

注意事项

适用于全文检索：如 match 查询。
文本字段会被分词。
默认情况下，会创建倒排索引。
自动映射器会为 Text 类型创建 Keyword 字段。

Keyword

Keyword 类型适用于不分词的字段，如姓名、Id、数字等。如果数字类型不用于范围查找，用 Keyword 的性能要高于数值类型。

当使用 Keyword 类型查询时，其字段值会被作为一个整体，并保留字段值的原始属性。

GET index/_search
{
  "query": {
    "match": {
      "title.keyword": "测试文本值"
    }
  }
}

注意事项

Keyword 不会对文本分词，会保留字段的原有属性，包括大小写等。
Keyword 仅仅是字段类型，而不会对搜索词产生任何影响。
Keyword 一般用于需要精确查找的字段，或者聚合排序字段。
Keyword 通常和 Term 搜索一起用。
Keyword 字段的 ignore_above 参数代表其截断长度，默认 256，如果超出长度，字段值会被忽略，而不是截断，忽略指的是会忽略这个字段的索引，搜索不到，但数据还是存在的。

映射模板

之前讲过的映射类型或者映射参数，都是为确定的某个字段而声明的。

但是当我们不确定字段名字的时候该怎么设置mapping呢？映射模板就是用来解决这种场景的。

如果希望对符合某类要求的特定字段制定映射，就需要用到映射模板：Dynamic templates。映射模板有时也被称作：自动映射模板、动态模板等。

以下是一个示例：

{
    "mappings": {
        "dynamic_templates": [
            {
                "strings_as_keyword": {
                    "match_mapping_type": "string",
                    "mapping": {
                        "type": "keyword"
                    }
                }
            },
            {
                "longs_as_integer": {
                    "match_mapping_type": "long",
                    "mapping": {
                        "type": "integer"
                    }
                }
            }
        ]
    }
}

在上述例子中，我们定义了两个模板：strings_as_keyword 和 longs_as_integer。当新字段被发现时，Elasticsearch 会检查这些模板以决定如何映射这个新字段。

strings_as_keyword 模板将所有新的字符串类型字段映射为 keyword 类型。
longs_as_integer 模板将所有新的长整数（long）类型字段映射为 integer 类型。

注意：这些只是示例，实际的映射应该取决于实际数据和查询需求。例如，如果你需要对字符串字段进行全文搜索，那么将其映射为 text 可能更合适。

参数

match：匹配字段名称。
unmatch：反匹配字段名称。
match_mapping_type：匹配字段类型，例如 string、long、double、boolean、date。
match_pattern：允许更复杂的名字模式，支持"starts_with"、"ends_with" 和 "contains"。
path_match：允许你用路径 (如 article.title) 来匹配字段。
path_unmatch：反匹配路径。
mapping：该字段被匹配时，应用的映射设置。

案例

PUT test_dynamic_template

{
 "mappings": {
  "dynamic_templates": [{
    "integers": {
     "match_mapping_type": "long",
     "mapping": {
      "type": "integer"
     }
    }
   },
   {
    "longs_as_strings": {
     "match_mapping_type": "string",
     "match": "num_*",
     "unmatch": "*_text",
     "mapping": {
      "type": "keyword"
     }
    }
   }
  ]
 }
}

以上代码会产生以下效果：