Elasticsearch系列TermVector工具探查数据

编程

概要

本篇主要介绍一个Term Vector的概念和基本使用方法。

term vector是什么?

每次有document数据插入时,elasticsearch除了对document进行正排、倒排索引的存储之外,如果此索引的field设置了term_vector参数,elasticsearch还会对这个的分词信息进行计算、统计,比如这个document有多少个field,每个field的值分词处理后得到的term的df值,ttf值是多少,每个term存储的位置偏移量等信息,这些统计信息统称为term vector。

term vector的值有5个

  • no:不存储term vector信息,默认值
  • yes:只存储field terms信息,不包含position和offset信息
  • with_positions:存储term信息和position信息
  • with_offsets:存储term信息和offset信息
  • with_positions_offsets:存储完整的term vector信息,包括field terms、position、offset信息。

term vector的信息生成有两种方式:index-time和query-time。index-time即建立索引时生成term vector信息,query-time是在查询过程中实时生成term vector信息,前者以空间换时间,后者以时间换空间。

term vector有什么作用?

term vector本质上是一个数据探查的工具(可以看成是一个debugger工具),上面记录着一个document内的field分词后的term的详细情况,如拆分成几个term,每个term在正排索引的哪个位置,各自的df值、ttf值分别是多少等等。一般用于数据疑似问题的排查,比如说排序和搜索与预期的结果不一致,需要了解根本原因,可以拿这个工具手动进行数据分析,帮助判断问题的根源。

读懂term vector信息

我们来看看一个完整的term vector报文,都有哪些信息,带#号的一行代码是添加的注释,如下示例:

{

"_index": "music",

"_type": "children",

"_id": "1",

"_version": 1,

"found": true,

"took": 0,

"term_vectors": {

"text": {

"field_statistics": {

"sum_doc_freq": 3,

"doc_count": 1,

"sum_ttf": 3

},

"terms": {

"elasticsearch": {

"doc_freq": 1,

"ttf": 1,

"term_freq": 1,

"tokens": [

{

"position": 2,

"start_offset": 11,

"end_offset": 24

}

]

},

"hello": {

"doc_freq": 1,

"ttf": 1,

"term_freq": 1,

"tokens": [

{

"position": 0,

"start_offset": 0,

"end_offset": 5

}

]

},

"java": {

"doc_freq": 1,

"ttf": 1,

"term_freq": 1,

"tokens": [

{

"position": 1,

"start_offset": 6,

"end_offset": 10

}

]

}

}

}

}

}

一段完整的term vector信息,term vector是按field为维度来统计的,主要包含三个部分:

  • field statistics
  • term statistics
  • term information

field statistics

指该索引和type下所有的document,对这个field所有term的统计信息,注意document的范围,不是某一条,是指定index/type下的所有document。

  • sum_doc_freq(sum of document frequency):这个field中所有的term的df之和。
  • doc_count(document count):有多少document包含这个field,有些document可能没有这个field。
  • sum_ttf(sum of total term frequency):这个field中所有的term的tf之和。

term statistics

hello为当前document中,text field字段分词后的term,查询时设置term_statistics=true时生效。

  • doc_freq(document frequency):有多少document包含这个term。
  • ttf(total term frequency):这个term在所有document中出现的频率。
  • term_freq(term frequency in the field):这个term在当前document中出现的频率。

term information

示例中tokens里面的内容,tokens里面是个数组

  • position:这个term在field里的正排索引位置,如果有多个相同的term,tokens下面会有多条记录。
  • start_offset:这个term在field里的偏移,表示起始位置偏移量。
  • end_offset:这个term在field里的偏移量,表示结束位置偏移量。

term vector使用案例

  1. 建立索引music,type命名为children,指定text字段为index-time,fullname字段为query-time

PUT /music

{

"mappings": {

"children": {

"properties": {

"content": {

"type": "text",

"term_vector": "with_positions_offsets",

"store" : true,

"analyzer" : "standard"

},

"fullname": {

"type": "text",

"analyzer" : "standard"

}

}

}

}

}

  1. 添加3条示例数据

PUT /music/children/1

{

"fullname" : "Jean Ritchie",

"content" : "Love Somebody"

}

PUT /music/children/2

{

"fullname" : "John Smith",

"content" : "wake me, shark me ..."

}

PUT /music/children/3

{

"fullname" : "Peter Raffi",

"content" : "brush your teeth"

}

  1. 对document id为1这条数据进行term vector探查

GET /music/children/1/_termvectors

{

"fields" : ["content"],

"offsets" : true,

"positions" : true,

"term_statistics" : true,

"field_statistics" : true

}

得到的结果即为上文的term vector示例。

另外可以提一下,用这3个document的id进行查询,field_statistics部分是一样的。

term vector常见用法

除了上一节的标准查询用法,还有一些参数可以丰富term vector的查询。

  • doc参数

GET /music/children/_termvectors

{

"doc" : {

"fullname" : "Peter Raffi",

"content" : "brush your teeth"

},

"fields" : ["content"],

"offsets" : true,

"positions" : true,

"term_statistics" : true,

"field_statistics" : true

}

这个语法的含义是针对指定的doc进行term vector分析,doc里的内容可以随意指定,特别实用。

  • per_field_analyzer参数

    可以指定字段的分词器进行探查

GET /music/children/_termvectors

{

"doc" : {

"fullname" : "Jimmie Davis",

"content" : "you are my sunshine"

},

"fields" : ["content"],

"offsets" : true,

"positions" : true,

"term_statistics" : true,

"field_statistics" : true,

"per_field_analyzer" : {

"text": "standard"

}

}

  • filter参数

    对term vector统计结果进行过滤

GET /music/children/_termvectors

{

"doc" : {

"fullname" : "Jimmie Davis",

"content" : "you are my sunshine"

},

"fields" : ["content"],

"offsets" : true,

"positions" : true,

"term_statistics" : true,

"field_statistics" : true,

"filter" : {

"max_num_terms" : 3,

"min_term_freq" : 1,

"min_doc_freq" : 1

}

}

根据term统计信息,过滤出你想要看到的term vector统计结果。也挺有用的,比如你探查数据可以过滤掉一些出现频率过低的term。

  • docs参数

    允许你同时对多个doc进行探查,这个使用频率看个人习惯。

GET _mtermvectors

{

"docs": [

{

"_index": "music",

"_type": "children",

"_id": "2",

"term_statistics": true

},

{

"_index": "music",

"_type": "children",

"_id": "1",

"fields": [

"content"

]

}

]

}

term vector使用建议

有两种方式可以得到term vector信息,一种是像上面案例,建立时指定,另一种是直接查询时生成

  • index-time,在mapping里配置,建立索引的时候,就直接给你生成这些term和field的统计信息,如果term_vector设置为with_positions_offsets,索引所占的空间是不设置term vector时的2倍。
  • query-time,你之前没有生成过任何的Term vector信息,然后在查看term vector的时候,直接就可以看到了,会on the fly,现场计算出各种统计信息,然后返回给你。

这两种方式采用哪种取决于对term vector的使用期望,query-time更常用一些,毕竟这个工具的用处是协助定位问题,实时计算就行。

小结

term vector是一个比较实用的工具,尤其是针对线上数据进行分析、协助问题定位的时候,可以派上很大的用场。

专注Java高并发、分布式架构,更多技术干货分享与心得,请关注公众号:Java架构社区

可以扫左边二维码添加好友,邀请你加入Java架构社区微信群共同探讨技术

以上是 Elasticsearch系列TermVector工具探查数据 的全部内容, 来源链接: utcz.com/z/516243.html

回到顶部