探究 | 明明存在，怎么搜索不出来呢？
1、题记
题出有因：
有位医生朋友在QQ留言，说对于专业词汇，检索不到怎么办？
举例：搜索：痉湿暍病 结合了国内的多款分词插件，竟然搜索不到?
2、共性认知
2.1 为什么需要分词？
wildcard模糊匹配不也可以全字段模糊查询，进而得到结果呢？
但是，当文档结果集非常大，模糊匹配必然会有性能问题。
搜索引擎的为什么能快速检索到自己查询的关键字呢？倒排索引是以O(1)时间复杂度，一招解决问题的关键。
没有词语，怎么建立索引呢？于是，我们需要中文分词！
并且分词发生在用户查询和服务器建立索引时。
2.2 查全率 VS 查准率
查全率＝（检索出的相关信息量/系统中的相关信息总量）100%
查准率＝（检索出的相关信息量/检索出的信息总量）100%
前者是衡量检索系统和检索者检出相关信息的能力，后者是衡量检索系统和检索者拒绝非相关信息的能力。两者合起来，即表示检索效率。
3、Elasticsearch 多种检索类型选型指南
3.1 match检索
含义：精细化切词匹配，只要待匹配的语句中，有一个满足检索结果，就能匹配到。
场景：结果可能达不到实际开发预期。实际业务中但凡有精准度要求的都较少或几乎不使用。
举例：
1PUT doctor_index/_doc/4
2{
3 "content":"刘强东方才只是睡觉了,并没有违法"
4}
我输入检索词
“小王睡觉”
，也能匹配到上面的content。
3.2match_phrase:短语匹配
含义：相比match，更强调多个分词结果和顺序，都要完整匹配才能检索到。
场景：实战应用中会较多使用，结合slop调整顺序和精度。
3.3 query_string
含义：支持与（AND）、或（OR）、非（NOT）的匹配。
场景：有与或非多值匹配的场景，无需单独再开发，开箱即用。底层的关键词实际走的是match_phrase，
不过多个参数（如：default_operator，phrase_slop等）可控制调整精度。
举例：
1GET /_search
2{
3 "query": {
4 "query_string" : {
5 "default_field" : "content",
6 "query" : "刘强东 AND 无罪"
7 }
8 }
9}
4、为什么会检索不到？
结合几个典型例子，实践分析一把。
4.1 分词原因/词典未收录原因
举例：
1PUT doctor_index/_doc/3
2{
3 "content":"佟大为老婆生了孩子"
4}
5POST doctor_index/_search
6{
7"profile":"true",
8 "query": {
9 "match_phrase": {
10 "content": "佟大"
11 }
12 }
13}
包含”佟大”，但是短语匹配搜索不到。
原因分析：
来看看切词，
1GET /_analyze
2{
3 "text":"佟大为老婆生了孩子",
4 "analyzer": "ik_max_word"
5}
| token | start_offset | end_offset | position |
佟大为 | 0 | 3 | 0 |
大为 | 1 | 3 | 1 |
大 | 1 | 2 | 2 |
为 | 2 | 3 | 3 |
老婆 | 3 | 5 | 4 |
老 | 3 | 4 | 5 |
婆 | 4 | 5 | 6 |
生了 | 5 | 7 | 7 |
生 | 5 | 6 | 8 |
了 | 6 | 7 | 9 |
孩子 | 7 | 9 | 10 |
搜索：佟大，如果执意也要搜出结果呢？
| token | start_offset | end_offset | position |
佟 | 0 | 1 | 0 |
大 | 1 | 2 | 1 |
分析可知：佟大两个字组成的连词，没有作为词组分配的，所以匹配不到。
4.2 postition位置不一致。
假定我字典里面没有收录“刘强东”这个人名。
举例：
1PUT doctor_index/_doc/4
2{
3 "content":"刘强东方才只是睡觉了,并没有违法"
4}
5POST doctor_index/_search
6{
7 "query": {
8 "match_phrase": {
9 "content": "刘强东"
10 }
11 }
12}
原因分析：
| token | position |
刘强 | 0 |
东方 | 1 |
方才 | 2 |
方 | 3 |
才 | 4 |
只是 | 5 |
睡觉 | 6 |
睡 | 7 |
觉了 | 8 |
觉 | 9 |
了 | 10 |
并没有 | 11 |
并没 | 12 |
并 | 13 |
没有 | 14 |
有 | 15 |
违法 | 16 |
法 | 17 |
而刘强东的分词结果是：
| token | position |
刘强 | 0 |
东 | 1 |
match_phrase匹配必须：
position一致，可以上下对比一下，由于东方组成了短语，导致结果position不一致，匹配结果检索不到。
5、如何让存在的字符都能搜索到呢？
5.1 关于match_phrase的精确度问题
方案一：match_phrase_prefix结合slop的方案
参见：Elasticsearch实战 | match_phrase搜不出来，怎么办？
但是，事后分析发现：slop设置不论多大、多小，都可能会引入噪音数据，导致结果不准确。
方案二：match_phrase结合match should关联匹配。
缺点：依然会引入噪音数据。
5.2 参考阿里云的实践思路，采取：逐个字分词和ik分词结合的方式。
单字分词应用场景——对于像姓名类字段，业务上需要支持完整匹配，又需要支持单字查询。可以配置1个keyword字段（不分词）；
1个text字段（分词），分词器选择Elasticsearch默认分词器standard，按单个汉字切分。
5.3 实践一把
我们处理问题的前提：提升查全率。
1PUT mx_index
2{
3 "mappings": {
4 "_doc": {
5 "properties": {
6 "content": {
7 "type": "text",
8 "analyzer": "ik_max_word",
9 "fields": {
10 "standard": {
11 "type": "text",
12 "analyzer": "standard"
13 },
14 "keyword": {
15 "type": "keyword",
16 "ignore_above": 256
17 }
18 }
19 }
20 }
21 }
22 }
23}
24
25PUT mx_index/_doc/1
26{
27 "content":"佟大为老婆生了孩子"
28}
29
30POST mx_index/_search
31{
32 "query": {
33 "bool": {
34 "should": [
35 {
36 "match_phrase": {
37 "content": "佟大"
38 }
39 },
40 {
41 "match_phrase": {
42 "content.standard": "佟大"
43 }
44 }
45 ]
46 }
47 }
48}
6、小结
不是放之四海而皆准的实现方式。要看你的系统对查全率和查准率的要求了，正常的业务场景：
1）
动态更新词库、词典；2）match_phrase结合slop就能解决问题。
所以，一定要结合自己的业务场景。
相信这么处理，开头医生的需求也能实现了。
加入知识星球，更短时间更快习得更多干货！