.png)
.png)
Elasticsearch DSL 查询之复合查询详解
在实际的搜索应用场景中，单一的查询条件往往无法满足我们的需求，我们经常需要将多个查询条件进行组合，以获取更精准的结果。在 ElasticSearch 中，这种多种条件组合的查询被称为复合查询。ElasticSearch 为我们提供了 5 种强大的复合查询方式，分别是 bool query (布尔查询)、boosting query (提高查询)、constant_score（固定分数查询）、dis_max (最佳匹配查询）以及 function_score (函数查询）。接下来，我们将从构造数据开始，深入探究这五种复合查询的具体用法。
一、构造模拟数据
为了更好地演示复合查询，我先构造一批模拟数据，大家可以直接使用我的示例数据
假设我们有一个电商商品索引，每个商品文档包含title（商品标题）、description（商品描述）、price（商品价格）、category（商品类别）等字段。
ElasticSearch 中批量插入数据：
PUT /taobao_products/_bulk
{"index":{"_id":1}}
{"title":"华为 Mate 60 Pro","description":"麒麟芯片5G全网通智能手机","price":6999,"category":"手机","sales":12800}
{"index":{"_id":2}}
{"title":"小米 14 Ultra","description":"徕卡影像旗舰手机","price":5999,"category":"手机","sales":9650}
{"index":{"_id":3}}
{"title":"李宁跑步鞋男2025春季新款","description":"减震防滑透气网面运动鞋","price":399,"category":"运动鞋","sales":56000}
{"index":{"_id":4}}
{"title":"优衣库春季薄款羽绒服","description":"轻便保暖情侣款外套","price":499,"category":"服装","sales":89200}
{"index":{"_id":5}}
{"title":"Apple AirPods Pro 2","description":"主动降噪无线蓝牙耳机","price":1799,"category":"数码配件","sales":32500}
{"index":{"_id":6}}
{"title":"大疆 Mini 4 Pro","description":"可折叠航拍无人机","price":4788,"category":"摄影器材","sales":15600}
{"index":{"_id":7}}
{"title":"任天堂Switch OLED","description":"掌上游戏机国行续航版","price":2099,"category":"游戏机","sales":42100}
{"index":{"_id":8}}
{"title":"联想小新Pro16 2025","description":"12代酷睿高性能轻薄本","price":6299,"category":"笔记本电脑","sales":28700}批量插入接口_bulk，一次性向名为products的索引中插入了 5 条商品数据。
二、bool query (布尔查询)
概念
布尔查询是 ElasticSearch 中最常用的复合查询方式，它基于布尔逻辑来组合多个查询子句。布尔查询包含四个重要的子句：must、must_not、should和filter。
must：必须满足的条件，相当于逻辑与（AND），满足must条件的文档会被包含在结果集中，并且会影响文档的相关性得分。must_not：必须不满足的条件，相当于逻辑非（NOT），满足must_not条件的文档会被排除在结果集之外，不影响文档的相关性得分。should：应该满足的条件，相当于逻辑或（OR），满足should条件的文档会增加相关性得分。如果must和filter子句没有匹配的文档，那么should子句中至少有一个条件匹配的文档才会被返回。filter：过滤条件，与must类似，满足filter条件的文档会被包含在结果集中，但不计算相关性得分，因此在性能上会比must更好，常用于对查询结果进行条件过滤。
例子
查询价格在 3000 元以上的数码类商品（手机、数码配件、摄影器材），同时排除华为品牌的商品：
must子句确保返回的文档价格大于等于 3000 且类别属于数码类商品，must_not子句则将华为品牌的商品排除在外。
GET /taobao_products/_search
{
"query": {
"bool": {
"must": [
{
"range": {
"price": {
"gte": 3000
}
}
},
{
"terms": {
"category": ["手机", "数码配件", "摄影器材"]
}
}
],
"must_not": [
{
"match_phrase": {
"title": "华为"
}
}
]
}
}
}
此处因为我们没有定义字段的mapping ，category字段可能已经被分词，所以我们指定查询的方式为keyword. 或者可以修改一下这个索引mapping。
PUT /taobao_products/_mapping
{
"properties": {
"category": {
"type": "keyword"
},
"description": {
"type": "text",
"fields": {
"keyword": {
"type": "keyword",
"ignore_above": 256
}
}
},
"price": {
"type": "long"
},
"sales": {
"type": "long"
},
"title": {
"type": "text",
"fields": {
"keyword": {
"type": "keyword",
"ignore_above": 256
}
}
}
}
}三、boosting query (提高查询)
概念
提高查询用于控制文档的相关性得分，它可以提升满足某个查询条件的文档的相关性得分，同时降低不满足另一个查询条件的文档的相关性得分。提高查询包含两个重要的子句：positive和negative，以及一个negative_boost参数。
positive：需要提升得分的查询条件。negative：需要降低得分的查询条件。negative_boost：降低得分的权重，取值范围在 0 到 1 之间，数值越小，降低的程度越大。
例子
查询手机类商品，同时降低销量低于 10000 的商品的相关性得分：
positive子句筛选出类别为手机的商品，negative子句找出销量低于 10000 的商品，并通过negative_boost参数将其相关性得分降低到原来的 30%。
GET /taobao_products/_search
{
"query": {
"boosting": {
"positive": {
"term": {
"category.keyword": "手机"
}
},
"negative": {
"range": {
"sales": {
"lt": 10000
}
}
},
"negative_boost": 0.3
}
}
}
需要理解boosting查询的工作机制：它不会过滤文档，只会调整分数。具体来说：
positive 查询：匹配所有类别为 "手机" 的商品（在你的数据中是华为 Mate 60 Pro 和小米 14 Ultra）
negative 查询：检查这些商品的销量是否低于 10000
negative_boost=0.3：如果商品同时满足 negative 条件（销量 < 10000），则将其相关性分数乘以 0.3
数据情况：
华为 Mate 60 Pro：销量 12800（不满足 negative 条件，分数不变）
小米 14 Ultra：销量 9650（满足 negative 条件，分数 ×0.3）
预期结果：
两个商品都会返回，但小米 14 Ultra 的分数会被降低
如果按分数排序，华为 Mate 60 Pro 会排在前面
验证方法：
执行查询并查看返回结果的_score字段：
GET /taobao_products/_search
{
"query": {
"boosting": {
"positive": {
"term": {
"category.keyword": "手机"
}
},
"negative": {
"range": {
"sales": {
"lt": 10000
}
}
},
"negative_boost": 0.3
}
},
"_source": ["title", "sales"],
"explain": true // 显示分数计算详情
}
误解：
如果你期望销量 < 10000 的商品被完全过滤掉，需要使用bool查询而非boosting
GET /taobao_products/_search
{
"query": {
"bool": {
"must": [
{ "term": { "category.keyword": "手机" } }
],
"filter": [
{ "range": { "sales": { "gte": 10000 } } }
]
}
}
}
boosting查询语法正确，它会保留所有手机类商品，但降低销量低的商品的排名。如果这不是想要的效果，可以改用bool+filter组合。
四、constant_score（固定分数查询）
概念
固定分数查询会为所有匹配的文档分配一个固定的相关性得分，而不考虑文档与查询条件的实际匹配程度。它常用于在不关心文档相关性得分，只需要根据特定条件过滤文档的场景。固定分数查询通常与其他查询条件结合使用，通过filter子句来实现。
例子
查询所有销量超过 50000 的商品，并为这些商品分配固定的相关性得分 1.0：
GET /taobao_products/_search
{
"query": {
"constant_score": {
"filter": {
"range": {
"sales": {
"gt": 50000
}
}
},
"boost": 1.0
}
}
}
在这个filter子句筛选出销量超过 50000 的商品，boost参数为这些匹配的文档设置固定的相关性得分为 1.0。
五、dis_max (最佳匹配查询）
概念
最佳匹配查询会返回与任何一个查询条件匹配度最高的文档，它只考虑最佳匹配的查询子句，而忽略其他子句的匹配情况，并且会对最佳匹配的子句的相关性得分进行提升。dis_max 查询包含一个queries参数，用于指定多个查询子句。
查询标题或描述中包含 “轻薄” 或 “便携” 的商品，只返回匹配度最高的文档：
GET /taobao_products/_search
{
"query": {
"dis_max": {
"queries": [
{
"match": {
"title": "轻薄 便携"
}
},
{
"match": {
"description": "轻薄 便携"
}
}
]
}
}
}
queries参数包含了两个match查询，分别在商品的标题和描述中搜索 “轻薄” 和 “便携”，最终只会返回与这两个查询条件中匹配度最高的文档。
六、function_score (函数查询)
概念
函数查询允许我们根据自定义的函数来调整文档的相关性得分。它可以结合多种函数，如weight（固定权重）、random_score（随机得分）、field_value_factor（根据字段值计算得分）等，对文档的相关性得分进行灵活的控制。函数查询包含query子句用于指定基础查询条件，以及functions数组用于定义调整得分的函数。
例子
查询所有价格在 1000-5000 元之间的商品，并根据销量来调整相关性得分，销量越高，得分越高：
GET /taobao_products/_search
{
"query": {
"function_score": {
"query": {
"range": {
"price": {
"gte": 1000,
"lte": 5000
}
}
},
"functions": [
{
"field_value_factor": {
"field": "sales",
"modifier": "log1p",
"factor": 0.5
}
}
]
}
}
}
query子句先筛选出价格在 1000-5000 元之间的商品，functions数组中的field_value_factor函数根据商品的sales字段值来计算相关性得分，通过modifier参数指定使用log1p函数对销量进行转换，使得销量越高，相关性得分提升得越明显。
通过以上对 ElasticSearch 中五种复合查询方式的详细介绍和实例演示，相信你已经对复合查询有了更深入的理解。在实际应用中，根据不同的业务需求灵活选择和组合这些复合查询方式，能够帮助我们实现更加精准和高效的搜索功能。
评论区