欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

elasticsearch实现联想输入搜索(like操作)

程序员文章站 2022-05-13 16:26:38
...

通常,在项目中需要联想输入(即输入关键字,提示相关词条,类似百度google的搜索)的需求,可能大家都是用的数据库的like '%关键字%‘来实现。但是这样实现有几个问题。

第一、这样的搜索无论是oracle还是mysql,都是无法使用索引的。在oracle中可能有全文检索可以使用,但是个人感觉效果不是很好。

第二、输入的关键字有like的通病,就是只有保含关键字的词条才会被命中。如果中间加个空格之类的,db就无能为力了。

第三、如果要想对命中结果进行相关度排序,这个在常规数据库是无法做到的。虽然,可以按照命中词条的长度进行升序排序,但是加上排序,性能不是很好。

 

下面介绍一下使用elasticsearch实现联想输入的搜索,因为是搜索引擎,天生就不具备上面的3个问题。

在具体介绍使用方法之前,我们先找个搜索数据。我找的是ICD(就是疾病名称的国标),谁让咱一生都在跟他做斗争。这个在网上一搜一堆。

有了数据,我们先要简单描述一下我们要达到的一个目的。一般的搜索都支持汉字 和拼音两种检索方法。我们的这个检索也满足这个需求。

 

搜索需求描述:

1、支持汉字和简拼两种搜索方法。

2、输入“高血压”时,按照相关度,将带“高血压”名称的疾病名称按照相关度降序排序。

3、输入“老年 高血压”,时,将带“老年”和“高血压”名称的疾病名称按照相关度降序排序。

4、输入拼音'gxy‘时,将拼音中带有gxy相关的疾病按照相关度降序排序。

....

 

类似测试用例的需求,到此打住。

 

那么,我们一步一步实现这种需求。

首先,我们定义了一个ICD的类,算作我们的模型,其实没有模型也可以,只要存入到es且知道各个field的名称就行。这个里面我们只需要关注疾病名称diseaseName及简拼pinyin字段即可,这个字段默认是字符串,ES默认会帮我们分词。

import java.io.Serializable;
import java.math.BigDecimal;
/**
 * ICD抽象对象
 * @author donlianli@126.com
 */
public class ICD implements Serializable{
	private static final long serialVersionUID = 6934803011248581109L;
	//疾病ID
	private int id;
	//疾病编码
	private String code;
	//疾病名称
	private String diseaseName;
	//疾病加拼音
	private String mergeName;
	//汉语拼音简拼
	private String pinyin;
	//是否恶心肿瘤
	private boolean isTherioma;
	//是否住院特殊病种
	private boolean isSpecialDisease;
	
	public ICD(BigDecimal id, String diseaseName, String code,
			String pinyin, String isTherioma, String isSpecialDisease) {
		this.id = id.intValue();
		this.diseaseName = diseaseName;
		this.code = code;
		this.pinyin = pinyin;
		if("是".equals(isTherioma)){
			this.isTherioma = true;
		}
		else {
			this.isTherioma = false;
		}
		
		if("是".equals(isSpecialDisease)){
			this.isSpecialDisease = true;
		}
		else {
			this.isSpecialDisease = false;
		}
		this.mergeName = diseaseName + "," + pinyin;
	}
	//set,get ......
	
}

 

 

第二步,将数据存储到elasticsearch里面,我们取个名称叫code,起个type名称叫icd。ICD大概2w条数据,我使用默认的bulkIndex,存到es大概用了3秒。

我这里是把数据从oracle导入到elasticsearch。

import java.math.BigDecimal;
import java.sql.Connection;
import java.sql.PreparedStatement;
import java.sql.ResultSet;
import java.util.ArrayList;
import java.util.List;

import org.elasticsearch.action.bulk.BulkRequestBuilder;
import org.elasticsearch.action.bulk.BulkResponse;
import org.elasticsearch.action.index.IndexRequestBuilder;
import org.elasticsearch.client.Client;

import com.donlianli.es.ESUtils;
import com.donlianli.es.db.DatabaseUtils;

public class ICDManager {
	
	public static void main(String[] argvs){
		ICDManager manager = new ICDManager();
		manager.indexDataDirect();
	}
	/**
	 * 直接将数据初始化到ES中
	 * 不创建mapping
	 */
	private void indexDataDirect() {
		List<ICD> icdList = getIcdListFromDB();	
		System.out.println(" get icd from db finish,size:" + icdList.size());
		bulkIndex(icdList);
	}
	
	private void bulkIndex(List<ICD> icdList) {
		Client client = ESUtils.getCodeClient();
		BulkRequestBuilder bulkRequest = client.prepareBulk();
		long b = System.currentTimeMillis();
		for(int i=0,l=icdList.size();i<l;i++){
			//业务对象
			ICD icd = icdList.get(i);
			String json = ESUtils.toJson(icd);
			IndexRequestBuilder indexRequest = client.prepareIndex("code","icd")
	        .setSource(json).setId(String.valueOf(icd.getId()));
			//添加到builder中
			bulkRequest.add(indexRequest);
		}
		BulkResponse bulkResponse = bulkRequest.execute().actionGet();
		if (bulkResponse.hasFailures()) {
			System.out.println(bulkResponse.buildFailureMessage());
		}
		long useTime = System.currentTimeMillis()-b;
		System.out.println("useTime:" + useTime);
	}
	private List<ICD> getIcdListFromDB() {
		Connection conn = DatabaseUtils.getOracleConnection();
		String sql = "select * from icd_11";
		PreparedStatement st = null;
		ResultSet rs = null;
		List<ICD> list = new ArrayList<ICD>();
		try{
			st = conn.prepareStatement(sql);
			rs = st.executeQuery();
			while(rs.next()){
				BigDecimal id = rs.getBigDecimal("ID");
				String diseaseName = rs.getString("DISEASE_NAME");
				String code = rs.getString("CODE");
				String pinyin = rs.getString("PINYIN");
				String isTherioma = rs.getString("THERIOMA_FLAG");
				String isSpecialDisease = rs.getString("OTHER_FLAG");
				
				list.add(new ICD(id,diseaseName,code,pinyin,isTherioma,isSpecialDisease));
			}
			
			return list;
		}
		catch(Exception e){
			e.printStackTrace();
		}
		finally{
			try{
			if(rs!= null){
				rs.close();
			}
			if(st!= null){
				st.close();
			}
			conn.close();
			}
			catch(Exception e){
				e.printStackTrace();
			}
		}
		return null;
	}
}

 

 

第三步,搜索接口,跑测试用例。

import org.elasticsearch.action.search.SearchResponse;
import org.elasticsearch.client.Client;
import org.elasticsearch.index.query.MultiMatchQueryBuilder;
import org.elasticsearch.index.query.QueryBuilders;
import org.elasticsearch.search.SearchHit;
import org.elasticsearch.search.SearchHits;

import com.donlianli.es.ESUtils;

public class PinyinSearchTest {
	public static void main(String[] args) {
		Client client = ESUtils.getCodeClient();
		String keyWord = "高血压";
//		String keyWord = "老年 高血压";
//		String keyWord = "gxy";
		//多个字段匹配
		MultiMatchQueryBuilder query = QueryBuilders.multiMatchQuery(keyWord, "diseaseName","pinyin");
		
		long b = System.currentTimeMillis();
		SearchResponse response = client.prepareSearch("code").setTypes("icd")
				.setQuery(query)
				.setFrom(0)
				//前20个
				.setSize(20)
				.execute().actionGet();
		long useTime = System.currentTimeMillis()-b;
		System.out.println("search use time:" + useTime + " ms");
		
		SearchHits shs = response.getHits();
		for (SearchHit hit : shs) {
			System.out.println("分数:" 
					+ hit.getScore()
					+ ",ID:"
					+ hit.getId()
					+ ", 疾病名称:"
					+ hit.getSource().get("diseaseName")
					+ ",拼音:" + hit.getSource().get("pinyin"));
		}
		client.close();
	}
}

 

3.1,关键字:'高血压'

search use time:174 ms
分数:2.3859928,ID:6904, 疾病名称:高血压病,拼音:gxyb
分数:2.136423,ID:6907, 疾病名称:高血压I期,拼音:gxyyq
分数:2.12253,ID:6908, 疾病名称:高血压Ⅱ期,拼音:gxyeq
分数:2.12253,ID:6910, 疾病名称:高血压危象,拼音:gxywx
分数:2.0906634,ID:6917, 疾病名称:肾性高血压,拼音:sxgxy
分数:2.0877438,ID:6909, 疾病名称:高血压Ⅲ期,拼音:gxysq
分数:2.0821526,ID:18767, 疾病名称:高原性高血压,拼音:gyxgxy
分数:1.9905697,ID:6906, 疾病名称:恶性高血压,拼音:exgxy
分数:1.9510978,ID:7260, 疾病名称:高血压脑出血,拼音:gxyncx
分数:1.9078629,ID:6923, 疾病名称:肾血管性高血压,拼音:sxgxgxy
分数:1.8312198,ID:6914, 疾病名称:高血压性肾病,拼音:gxyxsb
分数:1.8193114,ID:7367, 疾病名称:高血压性脑病,拼音:gxyxnb
分数:1.8193114,ID:13470, 疾病名称:妊娠引起高血压,拼音:rsyqgxy
分数:1.7919972,ID:6905, 疾病名称:临界性高血压,拼音:ljxgxy
分数:1.7919972,ID:6912, 疾病名称:高血压性心脏病,拼音:gxyxxzb
分数:1.7894946,ID:6928, 疾病名称:继发性高血压,拼音:jfxgxy
分数:1.7062025,ID:6913, 疾病名称:高血压性肾衰竭,拼音:gxyxssj
分数:1.7062025,ID:13485, 疾病名称:孕产妇高血压,拼音:ycfgxy
分数:1.7062025,ID:14534, 疾病名称:新生儿高血压,拼音:xsegxy
分数:1.7062025,ID:16181, 疾病名称:应激性高血压,拼音:yjxgxy

 3.2关键字:'老年 高血压'

search use time:144 ms
分数:1.1089094,ID:6904, 疾病名称:高血压病,拼音:gxyb
分数:0.99291986,ID:6907, 疾病名称:高血压I期,拼音:gxyyq
分数:0.9864628,ID:6908, 疾病名称:高血压Ⅱ期,拼音:gxyeq
分数:0.9864628,ID:6910, 疾病名称:高血压危象,拼音:gxywx
分数:0.9716526,ID:6917, 疾病名称:肾性高血压,拼音:sxgxy
分数:0.97029567,ID:6909, 疾病名称:高血压Ⅲ期,拼音:gxysq
分数:0.96769714,ID:18767, 疾病名称:高原性高血压,拼音:gyxgxy
分数:0.9251333,ID:6906, 疾病名称:恶性高血压,拼音:exgxy
分数:0.9067884,ID:7260, 疾病名称:高血压脑出血,拼音:gxyncx
分数:0.8866946,ID:6923, 疾病名称:肾血管性高血压,拼音:sxgxgxy
分数:0.8510741,ID:6914, 疾病名称:高血压性肾病,拼音:gxyxsb
分数:0.8455395,ID:7367, 疾病名称:高血压性脑病,拼音:gxyxnb
分数:0.8455395,ID:13470, 疾病名称:妊娠引起高血压,拼音:rsyqgxy
分数:0.8328451,ID:6905, 疾病名称:临界性高血压,拼音:ljxgxy
分数:0.8328451,ID:6912, 疾病名称:高血压性心脏病,拼音:gxyxxzb
分数:0.831682,ID:6928, 疾病名称:继发性高血压,拼音:jfxgxy
分数:0.8074301,ID:6820, 疾病名称:老年耳聋,拼音:lnel
分数:0.80348647,ID:7612, 疾病名称:老年痣,拼音:lnz
分数:0.7929714,ID:6913, 疾病名称:高血压性肾衰竭,拼音:gxyxssj
分数:0.7929714,ID:13485, 疾病名称:孕产妇高血压,拼音:ycfgxy

 高血压和老年的相关并都出来了。只可惜老年高血压,没有列入ICD.

3.3拼音:'gxy'

呃?怎么没有出来?

这个问题折腾了我一天。一开始我以为是被es列入了禁用词。后来,找到是因为没有设置analyzer导致,在设analyzer的过程中竟然还犯了好几个低级错误,导致我非常怀疑设置analyzer是否管用。

这个问题涉及到分词,而分词我还没有好好研究过。总之,在创建索引及mapping的时候,指定一个analyzer就可以解决这个问题。

创建index及mapping的代码如下:

import static org.elasticsearch.common.xcontent.XContentFactory.jsonBuilder;

import org.elasticsearch.action.admin.indices.create.CreateIndexResponse;
import org.elasticsearch.client.Client;
import org.elasticsearch.common.settings.ImmutableSettings;
import org.elasticsearch.common.settings.ImmutableSettings.Builder;
import org.elasticsearch.common.xcontent.XContentBuilder;

import com.donlianli.es.ESUtils;
/**
 * 创建code的mapping
 * @author donlianli@126.com
 */
public class CodeMappingTest {
	static final String INDEX_NAME="code";
	static final String TYPE_NAME="icd";
	
	public static void  main(String[] argv) throws Exception{
		Client client = ESUtils.getCodeClient();
		Builder settings = ImmutableSettings.settingsBuilder()
                .loadFromSource(getAnalysisSettings());
		//首先创建索引库
		CreateIndexResponse  indexresponse = client.admin().indices()
		//这个索引库的名称还必须不包含大写字母
		.prepareCreate(INDEX_NAME).setSettings(settings)
		//这里直接添加type的mapping
		.addMapping(TYPE_NAME, getMapping())
		.execute().actionGet();
		
		System.out.println("success:"+indexresponse.isAcknowledged());
	}
	private static String getAnalysisSettings() throws Exception {
		XContentBuilder mapping = jsonBuilder()  
			       .startObject()  
			       //主分片数量
			       .field("number_of_shards",5)
			       .field("number_of_replicas",0)
			         .startObject("analysis")  
			         	.startObject("filter")
			         		//创建分词过滤器
			         		.startObject("pynGram")
			         			.field("type","nGram")
			         			//从1开始
			         			.field("min_gram",1)
			         			.field("max_gram",15)
			         		.endObject()
			         	.endObject()	
			         	
			         	.startObject("analyzer")
			         			//拼音analyszer
			         			.startObject("pyAnalyzer")
			         			.field("type","custom")
			         			.field("tokenizer","standard")
			         			.field("filter", new String[]{ "lowercase","pynGram"})
			         			.endObject()
			         	.endObject()	
			        .endObject()  
			      .endObject();  
		System.out.println(mapping.string());
		return mapping.string();
	}
	/**
	 * mapping 一旦定义,之后就不能修改。
	 * @return
	 * @throws Exception
	 */
	private static XContentBuilder getMapping() throws Exception{
		XContentBuilder mapping = jsonBuilder()  
			       .startObject()  
			         .startObject("icd")  
			         //指定分词器
			         .field("index_analyzer","pyAnalyzer")
			         .startObject("properties")         
			           .startObject("id")
			           		.field("type", "long")
			           		.field("store", "yes")
			           	.endObject()    
			           	
			           .startObject("code")
			           		.field("type", "string")
			           		.field("store", "yes")
			           		.field("index", "analyzed")
			           	.endObject()  
			           	
			           	 .startObject("diseaseName")
			           		.field("type", "string")
			           		.field("store", "yes")
			           		.field("index", "analyzed")
			           	.endObject()  
			           	
			           	 .startObject("mergeName")
			           		.field("type", "string")
			           		.field("store", "yes")
			           		.field("index", "analyzed")
			           	.endObject() 
			           	
			           	.startObject("pinyin")
			           		.field("type", "string")
			           		.field("store", "yes")
			           		.field("index", "analyzed")
			           	.endObject()  
			           	
			           .startObject("isTherioma")
			           		.field("type", "boolean")
			           		.field("store", "yes")
			           .endObject()  
			           
			            .startObject("isSpecialDisease")
			           		.field("type", "boolean")
			           		.field("store", "yes")
			           .endObject()  
			           
			         .endObject()  
			        .endObject()  
			      .endObject();  
		return mapping;
	}
}

 (PS:其实还有一种简单的方法,不用创建analyzer,在搜索的时候,使用'*gxy*'进行搜索也可以)

最后,我还把这个检索跟oracle的like进行了比较。结果发现oracle只用20ms就能算出结果,而es却用了将近100ms。可见这种吹捧的nosql,性能不见得比oracle强大啊,但是毋庸置疑的是,功能确实强大了。

 

 

 更多elasticsearch的内容,请浏览http://www.iteye.com/blogs/subjects/elasticsearch-tutor

对这类话题感兴趣?欢迎发送邮件至donlianli@126.com
关于我:邯郸人,擅长Java,Javascript,Extjs,oracle sql。
更多我之前的文章,可以访问 我的空间