ElasticSearch 正则表达式过滤器

Question

我在正确表达 ElasticSearch 正则表达式过滤器的正则表达式时遇到问题。我正在尝试匹配 url 字段中“info-for/media”中的任何内容，例如http://mydomain.co.uk/info-for/media/press-release-1。为了尝试正确使用正则表达式，我现在使用match_all，但这最终将是match_phrase 和用户的查询字符串。

POST 到 localhost:9200/_search

{
"query" : {
               "match_all" : { },
               "filtered" : {
                           "filter" : {
                                   "regexp": {
                                        "url":".*info-for/media.*" 
                                    }
                          }
                }
         },
}

这会返回 0 次点击，但会正确解析。 .*info.* 确实得到包含 url 的结果，但不幸的是太宽泛了，例如匹配任何包含“信息”的网址。一旦我在“info-for”中添加连字符，我再次得到 0 个结果。无论我尝试哪种转义字符组合，我都会得到解析异常，或者没有匹配。任何人都可以帮助解释我做错了什么吗？

Answer 1

首先，尽量不要使用没有前缀的正则表达式或通配符。搜索.*foo.* 的方式是索引字典中的每个词都与模式匹配，而模式又被构造成匹配词的 OR 查询。这是您的语料库中唯一术语的数量O(n)，随后的搜索也非常昂贵。

这篇文章有更多的细节：https://www.found.no/foundation/elasticsearch-from-the-bottom-up/

其次，您的 url 可能以某种方式被标记化，使得“info-for”和“media”在您的索引中成为单独的术语。因此，字典中没有 info-for/media-term 供正则表达式匹配。

您可能想要做的是分别索引路径和域，使用path_hierarchy-tokenizer 生成术语。

这是一个演示如何生成令牌的示例：https://www.found.no/play/gist/ecf511d4102a806f350b#analysis

即/foo/bar/baz 生成标记 /foo/bar/baz, /foo/bar, /foo 并且域 foo.example.com 被标记为 foo.example.com, example.com, com

在/foo/bar 下方搜索任何内容都可以是匹配path:/foo/bar 的简单术语过滤器。这是一个性能更高的过滤器，也可以缓存。