Elasticsearch 基本查询详解

查询(query &filter)

query(查询):query对上下文检索(评分查询)不仅要查找匹配的文档,还要计算每个文档的相关程度,这通常会使其比非评分文档更复杂,而且该查询结果不可缓存

filter(过滤) :filter是对搜索的文档简单检查,这使得它们计算速度非常快。并且可以将常用的filter查询缓存在内存中。

1)查询所有

类似 select * from table

1.通过get请求 url拼接查询条件

--GET  http://localhost:9200/local_mst_student_idx_1/mst_student/_search?q=*&pretty

2.通过JSON 传参查询

-- POST  http://localhost:9200/local_mst_student_idx_1/mst_student/_search?pretty

body传参:{ "query": { "match_all": {} }}

2)单个条件精确查询:

类似select * from table where field = xx

1.match查询

-- POST  http://localhost:9200/local_mst_student_idx_1/mst_student/_search?pretty

body参数:{ "query": { "match":{ "id":"11" } }}

(注:match 跟分词有关系,如果是分词则搜索条为包含类似like查询)

2.term过滤查询

 -- POST  http://localhost:9200/local_mst_student_idx_1/mst_student/_search?pretty

body参数:{ "query": { "term": { "stu_code": "1A0030" } } }

类似select * from table where field in (xx)

terms过滤查询 

-- POST  http://localhost:9200/local_mst_student_idx_1/mst_student/_search?pretty

body参数:{ "query": { "terms": { "stu_age": [ 20,21 ] } }}

(注:该查询对分词字段查询需要根据分词的细度决定能否查询出来,例入查询名称为张三,假设分词器是一元分词则查询不到,你查张或三都能查询出来。)

3)bool 过滤

must :must子句(查询)必须出现在匹配的文档中,并有助于得分,类似于 and。

filter : filter子句(查询)必须出现在匹配的文档中。但是不同于 must查询的分数将被忽略(必须匹配,运行在非评分&过滤模式)。

must_not :不包含条件查询的数据,类似于 not,

should:至少有一个查询条件匹配, 类似于 or。


1.例入我们查询一个where field1 = xx and field2 in (xx,xxx,xxxx);

{

    "query":{

        "bool": {

            "must":[

                {"terms": {"field2":["xx","xxx","xxxx"]}},

                {"term" : {"field1":"xx "}}

            ]

        }

    }

}


2.例入我们查询一个where field1 = xx and field2 =xx or field3 =xx and field4 !=xx;

{

    "query":{

        "bool": {

            "must":[

                {"term" : {"field1":"xx"}},

                {"term" : {"field2":"xx"}}

            ],

            "should":{"term" : {"field3":"xx"}},

            "must_not":{"term" : {"field4":"xx"}}

        }

    }

}

以上都是经过实战后得出结论,请放心参考。类似更多的复杂条件查询,可以模仿以上继续添加条件参数。

4)范围条件查询

gt: > 大于

lt: < 小于

gte: >= 大于或等于

lte: <= 小于或等于

range查询,它允许我们通过一定范围的值来过滤文档。这通常用于数字或日期过滤。例:

①.{ "query":{ "bool": { "filter": { "range":{ "stu_age":{ "gte":20, "lte":22 } } } } }}

5)wildcards :通配符查询,类似模糊查询。

{  "query": {    "wildcard": {      "field": "*xx*"    }  }}

(注:两边加*则匹配添加前后的所有符合的结果,可以使用正则匹配)

6)sort : 排序(sort":{"field ":{"order":"desc"}})

{ "query": { "match_all": {} }, "sort": { "field": { "order": "desc" } }}

7)_source :搜索指定的字段 ("_source":["field1","field2"])

{ "query": { "match_all": {} }, "_source": ["field1", "field2"]}

from : 查询开始参数,from默认为0.

size : 查询条数;size未指定默认为10.

{ "query": { "match_all": {} }, "from": 0, "size": 10}

constant_score:

当我们不关心检索词频率TF对搜索结果排序的影响时,可以使用constant_score将查询语句query或者过滤语句filter包装起来。 检索词频率就是该字段出现的频率。如果 出现频率越高,相关性也越高。 使用 constant_score关键字就是不走评分查询默认评分都是1。可以将上面的查询bool关键字替换成constant_score即可测试。后期详解。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 201,681评论 5 474
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 84,710评论 2 377
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 148,623评论 0 334
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,202评论 1 272
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,232评论 5 363
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,368评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,795评论 3 393
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,461评论 0 256
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,647评论 1 295
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,476评论 2 317
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,525评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,226评论 3 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,785评论 3 303
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,857评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,090评论 1 258
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,647评论 2 348
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,215评论 2 341

推荐阅读更多精彩内容