Elasticsearch 警惕使用 wildcard 检索!然后呢?

发布于 2022-4-22 12:25
浏览
0收藏

Elasticsearch 警惕使用 wildcard 检索!然后呢?-开源基础软件社区

wildcard 检索可以定义为:支持通配符的模糊检索。

 

类似 Mysql 中的 like 模糊匹配,如下所示:

Elasticsearch 警惕使用 wildcard 检索!然后呢?-开源基础软件社区

通配符运算符是匹配一个或多个字符的占位符。


通配符支持两种:

 

 •  ? : 支持模糊匹配单个字符。举例:Ma?s 仅能匹配:Mars, Mass, 和 Maps。


 •  : 支持模糊匹配零个或者多个字符。举例:Ma*s 能匹配:Mars, Matches 和 Massachusetts等。

 

Elasticsearch 警惕使用 wildcard 检索!然后呢?-开源基础软件社区
全局认知非常重要,检索核心类型大致(非严谨、精确)分为:精准匹配检索(Term-level queries)和基于分词的全文匹配检索(Full text queries)。

 

全文匹配检索细分如下:

Elasticsearch 警惕使用 wildcard 检索!然后呢?-开源基础软件社区

精准匹配检索细分如下:

Elasticsearch 警惕使用 wildcard 检索!然后呢?-开源基础软件社区

也就是:wildcard 是和Term、Terms检索平级的检索。

 

Elasticsearch 警惕使用 wildcard 检索!然后呢?-开源基础软件社区
适用于:召回率要求高的业务场景。

 

基于分词的全文检索,可能会导致明明存在,但是检索不到。可能的原因如下:

 

 •  原因1:基础词库不完备;

   原因2:分词粒度不精确。


举个例子一看就明白了:

 

前置说明:

 

 •  1、纯属举例,不涉及针对具体人。
 •  2、Ik 词典main.dic 非原生,做了互联网词库的扩展,但词库中依然没有“刘强东”三个字。
 •  3、如果你在本地测试结果和文章不一致,极大可能是词典不一样导致的。

Elasticsearch 警惕使用 wildcard 检索!然后呢?-开源基础软件社区

用的短语检索 match_phrase,搜索结果如下:

Elasticsearch 警惕使用 wildcard 检索!然后呢?-开源基础软件社区

原因说明,analyzer API 能说明一切。

Elasticsearch 警惕使用 wildcard 检索!然后呢?-开源基础软件社区

分词结果如下:

Elasticsearch 警惕使用 wildcard 检索!然后呢?-开源基础软件社区

面对如上召回情况,部分不追求精准率只追求召回率的业务场景,可能会需要文档_id = 1、2、3、4 全部都要召回。

 

这时候,如果不改变分词的情况下,可能的解决方案之一就是:wildcard 检索实现。

Elasticsearch 警惕使用 wildcard 检索!然后呢?-开源基础软件社区

如上的方式,文档1、2、3、4全部召回。

 

相当于在原有DSL的基础上,只改动检索方式和字段名称就搞定了产品经理的提高召回率的需求。

 

貌似,可以交差大吉了。实则,有非常大的隐患。

 

Elasticsearch 警惕使用 wildcard 检索!然后呢?-开源基础软件社区
官方文档是这么说的:

Elasticsearch 警惕使用 wildcard 检索!然后呢?-开源基础软件社区

中文含义是:避免以*或?开头的模式。这会增加查找匹配项所需的迭代次数并降低搜索性能。

 

wildcard 到底有多慢?如下示例可见一斑:

Elasticsearch 警惕使用 wildcard 检索!然后呢?-开源基础软件社区

在 wood 大叔 2017年的文章中,曾经指出如下的核心点:

 

 •  4.1 出现问题


用户输入的字符串长度没有做限制,导致首尾通配符中间可能是很长的一个字符串。后果就是对应的wildcard Query执行非常慢,非常消耗CPU。

 

 •  4.2 根本原因


为了加速通配符和正则表达式的匹配速度,Lucene4.0开始会将输入的字符串模式构建成一个DFA (Deterministic Finite Automaton),带有通配符的pattern构造出来的DFA可能会很复杂,开销很大。

 

源码及细节推荐阅读:

 

https://elasticsearch.cn/article/171

 

https://elasticsearch.cn/article/186

 

Elasticsearch 警惕使用 wildcard 检索!然后呢?-开源基础软件社区


如下,采用原汁原味的技术群交流内容,更具有说服力。

 

更能警示大家:慎用 Wildcard!

 

5.1 悲剧1:一味的满足产品经理的需求,wildcard 不考虑性能的乱用。

Elasticsearch 警惕使用 wildcard 检索!然后呢?-开源基础软件社区

 

5.2 悲剧2:wildcard 参数传了一篇文章进来,导致集群宕机!
 Elasticsearch 警惕使用 wildcard 检索!然后呢?-开源基础软件社区

5.3 悲剧3:wildcard 搜索一百个汉字,导致CPU利用率 100%!


注意是:不同100个字组合,一直搜。

Elasticsearch 警惕使用 wildcard 检索!然后呢?-开源基础软件社区

5.4 悲剧4:客户现场演示,集群宕机!


根因:bool 组合了近 100 组+ wildcard 不同关键词的检索。

 

Elasticsearch 警惕使用 wildcard 检索!然后呢?-开源基础软件社区
在寻求解决方案的时候,我们要先问一下:为什么大家喜欢用 wildcard 实现模糊检索?

 

得到的答复往往是:顺手,类似Mysql like 查询,短、平、快的达到了产品经理的要求,满足了项目需求。

 

但,这忽略了性能问题以及可能带来的灾难后果。

 

所以,解决方案应该从根源上入手,以寻求彻底解决。

 

6.1 替代方案一:写入时分词优化,使用 Ngram 分词。


更细粒度分词,更有利于数据的召回!

Elasticsearch 警惕使用 wildcard 检索!然后呢?-开源基础软件社区Elasticsearch 警惕使用 wildcard 检索!然后呢?-开源基础软件社区

Ngram 实现推荐:

 

Elasticsearch能检索出来,但不能正确高亮怎么办?

 

6.2 替代方案二:7.9 + 以上的版本,使用 wildcard 数据类型。


wildcard 类型出现的目的:一方面避免了某些场景下分词查询不准确的问题,另一方面也解决了通配符和正则检索的效率问题。

 

注意:新上的数据类型 wildcard,而非 wildcard 检索。

 

使用方法参见:

 

https://www.elastic.co/guide/en/elasticsearch/reference/master/keyword.html#wildcard-field-type。

 

6.3 禁用方案:禁止使用wildcard 模糊检索


特殊业务场景需要禁止:wildcard 检索。

 

实现如下:

Elasticsearch 警惕使用 wildcard 检索!然后呢?-开源基础软件社区

需要强调的是: 

 

"search.allow_expensive_queries"  是 7.7+ 版本才有的功能,早期版本会报错。

 

Elasticsearch 警惕使用 wildcard 检索!然后呢?-开源基础软件社区
由于技术惯性,我们习惯于相同或者相通技术的技术迁移,比如:mysql like 查询迁移到 Elasticsearch 中的 wildcard 模糊检索。但迁移的时候一定要注意:不同技术点的实现差异,同时要多关注技术点不能可能导致的性能问题。

 

即便 2017年 wood 大叔就发了两篇文章让大家警惕 wildcard 模糊检索可能带来的性能问题。但四年后的今天,仍然很多公司的实战业务中还未考虑性能及后果的前提下,乐此不疲的用着 wildcard 检索!

 

所以,本文算是 wood 大叔的 wildcard 警示文章接力,希望更多人看到。

收藏
回复
举报
回复
添加资源
添加资源将有机会获得更多曝光,你也可以直接关联已上传资源 去关联
    相关推荐