干货 | 知识库全文检索的最佳实践

1、题记

这是stackoverflow上一篇精彩的问答。

原文不大好理解，我做了梳理+图解；

原文是ES早期版本，部分写法已不适用，所有DSL我在6.X上进行了重写和验证；

针对原文内容做了扩展。

2、知识库全文检索问题抛出

重新审视一个停滞不前的项目，并寻求建议，对数千个“旧”文档进行现代化改造，

最终期望效果：通过网络访问这些文档。
文档以各种格式存在，有些已经过时：

• .doc，
• PageMaker，
• 硬拷贝hardcopy （OCR），
• PDF
• ……

很多文档已经被转化成扫描版的PDF，之前我们认为PDF类型是最终的文档格式，现在看来，我们想听听建议（比如：xml是不是更好呢？）

核心需求点：

1、一旦所有文档都采用通用格式，我们希望通过网页界面提供其内容并提供搜索服务。

2、我们希望通过搜索，能够灵活地只返回整个文档的部分页面（我相信的Lucene / elasticsearch使这成为可能？！？）

3、如果所有文档是XML是否会更加灵活？

4、如何存储、在哪里存储XML？是直接存储在数据库中还是存储成文件系统中的文件？关于文档中的嵌入式图像/图表呢？

以上，希望得到回复。

注解：xml只是提问者的当时初步的理解。

3、精彩回复

我将推荐ElasticSearch，我们先解决这个问题并讨论如何实现它：

这有几个部分：

• 从文档中提取文本以使它们可以索引（indexable），以备检索；
• 以全文搜索形式提供此文本；
• 高亮显示文档片段；
• 知道文档中的哪些段落可用于分页；
• 返回完整的文档。

ElasticSearch可以提供什么：

• ElasticSearch（如Solr）使用Tika从各种文档格式中提取文本和元数据；
• Elasticsearch提供了强大的全文搜索功能。它可以配置为以适当的语言分析每个文档，它可以借助boost提高某些字段的权重（例如，标题比内容更重要），ngrams分词等标准Lucene操作；
• Elasticsearch可以高亮显示搜索结果；
• Elasticsearch不知道这些片段在您的文档中出现的位置；
• Elasticsearch可以将原始文档存储为附件，也可以存储并返回提取的文本。但它会返回整个文档，而不是一个页面。

【直译】您可以将整个文档作为附件发送到ElasticSearch，并且可以进行全文搜索。但是关键点在于上面的（4）和（5）：知道你文档中的位置，并返回文档的某些部分。

存储单个页面可能足以满足您的“我在哪里”的目的，但是您希望将它们分组，以便在搜索结果中返回文档，即使搜索关键字出现在不同的页面上。

任务分解：

3.1、索引部分——将文档存储在ElasticSearch中。

使用Tika（或任何你喜欢的）来从每个文档中提取文本。将其保留为纯文本或HTML格式以保留一些格式。
（忘记XML，不需要它）。

每个文档提取元数据：标题，作者，章节，语言，日期等。

将原始文档存储在您的文件系统中，并记录路径，以便以后可以使用。

在ElasticSearch中，索引包含所有元数据和可能的章节列表的“doc”文档。

将每个页面索引为“page”文档，其中包含：

• 包含“doc”文档ID的父字段（请参阅下面的“父子关系”）
• 文本
• 页码
• 也许章节标题或编号
• 您想要搜索的任何元数据

存储必备——父子文档关系：

通常，在ES（和大多数NoSQL解决方案）中，每个文档/对象都是独立的 - 没有真正的关系。

通过建立“doc”和“page”之间的父子关系，ElasticSearch确保子文档（即“页面”）与父文档（“doc”）存储在同一分片上。

这使您能够运行has_child等的查询方式，它将根据“page”的内容找到最匹配的“doc”。

父子文档存储图解如下所示：

3.2、检索部分现在进行搜索。

你如何做到这一点取决于你想如何展示你的结果

• 按页面page分组，
• 按文档doc分组。

通过页面的结果很容易。

此查询返回匹配页面的列表（每个页面全部返回）以及页面中高亮显示的片段列表。

举例如下：

1POST /my_index/page/_search?pretty=1
 2{
 3   "query" : {
 4      "match" : {
 5         "text" : "interesting keywords"
 6      }
 7   },
 8     "highlight": {
 9    "pre_tags": [
10      "<span style=\"color:red\">"
11    ],
12    "post_tags": [
13      "</span>"
14    ],
15    "require_field_match": true,
16    "fields": {
17      "title": {}
18    }
19  }
20   }

显示包含文本高亮字段的“doc”分组有点棘手。 它不能用一个单一的查询来完成。

一种方法可能是：

第1步：通过对其子（“页面”）查询，返回最匹配的父级（“doc”）。

1POST /my_index/doc/_search?pretty=1
 2{
 3  "query": {
 4    "has_child": {
 5      "type": "page",
 6      "query": {
 7        "bool": {
 8          "must": [
 9            {
10              "match": {
11                "text": "interesting keywords"
12              }
13            },
14            {
15              "term": {
16                "type": "page"
17              }
18            },
19            {
20              "term": {
21                "factor": "5"
22              }
23            }
24          ]
25        }
26      },
27      "score_mode": "sum"
28    }
29  }
30}

第2步：从上述查询中收集“doc”ID 发出新查询，从匹配的“页面”文档中获取片段。

1GET /my_index/page/_search?pretty=1
 2{
 3   "query" : {
 4      "bool" : {
 5        "must":{
 6         "query" : {
 7            "match" : {
 8               "text" : "interesting keywords"
 9            }
10         }},
11         "filter" : {
12            "terms" : {
13               "doc_id" : [1,2,3]
14            }
15         }
16      }
17   },
18   "highlight" : {
19      "fields" : {
20         "text" : {}
21      }
22   }
23}

第3步：在您的应用程序中，将上述查询的结果按doc分组并显示出来。

使用第二个查询的搜索结果，您已经拥有了可供显示的页面的全文。要转到下一页，您可以搜索它：

1GET /my_index/page/_search?pretty=1
 2{
 3   "query" : {
 4      "constant_score" : {
 5         "filter" : 
 6            [
 7               {
 8                  "term" : {
 9                     "doc_id" : 1
10                  }
11               },
12               {
13                  "term" : {
14                     "page" : 2
15                  }
16               }
17            ]
18      }
19   },
20   "size" : 1
21}

或者，给“页面”文档提供一个由$ doc_id _ $ page_num（例如123_2）组成的ID，然后您可以通过如下的检索获取该页面：

1curl -XGET'http://127.0.0.1:9200/my_index/page/123_2

4、扩展

Tika是一个内容分析工具，自带全面的parser工具类，能解析基本所有常见格式的文件，得到文件的metadata，content等内容，返回格式化信息。总的来说可以作为一个通用的解析工具。特别对于搜索引擎的数据抓去和处理步骤有重要意义。

Tika是Apache的Lucene项目下面的子项目，在lucene的应用中可以使用tika获取大批量文档中的内容来建立索引，非常方便，也很容易使用。

Apache Tika toolkit可以自动检测各种文档(如word,ppt,xml,csv,ppt等)的类型并抽取文档的元数据和文本内容。

Tika集成了现有的文档解析库，并提供统一的接口，使针对不同类型的文档进行解析变得更简单。Tika针对搜索引擎索引、内容分析、转化等非常有用。

5、有没有现成的开源实现呢？

​​https://github.com/RD17/ambar​​

Ambar是一个开源文搜索引擎，具有自动抓取，OCR识别，标签分类和即时全文搜索功能。

Ambar定义了在工作流程中实现全文本文档搜索的新方法：

• 轻松部署Ambar和一个单一的docker-compose文件
• 通过文档和图像内容执行类似Google的搜索
• Ambar支持所有流行的文档格式，如果需要的话可以执行OCR
• 标记您的文件
• 使用简单的REST
• Api将Ambar集成到您的工作流程中

本文转载自公众号铭毅天下Elasticsearch