回复
Elasticsearch词频统计实现与原理解读
yyd2000
发布于 2022-10-18 11:06
浏览
0收藏
0、实战问题
有了分词，开发中会遇到，某个索引的文档集合中，共有多少XX关键词？
这就引发出了词频统计的问题。
社区问题：
中文分词后能否统计索引词频
初学者，想做一个简单的论坛检索和热词分析的应用，IK分词后能否将分好的索引词出现频率排序。这样可以形成一个大致的热点词汇范围。我知道单条index的话可以用termvectors做这个事情，要是上万条index能做吗？ 多谢！
1、创建索引
DELETE message_index
PUT message_index
{
"mappings": {
"_doc":{
"properties":{
"message": {
"analyzer": "ik_smart",
"term_vector": "with_positions_offsets",
"boost": 8,
"type": "text",
"fielddata":"true"
}
}
}
}
}2、导入数据
POST message_index/_doc/1
{
"message":"沉溺于「轻易获得高成就感」的事情：有意无意地寻求用很小付出获得很大「回报」的偏方，哪怕回报是虚拟的"
}
POST message_index/_doc/2
{
"message":"过度追求“短期回报”可以先思考这样一个问题：为什么玩王者荣耀沉溺我们总是停不下来回报"
}
POST message_index/_doc/3
{
"message":"过度追求的努力无法带来超额的回报，就因此放弃了努力。这点在聪明人身上尤其明显。以前念本科的时候身在沉溺"
}3、聚合获取词频
POST message_index/_search
{
"size" : 0,
"aggs" : {
"messages" : {
"terms" : {
"size" : 10,
"field" : "message"
}
}
}
}4、返回结果
{
"took": 4,
"timed_out": false,
"_shards": {
"total": 5,
"successful": 5,
"skipped": 0,
"failed": 0
},
"hits": {
"total": 3,
"max_score": 0,
"hits": []
},
"aggregations": {
"messages": {
"doc_count_error_upper_bound": 0,
"sum_other_doc_count": 45,
"buckets": [
{
"key": "回报",
"doc_count": 3
},
{
"key": "沉溺",
"doc_count": 2
},
{
"key": "的",
"doc_count": 2
},
{
"key": "过度",
"doc_count": 2
},
{
"key": "追求",
"doc_count": 2
},
{
"key": "一个",
"doc_count": 1
},
{
"key": "为什么",
"doc_count": 1
},
{
"key": "了",
"doc_count": 1
},
{
"key": "事情",
"doc_count": 1
},
{
"key": "付出",
"doc_count": 1
}
]
}
}
}5、核心知识点解读
"fielddata":"true" 是什么？
5.1 基础认知：text类型不能用于聚合
所有字段是默认被 indexed（被索引的），这使得它们是可搜索的.可以在脚本中排序,聚合和获取字段值,但是需要不同的搜索模式.
搜索需要回答一个问题 “哪个 document（文档） 包含这个 term（词条）”,然而排序和聚合需要回答一个不同的问题 " 这个字段在这个 document（文档）中的值是多少？".
许多字段可以使用 index-time，在磁盘上的 doc_values 支持这种数据访问模式, 但是 text 字段不支持 doc_values。
5.2 docvalues和fileddata的本质区别？
docvalues 它保存某一列的数据，并索引它，用于加快聚合和排序的速度。
fileddata 它保存某一列的数据，并索引它，用于加快聚合和排序的速度。和docvalues不一样的是，fielddata保存的是text类型的字段分词后的terms，而不是保存源字段数据。
5.3 fileddata的特点
相反,text 字段使用查询时存在于内存的数据结构 fielddata.这个数据结构是第一次将字段用于聚合,排序,或者脚本时基于需求构建的。
它是通过读取磁盘上的每个 segment（片段）的整个反向索引来构建的，将 term（词条）和 document（文档）关系反转,并将结果存储在内存中,在JVM的堆中.
5.4 text字段默认关闭Fielddat的原因？
text 字段默认关闭 Fielddata Fielddata会消耗很多堆空间,尤其是加载高基数的 text 字段的时候.一旦 fielddata 加载到堆中,它在 segment（片段）中的生命周期还是存在的.
此外,加载 fielddata 是一件非常昂贵的过程,会导致用户体验到延迟的感觉.这就是为什么 fielddata 默认关闭.
如果你尝试对文本字段上的脚本进行排序,访问值,你会看到此异常：
5.5 fielddata的打开方式？
以下ES6.2.X验证ok。
PUT my_index/_mapping/_doc
{
"properties": {
"my_field": {
"type": "text",
"fielddata": true
}
}
}参考：
http://t.cn/R3MzYfZhttp://t.cn/R3MzHkJ
通透讲解：http://t.cn/R3MzRiz
fielddata中文：http://t.cn/R3MznOe
fielddata英文：http://t.cn/R3Mz3eN
本文转载自公众号铭毅天下Elasticsearch
分类
已于2022-10-18 11:07:12修改
赞
收藏
回复
相关推荐
