Elasticsearch系列—Term Vector工具探查数据
Elasticsearch系列—Term Vector工具探查数据
Python入门教程100天
专栏收录该内容
129 篇文章6 订阅
订阅专栏
概要
本篇主要介绍一个Term Vector的概念和基本使用方法。
term vector是什么？
每次有document数据插入时，elasticsearch除了对document进行正排、倒排索引的存储之外，如果此索引的field设置了term_vector参数，elasticsearch还会对这个的分词信息进行计算、统计，比如这个document有多少个field，每个field的值分词处理后得到的term的df值，ttf值是多少，每个term存储的位置偏移量等信息，这些统计信息统称为term vector。term vector的值有5个
no：不存储term vector信息，默认值
yes：只存储field terms信息，不包含position和offset信息
with_positions：存储term信息和position信息
with_offsets：存储term信息和offset信息
with_positions_offsets：存储完整的term vector信息，包括field terms、position、offset信息。
term vector的信息生成有两种方式：index-time和query-time。index-time即建立索引时生成term vector信息，query-time是在查询过程中实时生成term vector信息，前者以空间换时间，后者以时间换空间。
term vector有什么作用？
term vector本质上是一个数据探查的工具（可以看成是一个debugger工具），上面记录着一个document内的field分词后的term的详细情况，如拆分成几个term，每个term在正排索引的哪个位置，各自的df值、ttf值分别是多少等等。一般用于数据疑似问题的排查，比如说排序和搜索与预期的结果不一致，需要了解根本原因，可以拿这个工具手动进行数据分析，帮助判断问题的根源。
读懂term vector信息
我们来看看一个完整的term vector报文，都有哪些信息，带#号的一行代码是添加的注释，如下示例：
{
“_index”: “music”,
“_type”: “children”,
“_id”: “1”,
“_version”: 1,
“found”: true,
“took”: 0,
“term_vectors”: {
“text”: {
“field_statistics”: {
“sum_doc_freq”: 3,
“doc_count”: 1,
“sum_ttf”: 3
},
“terms”: {
“elasticsearch”: {
“doc_freq”: 1,
“ttf”: 1,
“term_freq”: 1,
“tokens”: [
{
“position”: 2,
“start_offset”: 11,
“end_offset”: 24
}
]
},
“hello”: {
“doc_freq”: 1,
“ttf”: 1,
“term_freq”: 1,
“tokens”: [
{
“position”: 0,
“start_offset”: 0,
“end_offset”: 5
}
]
},
“java”: {
“doc_freq”: 1,
“ttf”: 1,
“term_freq”: 1,
“tokens”: [
{
“position”: 1,
“start_offset”: 6,
“end_offset”: 10
}
]
}
}
}
}
}
一段完整的term vector信息，term vector是按field为维度来统计的，主要包含三个部分：
field statistics
term statistics
term information
field statistics
指该索引和type下所有的document，对这个field所有term的统计信息，注意document的范围，不是某一条，是指定index/type下的所有document。
sum_doc_freq(sum of document frequency)：这个field中所有的term的df之和。
doc_count(document count)：有多少document包含这个field，有些document可能没有这个field。
sum_ttf(sum of total term frequency)：这个field中所有的term的tf之和。
term statistics
hello为当前document中，text field字段分词后的term，查询时设置term_statistics=true时生效。
doc_freq(document frequency)：有多少document包含这个term。
ttf(total term frequency)：这个term在所有document中出现的频率。
term_freq(term frequency in the field)：这个term在当前document中出现的频率。
term information
示例中tokens里面的内容，tokens里面是个数组
position：这个term在field里的正排索引位置，如果有多个相同的term，tokens下面会有多条记录。
start_offset：这个term在field里的偏移，表示起始位置偏移量。
end_offset：这个term在field里的偏移量，表示结束位置偏移量。
term vector使用案例
建立索引music，type命名为children，指定text字段为index-time，fullname字段为query-time
PUT /music
{
“mappings”: {
“children”: {
“properties”: {
“content”: {
“type”: “text”,
“term_vector”: “with_positions_offsets”,
“store” : true,
“analyzer” : “standard”
},
“fullname”: {
“type”: “text”,
“analyzer” : “standard”
}
}
}
}
}
添加3条示例数据
PUT /music/children/1
{
“fullname” : “Jean Ritchie”,
“content” : “Love Somebody”
}
PUT /music/children/2
{
“fullname” : “John Smith”,
“content” : “wake me, shark me …”
}
PUT /music/children/3
{
“fullname” : “Peter Raffi”,
“content” : “brush your teeth”
}
对document id为1这条数据进行term vector探查
GET /music/children/1/_termvectors
{
“fields” : [“content”],
“offsets” : true,
“positions” : true,
“term_statistics” : true,
“field_statistics” : true
}
得到的结果即为上文的term vector示例。另外可以提一下，用这3个document的id进行查询，field_statistics部分是一样的。
term vector常见用法
除了上一节的标准查询用法，还有一些参数可以丰富term vector的查询。
doc参数
GET /music/children/_termvectors
{
“doc” : {
“fullname” : “Peter Raffi”,
“content” : “brush your teeth”
},
“fields” : [“content”],
“offsets” : true,
“positions” : true,
“term_statistics” : true,
“field_statistics” : true
}
这个语法的含义是针对指定的doc进行term vector分析，doc里的内容可以随意指定，特别实用。
per_field_analyzer参数
可以指定字段的分词器进行探查
GET /music/children/_termvectors
{
“doc” : {
“fullname” : “Jimmie Davis”,
“content” : “you are my sunshine”
},
“fields” : [“content”],
“offsets” : true,
“positions” : true,
“term_statistics” : true,
“field_statistics” : true,
“per_field_analyzer” : {
“text”: “standard”
}
}
filter参数
对term vector统计结果进行过滤
GET /music/children/_termvectors
{
“doc” : {
“fullname” : “Jimmie Davis”,
“content” : “you are my sunshine”
},
“fields” : [“content”],
“offsets” : true,
“positions” : true,
“term_statistics” : true,
“field_statistics” : true,
“filter” : {
“max_num_terms” : 3,
“min_term_freq” : 1,
“min_doc_freq” : 1
}
}
根据term统计信息，过滤出你想要看到的term vector统计结果。也挺有用的，比如你探查数据可以过滤掉一些出现频率过低的term。
docs参数
允许你同时对多个doc进行探查，这个使用频率看个人习惯。
GET _mtermvectors
{
“docs”: [
{
“_index”: “music”,
“_type”: “children”,
“_id”: “2”,
“term_statistics”: true
},
{
“_index”: “music”,
“_type”: “children”,
“_id”: “1”,
“fields”: [
“content”
]
}
]
}
term vector使用建议
有两种方式可以得到term vector信息，一种是像上面案例，建立时指定，另一种是直接查询时生成
index-time，在mapping里配置，建立索引的时候，就直接给你生成这些term和field的统计信息，如果term_vector设置为with_positions_offsets，索引所占的空间是不设置term vector时的2倍。
query-time，你之前没有生成过任何的Term vector信息，然后在查看term vector的时候，直接就可以看到了，会on the fly，现场计算出各种统计信息，然后返回给你。
这两种方式采用哪种取决于对term vector的使用期望，query-time更常用一些，毕竟这个工具的用处是协助定位问题，实时计算就行。
小结
term vector是一个比较实用的工具，尤其是针对线上数据进行分析、协助问题定位的时候，可以派上很大的用场。