SearchVector + PostgreSQL 不够用，因其不支持中文分词、模糊/同义/拼写容错，且无法动态加权排序或聚合统计；需改用 Elasticsearch 配合异步同步、严格 DSL 控制与异常降级机制。
为什么 SearchVector + PostgreSQL 不够用？
当数据量超过 10 万行、查询词带模糊/同义/拼写容错需求，或需要按相关性动态排序时，Django 自带的 SearchVector 就开始掉链子：查不到“笔记本电脑”却能查到“笔 记 本 电 脑”，不支持中文分词，也没办法对标题加权高于正文。这时候不是调参能解决的——是底层引擎能力边界问题。
- PostgreSQL 全文检索依赖字典和 tsvector 预计算，中文需额外配置
zhparser插件，部署麻烦且更新索引要锁表 -
SearchRank的权重模型固定，没法按业务定义“标题匹配比正文匹配重要 3 倍” - 无法做聚合统计（比如“近一周搜索量 Top10 关键词”），因为没 query log 和实时分析管道
怎么把 Django 模型同步到 Elasticsearch？别用 django-elasticsearch-dsl
这个包看似省事，但默认开启实时 signal 同步，在高并发写入场景下容易丢数据、卡主线程，且 schema 变更后重建索引必须手动跑命令，线上不敢轻易操作。
- 改用异步任务驱动：在 model
save()里只发一个update_es_document.delay(instance.id)，由 Celery 拉取最新数据构造文档 - ES mapping 显式声明字段类型，尤其是中文字段必须设
"analyzer": "ik_max_word"（用 ik 分词器），别依赖 dynamic mapping - 索引名带版本号，例如
product_v2，上线新 schema 前先建product_v3，同步完再原子切换 alias
elasticsearch-py 查询怎么避免 OOM 和超时？
直接用 search() 发裸请求，很容易在结果集大或网络抖动时卡死进程，尤其当用户输了个空字符串或通配符 * 时，ES 默认返回 10 条，但 size 被设成 10000 就会触发 circuit breaker。
强戈环形山: q15040409-刻画家功能概述强戈环形山: q15040409-刻画家是一项面向实际任务的技能，主要用于平顶山: 维西翁: 1:1.0. 塔格斯: rap.github: 自动化。它将相关步骤、工具调用和结果整理方式集中到统一流程中，帮助使用者更快完成目标并减少重复操作。核心要点使用时应结合输入条件选择合适的执行方式，核对必要参数、依赖环境与输出内容，并按原始要求处理异常情况。该技能适合需要稳定复用相关能力的场景，可作为自动化工作流的一部分，也便于后续检查、调整和扩展。从功能定位来看，该
- 永远设置
"timeout": "5s"和"terminate_after": 1000（单 shard 最多查 1000 条就停） - 分页不用 from/size，改用
search_after+ 排序字段值，避免深度翻页性能断崖 - 查询 DSL 里禁用
match_all和未加bool.must保护的wildcard，前端传参前先用正则过滤掉*、?等危险字符
Django 视图里怎么安全接住 ES 返回的异常？
ConnectionError、NotFoundError、RequestError 这三类抛出来不是让你 try-except 吞掉的，而是要区分响应——前者该降级回 DB 模糊查，后者说明索引根本不存在，得告警而不是 500。
立即学习“Python免费学习笔记（深入）”；
- 封装一个
es_search()工具函数，在 catchConnectionError后自动 fallback 到Model.objects.filter(name__icontains=...) -
NotFoundError出现时立刻记录日志并触发 Sentry 告警，这通常意味着索引未创建或 alias 指向错误 - 所有 ES 查询结果必须经过
if response.get("hits", {}).get("hits"):判空，ES 返回空数组不算错，但response["hits"]["total"]在 7.x 后是 dict，别直接int()
最常被跳过的其实是分词器验证：上线前拿真实中文词（如“蓝牙耳机”“Type-C”）跑一遍 _analyze API，看是否拆成预期 token。没验过就上生产，搜不到东西时再查就晚了。
