Elasticsearch全文检索需合理建模、正确分词、精准查询和结果优化：定义text类型与ik分词器，禁用非检索字段索引；验证分词效果；依场景选用match、multi_match、match_phrase或bool查询；通过function_score、highlight、min_score等优化相关性。
使用Elasticsearch实现全文检索，核心在于合理建模、正确分词、精准查询和结果优化。它不是简单配置完就能“搜到”，而是需要围绕文本特性设计索引结构，并选用匹配语义的查询方式。
创建适合全文检索的索引
默认的动态映射对中文支持有限，需显式定义字段类型和分析器：
- 将待检索的文本字段（如title、content）设为text类型，而非keyword
- 为中文字段指定ik_max_word或ik_smart分词器（需提前安装ik插件）
- 禁用不需要检索的字段（如ID、时间戳）的index属性，节省资源
示例映射片段：
{
"mappings": {
"properties": {
"title": { "type": "text", "analyzer": "ik_max_word" },
"content": { "type": "text", "analyzer": "ik_smart" },
"id": { "type": "keyword", "index": false }
}
}
}
写入数据时确保分词生效
文档写入后，分词效果直接影响检索能力：
- 使用_analyze API验证分词结果，例如：
GET /my_index/_analyze?analyzer=ik_max_word&text=人工智能应用 - 避免在索引前对文本做过度清洗（如删标点、转小写），应交由分析器统一处理
- 若含中英文混排内容，可考虑组合分析器或使用smartcn等兼容性更强的分词器
选择合适的全文查询方式
不同场景对应不同查询语法，不能只依赖match：
- match：适用于常规模糊匹配，支持operator: "and"提升精度
- multi_match：跨多个字段同时检索，适合标题+正文联合搜索
- match_phrase：要求词语顺序与邻近性，适合短语精确匹配（如“机器学习算法”）
- bool + should组合：融合多种条件，加权控制相关性（用boost调整字段权重）
示例查询：
{
"query": {
"multi_match": {
"query": "elasticsearch 检索",
"fields": ["title^3", "content"],
"type": "best_fields"
}
}
}
优化检索结果的相关性
Elasticsearch 默认按_score排序，但常需人工干预：
- 用function_score引入时间衰减、点击量、权威性等业务因子
- 对高亮显示启用highlight，指定require_field_match: false避免漏高亮
- 设置min_score过滤低质匹配，或用rescore对前N条结果二次打分
不复杂但容易忽略。
