Elasticsearch：过滤搜索结果 - filter 及 post_filter

在 Elasticsearch 中，过滤搜索的结果是我们经常要做的事。在我刚开始接触 Elasticsearch，我就了解到有两种可以过滤搜索结果的方法。当时还不是很明白，为什么有的地方用 filter，而有的地方需要使用到 post filter。在今天的文章中，我来用一个鲜活的例子来进行展示。总体说来，我们可以使用如下的两个方法来过滤搜索的结果：使用带有 filter 子句的布尔查询。搜索

Elastic 中国社区官方博客

2976人浏览 · 2022-06-28 14:09:43

Elastic 中国社区官方博客 · 2022-06-28 14:09:43 发布

在 Elasticsearch 中，过滤搜索的结果是我们经常要做的事。在我刚开始接触 Elasticsearch，我就了解到有两种可以过滤搜索结果的方法。当时还不是很明白，为什么有的地方用 filter，而有的地方需要使用到 post filter。在今天的文章中，我来用一个鲜活的例子来进行展示。

总体说来，我们可以使用如下的两个方法来过滤搜索的结果：

使用带有 filter 子句的布尔查询。搜索请求将布尔过滤器应用于搜索命中和聚合。
使用搜索 API 的 post_filter 参数。搜索请求仅将 post filters 应用于搜索命中，而不是聚合。你可以使用 post filters 根据更广泛的结果集计算聚合，然后进一步缩小结果。讲得通俗一点：在已经计算聚合之后，post filter 将应用于搜索请求最后的搜索命中。从这里的描述中，我们可以看出来，post filters 的使用和 aggregation 相关。

你还可以在 post filter 之后重新对命中进行评分，以提高相关性并重新排序结果。

Post filter

当你使用 post_filter 参数过滤搜索结果时，会在计算聚合后过滤搜索命中。 Post filter 对聚合结果没有影响。

例如，你销售的衬衫具有以下属性：

PUT shirts
{
  "mappings": {
    "properties": {
      "brand": { "type": "keyword"},
      "color": { "type": "keyword"},
      "model": { "type": "keyword"}
    }
  }
}

我们使用如下的命令来摄入 3 个文档：

PUT shirts/_doc/1?refresh
{
  "brand": "gucci",
  "color": "red",
  "model": "slim"
}

PUT shirts/_doc/2?refresh
{
  "brand": "polo",
  "color": "red",
  "model": "large"
}

PUT shirts/_doc/3?refresh
{
  "brand": "polo",
  "color": "blue",
  "model": "medium"
}

假想你有一个用户，他想买一个 red 的衣服。通常你会使用如下的 bool query：

GET shirts/_search?filter_path=**.hits
{
  "query": {
    "bool": {
      "filter": [
        {
          "term": {
            "color": "red"
          }
        }
      ]
    }
  }
}

上面显示的结果为：

{
  "hits" : {
    "hits" : [
      {
        "_index" : "shirts",
        "_id" : "1",
        "_score" : 0.0,
        "_source" : {
          "brand" : "gucci",
          "color" : "red",
          "model" : "slim"
        }
      },
      {
        "_index" : "shirts",
        "_id" : "2",
        "_score" : 0.0,
        "_source" : {
          "brand" : "polo",
          "color" : "red",
          "model" : "large"
        }
      }
    ]
  }
}

显然搜索的结果显示了所有 red 的衣服。但是，你还想使用分面导航来显示用户可以单击的其他选项列表（比如大小尺寸）。也许你有一个 model 字段，允许用户将搜索结果限制为红色 Gucci T 恤或 Polo 的衣服。这可以通过 terms aggregation 来完成：

GET shirts/_search
{
  "query": {
    "bool": {
      "filter": [
        {
          "term": {
            "color": "red"
          }
        }
      ]
    }
  },
  "aggs": {
    "models": {
      "terms": {
        "field": "model"
      }
    }
  }
}

在上面，我们通过 terms 聚合来显示各个尺寸（model）的文档数。最多的将排在前面。上面命令显示的结果为：

{
  "took" : 0,
  "timed_out" : false,
  "_shards" : {
    "total" : 1,
    "successful" : 1,
    "skipped" : 0,
    "failed" : 0
  },
  "hits" : {
    "total" : {
      "value" : 2,
      "relation" : "eq"
    },
    "max_score" : 0.0,
    "hits" : [
      {
        "_index" : "shirts",
        "_id" : "1",
        "_score" : 0.0,
        "_source" : {
          "brand" : "gucci",
          "color" : "red",
          "model" : "slim"
        }
      },
      {
        "_index" : "shirts",
        "_id" : "2",
        "_score" : 0.0,
        "_source" : {
          "brand" : "polo",
          "color" : "red",
          "model" : "large"
        }
      }
    ]
  },
  "aggregations" : {
    "models" : {
      "doc_count_error_upper_bound" : 0,
      "sum_other_doc_count" : 0,
      "buckets" : [
        {
          "key" : "large",
          "doc_count" : 1
        },
        {
          "key" : "slim",
          "doc_count" : 1
        }
      ]
    }
  }
}

在上面，我们可以看出颜色为 red 的衣服，各个 model 的统计情况：large 及 slim 个一件。显然这个是我们想要的结果。我们注意到的一点是 aggregation 是基于前面的 boolean filter 所过滤后的数据集来进行统计的。其统计结果都是是红色的衣服。

但也许你还想告诉用户有多少 polo 衬衫可供选择而不是所有的品牌。我们可以使用如下的搜索：

GET shirts/_search
{
  "query": {
    "bool": {
      "filter": [
        {
          "term": {
            "color": "red"
          }
        }
      ]
    }
  },
  "aggs": {
    "models": {
      "terms": {
        "field": "model"
      }
    }
  },
  "post_filter": {
    "term": {
      "brand": "polo"
    }
  }
}

在上面，我们使用 filter 把 red 的文档搜索出来，然后使用 terms aggregatiion 来对所有 red 的文档进行 model 的统计。我们接下来使用 post_filter 来对我们的搜索结果再次过滤。在这里需要注意的是：post_filter 的使用不会对 aggs 的结果产生任何的影响。如同上面写的顺序一样，post_filter 是在最后面运行的。上面的命令产生的结果是：

{
  "took" : 0,
  "timed_out" : false,
  "_shards" : {
    "total" : 1,
    "successful" : 1,
    "skipped" : 0,
    "failed" : 0
  },
  "hits" : {
    "total" : {
      "value" : 1,
      "relation" : "eq"
    },
    "max_score" : 0.0,
    "hits" : [
      {
        "_index" : "shirts",
        "_id" : "2",
        "_score" : 0.0,
        "_source" : {
          "brand" : "polo",
          "color" : "red",
          "model" : "large"
        }
      }
    ]
  },
  "aggregations" : {
    "models" : {
      "doc_count_error_upper_bound" : 0,
      "sum_other_doc_count" : 0,
      "buckets" : [
        {
          "key" : "large",
          "doc_count" : 1
        },
        {
          "key" : "slim",
          "doc_count" : 1
        }
      ]
    }
  }
}

如上所示，我们最终得到的搜索结果是 color:red 并且 brand:polo 的搜索结果，但是 aggregations 的结果是针对 color:red 而的出来的。我们可以看到上面的 slim 统计结果是来自 gucci 品牌的而不是 polo。

更为复杂的查询是这样的：

GET shirts/_search
{
  "query": {
    "bool": {
      "filter": {
        "term": { "brand": "polo" } 
      }
    }
  },
  "aggs": {
    "colors": {
      "terms": { "field": "color" } 
    },
    "color_red": {
      "filter": {
        "term": { "color": "red" } 
      },
      "aggs": {
        "models": {
          "terms": { "field": "model" } 
        }
      }
    }
  },
  "post_filter": { 
    "term": { "color": "red" }
  }
}

在上面，我们首先使用的 filter 来过滤数据集。只有 brand:polo 的文档才可以进行聚合。aggs 里含有两个 aggregations。一个是按照 colors 来进行的分类，另外一个是先过滤 red 颜色的 polo，然后再按照 model 进行分类。在最后，我们使用 post_fitler 来过滤结果。最终的搜索结果（位于 hits 里）是 brand:polo 并且 color:red：

{
  "took" : 0,
  "timed_out" : false,
  "_shards" : {
    "total" : 1,
    "successful" : 1,
    "skipped" : 0,
    "failed" : 0
  },
  "hits" : {
    "total" : {
      "value" : 1,
      "relation" : "eq"
    },
    "max_score" : 0.0,
    "hits" : [
      {
        "_index" : "shirts",
        "_id" : "2",
        "_score" : 0.0,
        "_source" : {
          "brand" : "polo",
          "color" : "red",
          "model" : "large"
        }
      }
    ]
  },
  "aggregations" : {
    "color_red" : {
      "doc_count" : 1,
      "models" : {
        "doc_count_error_upper_bound" : 0,
        "sum_other_doc_count" : 0,
        "buckets" : [
          {
            "key" : "large",
            "doc_count" : 1
          }
        ]
      }
    },
    "colors" : {
      "doc_count_error_upper_bound" : 0,
      "sum_other_doc_count" : 0,
      "buckets" : [
        {
          "key" : "blue",
          "doc_count" : 1
        },
        {
          "key" : "red",
          "doc_count" : 1
        }
      ]
    }
  }
}

重新评分过滤的搜索结果

重新评分有助于提高精度，方法是仅对查询和 post_filter 阶段返回的顶部（例如 100 - 500 个）文档进行重新排序，使用另外的（通常成本更高）算法，而不是将成本高昂的算法应用于索引中的所有文档。

在每个分片返回结果以由处理整个搜索请求的节点排序之前，在每个分片上执行重新评分（rescore）请求。

目前 rescore API 只有一种实现：query rescorer，它使用查询来调整评分。将来，可能会提供替代的记分器，例如，成对的记分器。

注意：如果 rescore 查询提供了显式 sort（除 _score 降序排列），则会引发错误。

注意：当向你的用户公开分页时，你不应在逐步浏览每个页面时更改 window_size（通过传递不同的值），因为这会改变热门点击，导致结果在用户浏览页面时发生混乱的变化。

query rescorer

查询 rescorer 仅对 query 和 post_filter 阶段返回的 Top-K 结果执行第二次查询。将在每个分片上检查的文档数可以由 window_size 参数控制，默认为 10。

默认情况下，原始查询和重新评分查询的分数线性组合以生成每个文档的最终 _score。原始查询和重新评分查询的相对重要性可以分别通过 query_weight 和 rescore_query_weight 来控制。两者都默认为 1。

例如：

POST /_search
{
   "query" : {
      "match" : {
         "message" : {
            "operator" : "or",
            "query" : "the quick brown"
         }
      }
   },
   "rescore" : {
      "window_size" : 50,
      "query" : {
         "rescore_query" : {
            "match_phrase" : {
               "message" : {
                  "query" : "the quick brown",
                  "slop" : 2
               }
            }
         },
         "query_weight" : 0.7,
         "rescore_query_weight" : 1.2
      }
   }
}

分数的组合方式可以通过 score_mode 来控制：

Score mode	描述
total	添加原始分数和重新评分查询分数。默认。
multiply	将原始分数乘以重新评分查询分数。对 function query 重新评分很有用。
avg	平均原始分数和重新评分查询分数。
max	取原始分数和重新分数查询分数的最大值。
min	取原始分数和重新评分查询分数的最小值。

多次重新评分

也可以按顺序执行多个重新评分：

POST /_search
{
   "query" : {
      "match" : {
         "message" : {
            "operator" : "or",
            "query" : "the quick brown"
         }
      }
   },
   "rescore" : [ {
      "window_size" : 100,
      "query" : {
         "rescore_query" : {
            "match_phrase" : {
               "message" : {
                  "query" : "the quick brown",
                  "slop" : 2
               }
            }
         },
         "query_weight" : 0.7,
         "rescore_query_weight" : 1.2
      }
   }, {
      "window_size" : 10,
      "query" : {
         "score_mode": "multiply",
         "rescore_query" : {
            "function_score" : {
               "script_score": {
                  "script": {
                    "source": "Math.log10(doc.count.value + 2)"
                  }
               }
            }
         }
      }
   } ]
}

第一个得到查询的结果，然后第二个得到第一个的结果，依此类推。第二个重新评分将 “看到” 第一个重新评分完成的排序，因此可以在第一个重新评分上使用一个大窗口来将文档拉入较小的窗口以进行第二次重新评分。

性能考虑

仅当你需要区分过滤器搜索结果和聚合时才使用 post_filter。有时人们会使用 post_filter 进行常规搜索。post_filter 的性质意味着它在查询之后运行，因此过滤（例如缓存）的任何性能优势都完全丧失了。post_filter 应该仅与聚合结合使用，并且仅在你需要差分过滤时使用。

仅在需要时使用 post_filter

post_filter 参数有一个别名 filter。这是为了向后兼容，因为在 ElasticSearch 的早期版本中，post_filter 曾经被命名为过滤器。改名是有原因的。虽然在创建只应过滤结果的请求时使用 post_filter 代替查询参数当然是可能且更方便的，但在性能方面不如使用查询参数好。因此，即使你在调试时不需要使用 post_filter，也可以随意使用它，但仅在实际需要针对生产集群时使用它。

不要使用 post_filter ，除非你确实需要它来进行聚合。

参考：

【1】Filter search results | Elasticsearch Guide [8.2] | Elastic