内容简介:本篇主要介绍一个Term Vector的概念和基本使用方法。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
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。
专注 Java 高并发、分布式架构,更多技术干货分享与心得,请关注公众号:Java架构社区
可以扫左边二维码添加好友,邀请你加入Java架构社区微信群共同探讨技术
以上所述就是小编给大家介绍的《Elasticsearch系列---Term Vector工具探查数据》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!
猜你喜欢:- Superset 0.25.2 发布,数据探查与可视化平台
- Superset 0.34.1 发布,数据探查与可视化平台
- Superset 0.25.4 和 0.25.5,数据探查与可视化平台
- Superset 0.25.0rc3 发布,数据探查与可视化平台
- Superset 0.28.0rc3 发布,数据探查与可视化平台
- ENVI扩展工具:RandomForest分类工具
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
The Haskell School of Expression
Paul Hudak / Cambridge University Press / 2000-01 / USD 95.00
Functional programming is a style of programming that emphasizes the use of functions (in contrast to object-oriented programming, which emphasizes the use of objects). It has become popular in recen......一起来看看 《The Haskell School of Expression》 这本书的介绍吧!