WedX - журнал о программировании и компьютерных науках

Эластичный поиск заполняет поле B массивом слов из значения поля A в документе

Я хотел бы добавить поле B, которое должно содержать массив со словами поля A. Я хотел бы использовать какой-то скрипт, который разбивает значение поля A на разделы слов.

Что-то вроде этого: Поле A: "The Quick Brown Fox" Поле B: ["The","Quick","Brown","Fox"]

Я изо всех сил пытаюсь найти в Google, как добиться этого в ElasticSearch 5.6.


Ответы:


1

Этого можно добиться с помощью обновления API запросов и скрипт, который разбивает поле A и сохраняет полученный массив в поле B:

POST test/_update_by_query
{
  "script": {
    "inline": "ctx._source.fieldB = /\\s+/.split(ctx._source.fieldA);",
    "lang": "painless"
  },
  "query": {
    "match_all": {}
  }
}

Вы получите это:

    {
      "fieldA" : "The brown fox",
      "fieldB" : [
        "The",
        "brown",
        "fox"
      ]
    }
16.01.2019
  • Попытка сделать это дает мне следующую ошибку: тип: parse_exception, причина: ожидалось одно из полей [inline], [file] или [stored], но я не нашел ни одного. Я заменил fieldB на zoektermen и fieldA на hoofdtitel. 16.01.2019
  • Извините, вы используете 5.6, а я тестировал 6.5... Проверьте мой обновленный ответ 16.01.2019
  • Спасибо за ваш быстрый ответ. Мне нужно установить для Regex значение true. Я использую ElasticSearch на AWS. Я погуглил, и, видимо, я не могу изменить значение в AWS. (stackoverflow.com/questions/47271384/) Знаете ли вы второе решение? 16.01.2019
  • Да, разделите это поле во время индексации :-) или лучше: перейдите в облако ES, которое намного лучше, чем ES, управляемое AWS. 16.01.2019
  • Вы можете найти хорошее сравнение здесь и более раннее здесь 17.01.2019
  • Новые материалы

    Объяснение документов 02: BERT
    BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка. Во время предварительного обучения модель обучается на неразмеченных данных с помощью..

    Как проанализировать работу вашего классификатора?
    Не всегда просто знать, какие показатели использовать С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..

    Работа с цепями Маркова, часть 4 (Машинное обучение)
    Нелинейные цепи Маркова с агрегатором и их приложения (arXiv) Автор : Бар Лайт Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..

    Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
    Как вы сегодня, ребята? В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..

    Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
    Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение. В этом процессе мы будем использовать неконтролируемое обучение, чтобы..

    Учебные заметки: создание моего первого пакета Node.js
    Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm. Оглавление Глоссарий I. Новый пакет 1.1 советы по инициализации..

    Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
    Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных. Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..


    Для любых предложений по сайту: [email protected]