WedX - журнал о программировании и компьютерных науках

объединить термины и логический запрос в elasticsearch

Я хотел бы выполнить поиск в индексе elasticsearch, но только для списка идентификаторов. Я могу выбрать идентификаторы с запросом терминов

{
    "query": {
        "terms": {
            "_id": list_of_ids
        }
    }
}

Теперь я хочу выполнить поиск в полученном списке, что можно сделать с помощью такого запроса

{
    "query": {
        "bool": {
            "must": {}
        }
    }
}

Мой вопрос: как я могу объединить эти два запроса? Одно решение, которое я нашел, состоит в том, чтобы добавить идентификаторы в обязательный запрос, подобный этому.

{
    "query": {
        "bool": {
            "must": {}
            "should": [{
                "term": {
                    "_id": id1
                },
                "term": {
                    "_id": id2
                }]
            }
        }
    }
}

который отлично работает. Однако, если список идентификаторов очень велик, это может привести к ошибкам.

elasticsearch.exceptions.RequestError: RequestError(400, 'search_phase_execution_exception', 'failed to create query:

Мне интересно, есть ли более компактный способ написать такой запрос? Я думаю, что приведенная выше ошибка вызвана тем, что мой запрос слишком длинный, так как я добавил тысячи поисковых запросов по терминам ... должен быть способ просто предоставить массив, как в запросе терминов?

23.12.2020

Ответы:


1

решил это

{
    "query": {
        "bool": {
            "must": {},
            "filter": {
                "terms": {
                    "_id": list_of_ids
                }
            }
        }
    }
}

извините, я немного новичок в elasticsearch...

23.12.2020

2

Вы также можете использовать запрос идентификаторов, который возвращает документы на основе их идентификаторов.

Добавление рабочего примера с данными индекса, поисковым запросом и результатом поиска.

Данные индекса:

{
    "name":"buiscuit",
    "cost":"55",
    "discount":"20"
}
{
    "name":"multi grain bread",
    "cost":"55",
    "discount":"20"
}

Поисковый запрос:

{
  "query": {
    "bool": {
      "must": {
        "match": {
          "name": "bread"
        }
      },
      "filter": {
        "ids": {
          "values": [
            "1",
            "2",
            "4"
          ]
        }
      }
    }
  }
}

Результат поиска:

"hits": [
      {
        "_index": "65431114",
        "_type": "_doc",
        "_id": "1",
        "_score": 0.5754429,
        "_source": {
          "name": "multi grain bread",
          "cost": "55",
          "discount": "20"
        }
      }
    ]
24.12.2020
Новые материалы

Я хотел выучить язык программирования MVC4, но не мог выучить его раньше, потому что это выглядит сложно…
Просто начните и учитесь самостоятельно Я хотел выучить язык программирования MVC4, но не мог выучить его раньше, потому что он кажется мне сложным, и я бросил его. Это в основном инструмент..

Лицензии с открытым исходным кодом: руководство для разработчиков и создателей
В динамичном мире разработки программного обеспечения открытый исходный код стал мощной парадигмой, способствующей сотрудничеству, инновациям и прогрессу, движимому сообществом. В основе..

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..


Для любых предложений по сайту: [email protected]