如何配置Elasticsearch使multi_match匹配字母数字组合的空格与无空格形式？

问题翻译 #

我在使用Elasticsearch时，索引中存在类似“Hotel101 fort”的字母数字组合条目。当用“Hotel 101 fort”查询时无法得到正确结果，因为Elasticsearch将查询拆分为“Hotel”“101”“fort”三个token，而文档被分词为“Hotel101”和“fort”。我的目标是让文档中的“Hotel101”匹配这类查询，且无需每次查询显式指定analyzer。目前已尝试使用multi_match跨多字段查询，以及包含ngram和synonym过滤器的自定义analyzer，但ngram无法解决完整分词问题，synonym过滤器需手动添加所有组合，效率极低。请问如何配置Elasticsearch，使“Hotel101”和“Hotel 101”在索引和查询时被视为同一token，且无需每次查询指定analyzer？

要让带空格和不带空格的字母数字组合（如Hotel 101和Hotel101）被视为同一token，无需每次查询指定分析器，你可以通过自定义分析器+字符过滤器的方式，在索引和查询阶段统一处理文本格式，具体步骤如下：

1. 创建带字符过滤器的自定义分析器 #

核心思路是：用pattern_replace字符过滤器，在索引和查询时自动移除字母与数字之间的空格，将两种格式统一为无空格的形式，确保分词后生成完全一致的token。

创建索引的完整配置如下：

PUT /your_index_name
{
  "settings": {
    "analysis": {
      "char_filter": {
        // 移除字母与数字、数字与字母之间的空格
        "alnum_space_normalizer": {
          "type": "pattern_replace",
          "pattern": "([a-zA-Z])\\s+(\\d)|(\\d)\\s+([a-zA-Z])",
          "replacement": "$1$2$3$4"
        }
      },
      "analyzer": {
        "unified_alnum_analyzer": {
          "type": "custom",
          "char_filter": ["alnum_space_normalizer"],
          "tokenizer": "standard",
          "filter": ["lowercase"]
        }
      }
    }
  },
  "mappings": {
    "properties": {
      "your_field_name": {
        "type": "text",
        // 索引和查询都使用自定义分析器
        "analyzer": "unified_alnum_analyzer",
        "search_analyzer": "unified_alnum_analyzer"
      }
    }
  }
}

2. 配置说明 #

• 字符过滤器alnum_space_normalizer：通过正则匹配两种场景：
  • 字母后接空格再接数字（如Hotel 101→Hotel101）
  • 数字后接空格再接字母（如101 Hotel→101Hotel）
    自动移除空格，统一格式。
• 自定义分析器unified_alnum_analyzer：先经过字符过滤器处理，再用标准分词器拆分，最后转小写，确保大小写不影响匹配。
• 字段映射：将目标字段的analyzer和search_analyzer都指定为自定义分析器，这样查询时无需额外指定，Elasticsearch会自动用该分析器处理查询文本。

3. 测试验证 #

索引文档 #

POST /your_index_name/_doc/1
{
  "your_field_name": "Hotel101 fort"
}

执行查询 #

GET /your_index_name/_search
{
  "query": {
    "match": {
      "your_field_name": "Hotel 101 fort"
    }
  }
}

此时查询文本会被处理为Hotel101 fort，分词后得到hotel101和fort，与文档的分词结果完全一致，因此能匹配到目标文档。

备选方案：使用word_delimiter_graph过滤器 #

如果你希望同时保留原始组合和拆分后的token（比如既支持Hotel101也支持Hotel+101的查询），可以用word_delimiter_graph过滤器，它会自动拆分字母数字组合并保留原始token：

PUT /your_index_name
{
  "settings": {
    "analysis": {
      "analyzer": {
        "alnum_split_analyzer": {
          "type": "custom",
          "tokenizer": "standard",
          "filter": ["custom_word_delimiter", "lowercase"]
        }
      },
      "filter": {
        "custom_word_delimiter": {
          "type": "word_delimiter_graph",
          "preserve_original": true, // 保留原始token（如Hotel101）
          "split_on_numerics": true, // 按数字拆分
          "split_on_case_change": true // 按大小写变化拆分
        }
      }
    }
  },
  "mappings": {
    "properties": {
      "your_field_name": {
        "type": "text",
        "analyzer": "alnum_split_analyzer",
        "search_analyzer": "alnum_split_analyzer"
      }
    }
  }
}

这种配置下，文档中的Hotel101会被拆分为hotel、101、hotel101三个token，查询Hotel 101 fort时生成的hotel、101、fort能与文档中的token匹配，同样能得到正确结果。

内容的提问来源于stack exchange，提问作者A_xay Queuemar