如何编写Elasticsearch自定义分析器匹配特定格式搜索关键词

核心思路 #

要解决连字符拆分导致的错误匹配，关键是让Elasticsearch把完整的符合格式的RTP关键词当成单个token处理，而不是按标点拆分。下面提供两种实用实现方案：

方案一：自定义分析器（推荐，性能更优） #

1. 创建带自定义分析器的索引 #

直接在索引设置里定义专门的分析器，用正则匹配捕获完整的RTP格式关键词：

PUT /rtp_docs
{
  "settings": {
    "analysis": {
      "analyzer": {
        "rtp_special_analyzer": {
          "type": "custom",
          "tokenizer": "rtp_pattern_tokenizer",
          "filter": ["lowercase"] // 可选，开启则支持大小写不敏感搜索
        }
      },
      "tokenizer": {
        "rtp_pattern_tokenizer": {
          "type": "pattern",
          // 正则规则：匹配RTP开头，中间/结尾带空格或连字符的完整关键词
          "pattern": "(RTP[\\s-].+?[\\s-].+)|\\S+",
          "group": 1 // 只保留符合格式的RTP关键词作为token，其他内容按普通非空白字符分词
        }
      }
    }
  },
  "mappings": {
    "properties": {
      "target_field": {
        "type": "text",
        "analyzer": "rtp_special_analyzer",
        "search_analyzer": "rtp_special_analyzer" // 搜索和索引用同一分析器，保证token匹配一致
      }
    }
  }
}

如果你的字段仅存储这类RTP关键词（无其他内容），可以简化分词器：

"rtp_pattern_tokenizer": {
  "type": "pattern",
  "pattern": "^RTP[\\s-].+[\\s-].+$",
  "group": 0
}

甚至直接用keyword分词器（整个字段作为单个token）：

"rtp_special_analyzer": {
  "type": "custom",
  "tokenizer": "keyword",
  "filter": ["lowercase"]
}

2. 验证分析器效果 #

用_analyze接口测试token生成是否符合预期：

POST /rtp_docs/_analyze
{
  "analyzer": "rtp_special_analyzer",
  "text": "RTP-458-8D9A 无关内容 RTP 599RT-7"
}

正常情况下，RTP-458-8D9A和RTP 599RT-7会被当成单个token，其他内容按规则拆分。

3. 搜索测试 #

用match查询时，完整关键词会作为单个token匹配，不会拆分：

POST /rtp_docs/_search
{
  "query": {
    "match": {
      "target_field": "RTP-458-8D9A"
    }
  }
}

这样只会返回包含完整RTP-458-8D9A的文档，不会出现误匹配。

方案二：正则查询（无需修改索引） #

如果不想改动现有索引，也可以直接用regexp查询匹配格式：

POST /your_existing_index/_search
{
  "query": {
    "regexp": {
      "target_field": "RTP[-\\s].+[-\\s].+"
    }
  }
}

注意：这种方式查询性能不如自定义分析器，因为正则是在查询阶段实时处理，适合小数据量场景。

内容的提问来源于stack exchange，提问作者Klick