Elasticsearch k-NN搜索报错：期望[_doc]却得到[_knn_search] 求解决方案

错误核心原因 #

Elasticsearch 7.10.2不支持knn_searchAPI，该API是Elasticsearch 8.0及以上版本才正式引入的。你使用的Python客户端es.knn_search()方法对应8.x版本的_knn_search端点，但7.10.2集群仅识别_doc相关端点，因此抛出类型不匹配错误。

解决方案：使用script_score实现k-NN搜索 #

在7.x版本中，需通过searchAPI结合script_score查询，用脚本计算向量间的相似度并排序。结合你索引映射中配置的l2_norm相似度，修改代码如下：

from elasticsearch import Elasticsearch
from sentence_transformers import SentenceTransformer

def search_function(query):
    es = Elasticsearch('http://3.110.155.4:9200/')

    model = SentenceTransformer("all-mpnet-base-v2")
    vector_of_input_keyword = model.encode(query).tolist()  # 转换为列表适配ES脚本格式

    # 构建基于script_score的k-NN查询
    search_query = {
        "size": 10,  # 对应原knn参数中的k值
        "_source": ["id", "price", "bedroom", "bathroom", "sqft", "builtArea", "location_name"],
        "query": {
            "script_score": {
                "query": {"match_all": {}},  # 基础查询，可替换为业务过滤条件
                "script": {
                    "source": "1 / (1 + l2norm(params.query_vector, 'DescriptionVector'))",
                    "params": {
                        "query_vector": vector_of_input_keyword
                    }
                }
            }
        }
    }

    res = es.search(index="house_6", body=search_query)
    
    return res["hits"]["hits"]

input_query = input("Enter query to search: ")
print("Search results:")
print(search_function(input_query))

关键细节说明 #

• 脚本逻辑：l2norm函数计算查询向量与文档向量的L2距离，通过1/(1+距离)将距离转换为0-1区间的分数（距离越小，分数越高），保证相似文档排在前列。
• size参数：替代原knn配置中的k，控制返回的最相似条目数量。
• 向量格式：将模型输出的numpy数组转为Python列表，避免Elasticsearch无法解析numpy类型的问题。

额外优化建议 #

如果索引数据量较大，这种暴力计算方式性能会受限，可通过以下方式优化：

• 在match_all位置添加业务过滤条件，缩小向量计算的文档范围
• 升级到Elasticsearch 8.x版本，使用官方提供的近似k-NN功能（性能更优）

内容的提问来源于stack exchange，提问作者SyedAbubakker Hahsmi