Elasticsearch能否将文档中嵌入的日期字符串索引为date类型并支持日期范围查询？

1. 能不能把文档里嵌入的日期字符串索引成date类型？ #

完全可以！不过因为日期是嵌在文本里，而且数量不固定，没法用常规的单个date字段。我们可以通过摄入管道（Ingest Pipeline）把所有符合格式的日期提取出来，存到一个date类型的数组字段里——这样既保留了日期的结构化属性，又能应对从几个到几百个不等的嵌入日期。

2. 针对你的具体场景的实现步骤 #

你的需求很明确：要索引一堆带<month> <day>, <year>格式日期的文档，之后要能查到满足两个条件的内容：一是文档里有至少一个日期≥2021-01-01，二是短语"held on"出现在这个日期的前后5个词范围内。下面是具体的实现方法：

第一步：创建摄入管道提取并转换日期 #

先做一个Ingest Pipeline，用grok匹配你的日期格式，再把提取到的日期转成标准date类型，存到embedded_dates数组里。这里假设你的文本内容存在content字段里：

PUT _ingest/pipeline/extract-embedded-dates
{
  "description": "提取文本中所有<month> <day>, <year>格式的日期并转为date类型",
  "processors": [
    {
      "grok": {
        "field": "content",
        "patterns": ["%{MONTH:temp_date.month} %{NUMBER:temp_date.day:int}, %{NUMBER:temp_date.year:int}"],
        "pattern_definitions": {
          "MONTH": "(January|February|March|April|May|June|July|August|September|October|November|December)"
        },
        "match_only_text": true,
        "append": true,
        "target_field": "temp_dates"
      }
    },
    {
      "script": {
        "source": """
          List<String> dateList = new ArrayList<>();
          if (ctx.temp_dates != null) {
            for (def datePart : ctx.temp_dates) {
              // 把提取到的月日年拼成字符串，再转成ISO日期格式
              String dateStr = datePart.month + " " + datePart.day + ", " + datePart.year;
              ZonedDateTime zdt = DateTimeFormatter.ofPattern("MMMM dd, yyyy").parse(dateStr, ZonedDateTime::from);
              dateList.add(zdt.toInstant().toString());
            }
            ctx.embedded_dates = dateList;
          }
          // 清理临时字段
          ctx.remove("temp_dates");
        """,
        "lang": "painless"
      }
    }
  ]
}

这个管道会遍历content里所有符合格式的日期，转成Elasticsearch能识别的ISO格式，存到embedded_dates数组里，不管有多少个日期都能处理。

第二步：创建索引并设置映射 #

创建索引时，要指定embedded_dates为date类型，content保留为text类型（默认会开启位置索引，这对后续的词距查询很重要）：

PUT event_docs_index
{
  "mappings": {
    "properties": {
      "content": {
        "type": "text"
      },
      "embedded_dates": {
        "type": "date"
      }
    }
  }
}

第三步：用管道索引文档 #

索引文档的时候，指定用我们刚才创建的管道，这样日期会自动被提取转换：

PUT event_docs_index/_doc/1?pipeline=extract-embedded-dates
{
  "content": "The annual summit was held on June 20, 2020, but the follow-up meeting was held on January 5, 2021."
}

第四步：编写目标查询 #

要同时满足日期范围和词距两个条件，我们用bool查询结合span near查询（处理词距）和range查询（处理日期范围）：

GET event_docs_index/_search
{
  "query": {
    "bool": {
      "must": [
        // 条件1：至少有一个嵌入日期≥2021-01-01
        {
          "range": {
            "embedded_dates": {
              "gte": "2021-01-01"
            }
          }
        },
        // 条件2："held on"和符合格式的日期在前后5个词范围内
        {
          "span_near": {
            "clauses": [
              {
                "span_multi": {
                  "match": {
                    "match_phrase": {
                      "content": "held on"
                    }
                  }
                }
              },
              {
                "span_multi": {
                  "match": {
                    "regexp": {
                      "content": "(January|February|March|April|May|June|July|August|September|October|November|December) \\d{1,2}, \\d{4}"
                    }
                  }
                }
              }
            ],
            "slop": 5,
            "in_order": false
          }
        }
      ]
    }
  }
}

这里的slop:5表示两个短语之间最多可以隔5个词，in_order:false不限制"held on"和日期的先后顺序。同时range查询保证文档里有符合条件的结构化日期。

额外提示 #

• 如果你的日期有月份缩写（比如"Jul"代替"July"），可以修改grok里的MONTH模式，加入(Jan|Feb|Mar|Apr|May|Jun|Jul|Aug|Sep|Oct|Nov|Dec)这种缩写形式。
• 要是觉得painless脚本麻烦，也可以用date处理器配合循环，但脚本处理多日期会更灵活。
• 这些功能在Elasticsearch 7.x及以上版本都支持，如果你用的是更老的版本，可能需要调整一些语法。

内容的提问来源于stack exchange，提问作者davidavr