如何在Elasticsearch复杂bool查询中定位匹配短语？

我正在使用Elasticsearch Python客户端的Search API执行一个复杂查询，需匹配大量短语并附加其他约束，查询代码如下：

query = {
    "query": {
        "bool": {
            "should": [
                {
                    "bool": {
                        "must": [
                            {"terms": {"page_id": chunked_pages[entity]}},
                            {
                                "bool": {
                                    "should": [
                                        {"match_phrase": {"content": {"query": name, "slop": 6}}}
                                        for name in chunked_names[entity]
                                    ]
                                }
                            },
                        ]
                    }
                }
                for entity in chunked_names.keys()
            ],
            "minimum_should_match": 1,
        }
    },
    "highlight": {
        "fields": {
            "content": {}
        },
        "pre_tags": ["<em>"],
        "post_tags": ["</em>"],
    },
    "from": from_param,
    "size": results_per_request
} 
response = es.search(index=index_name, body=query)

我希望获知每个检索到的文档所匹配的具体短语（因存在数千个潜在短语）。尝试使用高亮功能后，发现高亮结果存在bool子句混淆问题：文档命中结果正确，但高亮术语不符合page_id约束。请问该如何解决此问题？

核心原因 #

Elasticsearch默认高亮逻辑是基于整个查询的匹配项，不会关联page_id和对应短语的绑定关系，导致跨entity的短语也被高亮，即便它们不满足当前文档的page_id约束。

具体解决办法 #

1. 给子查询添加命名（named queries） #

给每个绑定page_id和短语的子bool查询、以及每个短语的match_phrase查询添加唯一名称，这样能在结果中明确知道哪个entity和短语匹配了当前文档。

修改后的查询示例：

query = {
    "query": {
        "bool": {
            "should": [
                {
                    "bool": {
                        "_name": f"entity_{entity}",  # 给每个entity的子查询命名
                        "must": [
                            {"terms": {"page_id": chunked_pages[entity]}},
                            {
                                "bool": {
                                    "should": [
                                        {"match_phrase": {
                                            "content": {"query": name, "slop": 6},
                                            "_name": f"phrase_{entity}_{name.replace(' ', '_')}"  # 给每个短语查询命名
                                        }}
                                        for name in chunked_names[entity]
                                    ]
                                }
                            },
                        ]
                    }
                }
                for entity in chunked_names.keys()
            ],
            "minimum_should_match": 1,
        }
    },
    "highlight": {
        "fields": {
            "content": {}
        },
        "pre_tags": ["<em>"],
        "post_tags": ["</em>"],
        "require_field_match": True  # 确保只高亮当前字段的匹配项
    },
    "from": from_param,
    "size": results_per_request
} 

2. 基于匹配的命名查询过滤高亮结果 #

查询响应中，每个命中文档会带有matched_queries字段，包含所有匹配成功的查询名称。你可以通过这个字段提取有效短语，再过滤高亮内容：

for hit in response['hits']['hits']:
    # 获取匹配的查询名称列表
    matched_queries = hit.get('matched_queries', [])
    # 提取真正匹配的短语
    matched_phrases = []
    for q_name in matched_queries:
        if q_name.startswith('phrase_'):
            # 从命名中解析出短语内容
            _, _, phrase_part = q_name.split('_', 2)
            matched_phrases.append(phrase_part.replace('_', ' '))
    
    # 过滤高亮片段，只保留包含匹配短语的内容
    filtered_highlights = []
    for highlight in hit['highlight']['content']:
        for phrase in matched_phrases:
            if f"<em>{phrase}</em>" in highlight:
                filtered_highlights.append(highlight)
                break
    
    # 输出整理后的结果
    print(f"文档ID: {hit['_id']}")
    print(f"匹配短语: {matched_phrases}")
    print(f"有效高亮: {filtered_highlights}")

3. 进阶方案：用inner_hits强绑定匹配上下文 #

如果需要更严格的page_id与短语的关联验证，可以考虑将每个entity的查询逻辑包装为嵌套查询（需对应的数据结构支持），并通过inner_hits捕获每个子查询的匹配上下文。这种方式能直接获取到与当前page_id绑定的短语匹配结果，但需要调整数据结构或查询逻辑，适合对匹配精度要求极高的场景。

内容的提问来源于stack exchange，提问作者Latent