如何从文本提取运动名称并在OpenSearch中精准匹配查询？

我正在使用OpenSearch，现有一段包含多个运动名称的长文本，需要从中提取运动名称并在OpenSearch索引中匹配对应文档。输入文本格式多样，包含大小写字母、数字及特殊字符，运动名称无固定格式。

示例输入文本：

I will make a good 10 push-ups and Dumbbell Deficit Push-up

索引中的数据示例：

[
    {
        "id": 2,
        "name": "Ankle Circles"
    },
    {
        "id": 3,
        "name": "Barbell Deep Squat"
    },
    {
        "id": 10,
        "name": "Push-ups"
    },
    {
        "id": 11,
        "name": "Sit-up"
    },
    {
        "id": 12,
        "name": "Air Squats"
    },
    {
        "id": 13,
        "name": "Dumbbell Deficit Push-up"
    },
    {
        "id": 14,
        "name": "Pretzel Stretch"
    },
    {
        "id": 15,
        "name": "Cobra Stretch"
    },
    {
        "id": 20,
        "name": "Push-ups with Elevated Feet"
    }
]

当前查询代码：

SearchResponse<ExerciseOSDto> searchResponse = openSearchClient.search(
        s -> s.index("exercises")
            .query(new Query.Builder().match(
                    new MatchQuery.Builder()
                        .field("name")
                        .query(new FieldValue.Builder()
                            .stringValue(payload.getText()).build())
                        .operator(Operator.Or) 
                        .build())
                .build()), ExerciseOSDto.class);

当前查询会返回所有包含up/ups/push的运动（比如id=11、20的文档），但我只希望获取id为10和13的文档。请问从文本提取运动名称并在OpenSearch中搜索的最优方案是什么？

核心思路是先从输入文本中提取精准的运动候选词，再通过OpenSearch的精准匹配查询获取目标文档，避免分词导致的模糊匹配问题。以下是具体实现步骤：

1. 预处理输入文本，提取候选运动名称 #

先对杂乱的输入文本做清洗和提取：

• 去除数字、无关特殊字符（比如示例中的10），保留字母、空格和运动名称常用的连字符-
• 按空格拆分文本后，尝试组合成完整的运动名称（比如从拆分后的单词中组合出push-ups和Dumbbell Deficit Push-up）
• 统一转为小写，消除大小写差异对匹配的影响

示例预处理后得到候选列表：["push-ups", "dumbbell deficit push-up"]

2. 优化OpenSearch索引字段映射（推荐） #

给name字段添加keyword子字段，配合小写归一化器，实现大小写不敏感的精准匹配：

# 创建小写归一化器
PUT /_settings
{
  "index": {
    "analysis": {
      "normalizer": {
        "lowercase_normalizer": {
          "type": "custom",
          "filter": ["lowercase"]
        }
      }
    }
  }
}

# 更新索引映射
PUT /exercises/_mapping
{
  "properties": {
    "name": {
      "type": "text",
      "fields": {
        "keyword": {
          "type": "keyword",
          "ignore_above": 256,
          "normalizer": "lowercase_normalizer"
        }
      }
    }
  }
}

这个配置既保留原text字段的分词能力，又新增了支持精准匹配的name.keyword字段。

3. 使用精准匹配查询获取目标文档 #

方案A：terms批量匹配候选词 #

直接用terms查询匹配预处理后的候选列表，确保只有完全匹配的文档被返回：

import java.util.Arrays;
import java.util.stream.Collectors;
import org.opensearch.client.opensearch.core.SearchResponse;
import org.opensearch.client.opensearch._types.FieldValue;
import org.opensearch.client.opensearch._types.query_dsl.Query;

// 预处理得到的候选运动名称列表
List<String> exerciseCandidates = Arrays.asList("push-ups", "dumbbell deficit push-up");

SearchResponse<ExerciseOSDto> searchResponse = openSearchClient.search(
    s -> s.index("exercises")
          .query(q -> q.terms(t -> t
              .field("name.keyword")
              .terms(terms -> terms.value(exerciseCandidates.stream()
                  .map(FieldValue::of)
                  .collect(Collectors.toList()))))),
    ExerciseOSDto.class);

方案B：match_phrase短语匹配（适合格式轻微差异场景） #

如果需要兼容少量格式差异（比如push-ups和push up），可以用match_phrase配合slop:0实现精准短语匹配：

import java.util.Arrays;
import org.opensearch.client.opensearch.core.SearchResponse;
import org.opensearch.client.opensearch._types.query_dsl.BoolQuery;
import org.opensearch.client.opensearch._types.query_dsl.Query;

// 预处理得到的候选运动名称列表
List<String> exerciseCandidates = Arrays.asList("push-ups", "dumbbell deficit push-up");

// 构建布尔查询，每个候选词对应一个match_phrase子查询
BoolQuery.Builder boolQuery = new BoolQuery.Builder();
for (String candidate : exerciseCandidates) {
    boolQuery.should(q -> q.matchPhrase(mp -> mp
        .field("name")
        .query(candidate)
        .slop(0)));
}

SearchResponse<ExerciseOSDto> searchResponse = openSearchClient.search(
    s -> s.index("exercises")
          .query(q -> q.bool(boolQuery.build())),
    ExerciseOSDto.class);

4. 提升候选词提取的准确性 #

如果运动名称集合是固定的，建议维护一个运动名称字典：

• 把索引中所有运动名称转成小写后存入字典
• 用滑动窗口扫描输入文本，直接匹配字典中的完整名称
• 这种方式能避免拆分组合带来的错误，提取精度更高

内容的提问来源于stack exchange，提问作者Taras Vovk