Elasticsearch：HTML文档索引及带信号搜索实现咨询

一、HTML文档的字段提取处理 #

ES没有内置工具能直接把HTML里的<title>、标题标签（<h1>/<h2>等）、加粗文本（<b>/<strong>）、正文这些内容自动拆分到不同的索引字段里。

你得自己做预处理：比如用Python的BeautifulSoup、Node.js的cheerio这类HTML解析库，先把每个HTML文件里的对应内容分别提取出来，整理成title、headings、bold_text、content这类结构化字段，再把这些字段写入ES索引。

如果想用ES的Ingest Pipeline来处理，也可以，但得结合script处理器自己写逻辑提取对应元素，不过这种方式不如在外部做预处理灵活。

二、为全文搜索添加加权信号 #

ES默认的BM25算法完全支持给不同匹配场景加权，让匹配标题或加粗文本的文档排名更靠前，常用的有两种方式：

1. Bool查询的should子句加权
   在查询里给不同字段设置不同的boost值，值越高，匹配该字段的文档得分就越高。举个简单的例子：

{
  "query": {
    "bool": {
      "should": [
        {"match": {"title": {"query": "你的关键词", "boost": 3}}},
        {"match": {"bold_text": {"query": "你的关键词", "boost": 2}}},
        {"match": {"content": {"query": "你的关键词", "boost": 1}}}
      ]
    }
  }
}

这里匹配title的文档得分权重是3，bold_text是2，正文content是1，这样匹配标题的文档会排在更前面。

2. Function Score查询
   如果需要更复杂的加权逻辑（比如结合其他因素），可以用function_score，比如给匹配标题的文档额外加分：

{
  "query": {
    "function_score": {
      "query": {"match": {"content": "你的关键词"}},
      "functions": [
        {
          "filter": {"match": {"title": "你的关键词"}},
          "weight": 3
        },
        {
          "filter": {"match": {"bold_text": "你的关键词"}},
          "weight": 2
        }
      ]
    }
  }
}

内容的提问来源于stack exchange，提问作者Ondřej Kobza