如何在Elasticsearch中提取正则搜索的匹配分组

Elasticsearch原生的regexp查询本身不会直接返回正则命中的匹配分组或具体文本片段，但可以通过以下两种方式实现需求：

方法1：利用高亮功能返回匹配文本片段 #

虽然高亮不能直接提取正则分组，但可以标记出文档中匹配正则的文本部分，配置示例如下：

GET /your_index/_search
{
  "query": {
    "regexp": {
      "article": "your_regex_pattern_here"
    }
  },
  "highlight": {
    "fields": {
      "article": {
        "type": "unified",
        "pre_tags": ["<match>"],
        "post_tags": ["</match>"]
      }
    }
  }
}

返回结果的highlight字段会包含article字段中被正则匹配到的文本片段，被<match>和</match>包裹。

方法2：使用脚本字段提取正则分组 #

通过Painless脚本直接在查询时提取正则匹配的分组，这是获取具体分组内容的更直接方式，配置示例：

GET /your_index/_search
{
  "query": {
    "regexp": {
      "article": "your_regex_pattern_with_groups_here"
    }
  },
  "script_fields": {
    "matched_groups": {
      "script": {
        "source": """
          String content = doc['article.keyword'].value;
          Pattern pattern = Pattern.compile(params.regex);
          Matcher matcher = pattern.matcher(content);
          if (matcher.find()) {
            def groups = new ArrayList();
            for (int i = 1; i <= matcher.groupCount(); i++) {
              groups.add(matcher.group(i));
            }
            return groups;
          }
          return null;
        """,
        "params": {
          "regex": "your_regex_pattern_with_groups_here"
        }
      }
    }
  }
}

注意：这里使用article.keyword是因为文本字段的分词可能导致正则匹配不准确，若你的正则需要匹配分词后的内容，可以改用doc['article']并遍历分词后的token，但这种场景下分组提取会更复杂。

注意事项 #

• 脚本字段会增加查询的性能开销，尤其是在数据量较大时，建议谨慎使用。
• 正则表达式的编写要符合Java正则规范（因为Painless基于Java）。

内容的提问来源于stack exchange，提问作者Exorcismus