ElasticSearch中term与match query的选择规则及keyword字段适用场景疑问

核心差异前提 #

字段类型决定的是索引阶段的词条生成规则，而term和match的差异是查询阶段的处理逻辑，二者是完全独立的流程，哪怕字段是keyword类型，两种查询的行为也不完全一致。 #

针对keyword类型字段的选择逻辑 #

你提到的「keyword类型应该始终用term查询」是大部分场景下的最优选择，但不是绝对适用，先明确两种查询在keyword字段下的行为区别：

• term是过滤类查询，不对输入的查询字符串做任何处理，直接和倒排索引的词条做精确匹配，默认不计算相关性得分，可走查询缓存，性能更高。
• match是相关性查询，会先将输入字符串用字段配置的search_analyzer处理（keyword类型默认的搜索分析器为keyword分词器，原样保留输入内容），再做匹配，会计算相关性得分，默认不走缓存，性能略低。

keyword字段使用match查询的适用场景

• 字段配置了自定义normalizer：比如给keyword字段配置了包含小写转换、特殊字符过滤的normalizer时，match查询会自动将输入内容用同一个normalizer处理后再匹配，不需要业务层手动做字符归一化。例如存储的邮箱为Test@Example.com，normalizer会自动转成小写存入索引，用match查询输入任意大小写的同邮箱地址都能命中，而term查询必须输入完全和索引里一致的小写内容才能命中。
• 多字段联合检索：同时需要匹配text类型和keyword类型字段时，用match可以统一查询语法，也能方便的统一配置多字段的得分权重，可维护性远高于term和match混写。
• 自动处理空白字符：match查询会默认过滤输入字符串的头尾空白字符，比如输入" 订单123 "会自动处理为"订单123"再匹配，不需要业务层单独做trim操作，而term查询会带着空格直接匹配，大概率无法命中。

针对text类型字段的反向选择逻辑 #

text类型默认会在索引阶段分词，大部分场景适合用match查询，但以下场景优先用term：

• 精确匹配单个分词词条：比如text类型的文章内容字段，分词后索引里存在elasticsearch词条，需要精确过滤所有包含该词条的文档、且不需要计算相关性得分时，用term查询性能更高，还能走查询缓存。
• 多字段映射的精确过滤：如果text类型字段同时配置了keyword类型的子字段（如下示例），需要对字段完整值做过滤或聚合统计时，用term查询匹配子字段的效率远高于match。

"title": {
  "type": "text",
  "fields": {
    "keyword": {
      "type": "keyword",
      "ignore_above": 256
    }
  }
}

• 确定性过滤场景：当你明确输入的查询内容就是text字段分词后的单个词条，仅需要做过滤不需要相关性得分时，用term可以跳过查询分词和得分计算步骤，查询效率更高。

内容的提问来源于stack exchange，提问作者Vip