Elasticsearch：基于keyword分词器无停用词实现企业名称精准搜索

我明白你的核心诉求：既要过滤掉企业名称里的通用停用词，又要严格控制搜索命中的条件——只有当搜索词去掉停用词后，所有剩余关键词都匹配，且剩余关键词数量≥2时才返回结果。之前的尝试踩坑很正常，我们一步步来解决：

第一步：打造精准处理企业名称的自定义分析器 #

你之前用keyword分词器+停用词没达到效果，大概率是分词逻辑没搞对：keyword分词器会把整个企业名称当成一个token，停用词过滤器根本没法单独移除"und""Gmbh"这类单个停用词。我们换个思路，用空格拆分每个词，再过滤停用词：

PUT /companies
{
  "settings": {
    "analysis": {
      "filter": {
        "company_stopwords": {
          "type": "stop",
          "stopwords": ["und", "gmbh"] // 这里可以随时扩展你的停用词表，比如加"kg""ag"这类
        }
      },
      "analyzer": {
        "company_name_analyzer": {
          "tokenizer": "whitespace", // 按空格拆分每个独立的词
          "filter": [
            "lowercase", // 统一转小写，避免大小写影响匹配
            "trim", // 去掉词前后的标点（比如把"Gmbh."变成"gmbh"）
            "company_stopwords", // 精准移除停用词
            "keyword_marker" // 确保每个词都作为完整关键词，不做词根化处理
          ]
        }
      }
    }
  },
  "mappings": {
    "properties": {
      "name": {
        "type": "text",
        "analyzer": "company_name_analyzer",
        "search_analyzer": "company_name_analyzer" // 搜索时用同一分析器处理搜索词，保证逻辑一致
      }
    }
  }
}

这个分析器的作用很清晰：把"Hansel und Gretel Gmbh."处理后，最终只会留下hansel和gretel两个有效token存入索引。

第二步：编写符合你要求的查询逻辑 #

common terms query之所以会让单个"Hansel"命中，是因为它的设计逻辑是高频词可选、低频词必须，天生不符合你的严格匹配需求。我们用两种方式实现你的要求：

方式一：应用层预处理（推荐，性能更高）

在你的业务代码里先处理搜索词，再发查询：

1. 把搜索词按空格拆分，转小写，去掉每个词的标点
2. 过滤掉停用词，得到有效关键词列表
3. 如果有效词列表长度<2，直接返回空结果（不用调用ES）
4. 如果长度≥2，用match查询并设置operator: and，确保所有有效词都匹配：

POST /companies/_search
{
  "query": {
    "match": {
      "name": {
        "query": "hansel gretel", // 这里是预处理后的有效词
        "operator": "and"
      }
    }
  }
}

测试场景验证：

• 搜索"Hansel Gretel" → 有效词2个，全部匹配 → 返回结果
• 搜索"Hansel" → 有效词1个 → 直接返回空
• 搜索"hansel gmbh" → 过滤后有效词1个 → 直接返回空

方式二：ES内部用脚本控制（适合无法修改应用层的场景）

如果没法在应用层处理，就在ES查询里加脚本过滤，确保搜索词处理后至少有2个有效词：

POST /companies/_search
{
  "query": {
    "bool": {
      "must": [
        {
          "match": {
            "name": {
              "query": "Hansel Gretel",
              "operator": "and"
            }
          }
        }
      ],
      "filter": [
        {
          "script": {
            "script": {
              "source": "def words = params._source.name.split(' ').stream().map(word -> word.toLowerCase().trim().replaceAll('[^a-zA-Z0-9]', '')).filter(word -> !['und','gmbh'].contains(word)).collect(); return words.size() >= 2;",
              "lang": "painless"
            }
          }
        }
      ]
    }
  }
}

总结下你之前踩的坑 #

• 自定义分析器逻辑错误：用keyword分词器把整个名称当成一个token，停用词过滤器无法单独移除单个停用词
• common terms query不适合你的场景：它的设计目标是平衡高频和低频词的匹配，不是严格的多词全匹配

内容的提问来源于stack exchange，提问作者user3088282