如何通过Elasticsearch从邮箱地址中匹配姓氏数据集的子串？

咱们先把需求掰明白：给定从邮箱里提取的字符串（比如ajohnson），要从姓氏数据集里找出所有是该字符串子串的姓氏（比如johnson）。下面分步骤给你落地实现方案：

一、构建高效支持子串匹配的姓氏索引 #

要快速实现这种“反向子串匹配”，最靠谱的方式是用ngram分词器提前把姓氏拆分成不同长度的子串，这样查询时能直接命中倒排索引，性能拉满。

1. 创建索引并配置分词规则 #

PUT /last_names
{
  "settings": {
    "analysis": {
      "analyzer": {
        "substring_analyzer": {
          "tokenizer": "substring_tokenizer"
        }
      },
      "tokenizer": {
        "substring_tokenizer": {
          "type": "ngram",
          "min_gram": 2,
          "max_gram": 20 // 可以根据你数据集里最长的姓氏长度调整
        }
      }
    }
  },
  "mappings": {
    "properties": {
      "last_name": {
        "type": "text",
        "analyzer": "substring_analyzer",
        "search_analyzer": "keyword" // 搜索时不拆分查询字符串，保证完整匹配子串
      }
    }
  }
}

这里的核心逻辑是：姓氏字段用ngram分词后，johnson会被拆成jo、joh、john……直到完整的johnson这些子串；而搜索时用keyword分析器，让ajohnson作为整体去匹配这些预先生成的子串。

2. 导入姓氏数据集 #

比如先导入一条测试数据：

POST /last_names/_doc/1
{
  "last_name": "johnson"
}

二、编写查询语句匹配子串 #

现在用match查询就能直接得到结果了：

GET /last_names/_search
{
  "query": {
    "match": {
      "last_name": "ajohnson"
    }
  }
}

这个查询会精准返回last_name为johnson的文档，因为johnson的完整子串存在于查询字符串ajohnson中。

备选方案：Wildcard查询（适合小数据集） #

如果你的姓氏数据集规模很小，也可以用Wildcard应急，但注意开头带*的Wildcard会绕开倒排索引，性能较差：

GET /last_names/_search
{
  "query": {
    "wildcard": {
      "last_name": {
        "value": "*ajohnson*"
      }
    }
  }
}

额外优化：直接处理完整邮箱 #

如果你的输入是完整邮箱（比如ajohnson@example.com），可以先提取本地部分再查询，或者用脚本直接处理：

GET /last_names/_search
{
  "query": {
    "bool": {
      "filter": {
        "script": {
          "script": {
            "source": "params.email.split('@')[0].contains(doc['last_name'].value)",
            "params": {
              "email": "ajohnson@example.com"
            }
          }
        }
      }
    }
  }
}

不过脚本查询性能不如ngram方案，优先推荐提前拆分邮箱再用第一种方法查询。

内容的提问来源于stack exchange，提问作者Atul K.