Elasticsearch实现大小写不敏感及通配符的通用搜索方案问询

嘿，刚接触Elasticsearch就能写出这两个查询已经很棒啦！想要把这两种搜索需求合并成一个统一的查询，其实用bool查询的should子句就能轻松实现，同时还能保证两种场景的需求都被满足。

直接统一查询方案 #

我们可以把你现有的两个查询条件放到bool的should数组里，设置minimum_should_match: 1（表示满足任意一个条件就返回结果），这样就能同时支持两种搜索场景了。而且因为你的mark_text是text类型，默认的标准分词器会把输入文本转成小写，所以不管输入的是"Smart"、"SMART"还是"smart"，都能实现大小写不敏感的匹配。

具体查询语句如下：

GET new_index/_search
{
  "query": {
    "bool": {
      "should": [
        {
          "match": {
            "mark_text": "smart"
          }
        },
        {
          "wildcard": {
            "mark_text": "*smart*"
          }
        }
      ],
      "minimum_should_match": 1
    }
  }
}

关键细节解释： #

• should数组里的两个条件分别对应你的两种场景：第一个是词级别的精准匹配（场景1），第二个是任意位置的子串模糊匹配（场景2）
• minimum_should_match: 1确保只要满足其中一个条件，文档就会被返回
• 由于mark_text是text类型，Elasticsearch默认的标准分词器会自动处理大小写转换，所以无论输入的是大写还是小写的"smart"，都能匹配到对应文档

性能优化建议（可选） #

不过要注意，前缀带*的wildcard查询（比如*smart*）性能可能较差，因为它需要遍历大量倒排索引。如果你的模糊搜索需求比较频繁，推荐在索引层面做优化：给mark_text字段添加ngram分词器，这样就能用更高效的match查询实现类似%smart%的效果。

步骤1：修改索引映射，添加ngram分词器 #

首先需要更新new_index的设置和映射（如果索引已有数据，需要重新索引数据）：

// 先添加分词器设置
PUT new_index/_settings
{
  "analysis": {
    "analyzer": {
      "ngram_analyzer": {
        "tokenizer": "ngram_tokenizer"
      }
    },
    "tokenizer": {
      "ngram_tokenizer": {
        "type": "ngram",
        "min_gram": 2,
        "max_gram": 10
      }
    }
  }
}

// 再更新mark_text字段的映射
PUT new_index/_mapping/current
{
  "properties": {
    "mark_text": {
      "type": "text",
      "analyzer": "ngram_analyzer",
      "search_analyzer": "standard"
    }
    // 其他字段保持原映射不变
  }
}

步骤2：使用统一的match查询实现两种场景 #

配置好ngram分词器后，只需要一个match查询就能同时满足两种搜索需求：

GET new_index/_search
{
  "query": {
    "match": {
      "mark_text": "smart"
    }
  }
}

这个查询既会匹配包含"smart"完整词的文档，也会匹配包含"smart"作为子串的文档（比如"smartphone"、"mysmartcar"等），而且性能比wildcard查询提升很多。

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