在 Elasticsearch 中，过滤搜索的结果是我们经常要做的事。在我刚开始接触 Elasticsearch，我就了解到有两种可以过滤搜索结果的方法。当时还不是很明白，为什么有的地方用 filter，而有的地方需要使用到 post filter。在今天的文章中，我来用一个鲜活的例子来进行展示。
总体说来，我们可以使用如下的两个方法来过滤搜索的结果：
- 使用带有 filter 子句的布尔查询。 搜索请求将布尔过滤器应用于搜索命中和聚合。
- 使用搜索 API 的 post_filter 参数。 搜索请求仅将 post filters 应用于搜索命中，而不是聚合。 你可以使用 post filters 根据更广泛的结果集计算聚合，然后进一步缩小结果。讲得通俗一点：在已经计算聚合之后，post filter 将应用于搜索请求最后的搜索命中。从这里的描述中，我们可以看出来，post filters 的使用和 aggregation 相关。
你还可以在 post filter 之后重新对命中进行评分，以提高相关性并重新排序结果。
Post filter
当你使用 post_filter 参数过滤搜索结果时，会在计算聚合后过滤搜索命中。 Post filter 对聚合结果没有影响。
例如，你销售的衬衫具有以下属性：
1. PUT shirts
2. {
3. "mappings": {
4. "properties": {
5. "brand": { "type": "keyword"},
6. "color": { "type": "keyword"},
7. "model": { "type": "keyword"}
8. }
9. }
10. }
我们使用如下的命令来摄入 3 个文档：
1. PUT shirts/_doc/1?refresh
2. {
3. "brand": "gucci",
4. "color": "red",
5. "model": "slim"
6. }
8. PUT shirts/_doc/2?refresh
9. {
10. "brand": "polo",
11. "color": "red",
12. "model": "large"
13. }
15. PUT shirts/_doc/3?refresh
16. {
17. "brand": "polo",
18. "color": "blue",
19. "model": "medium"
20. }
假想你有一个用户，他想买一个 red 的衣服。通常你会使用如下的 bool query：
1. GET shirts/_search?filter_path=**.hits
2. {
3. "query": {
4. "bool": {
5. "filter": [
6. {
7. "term": {
8. "color": "red"
9. }
10. }
11. ]
12. }
13. }
14. }
上面显示的结果为：
1. {
2. "hits" : {
3. "hits" : [
4. {
5. "_index" : "shirts",
6. "_id" : "1",
7. "_score" : 0.0,
8. "_source" : {
9. "brand" : "gucci",
10. "color" : "red",
11. "model" : "slim"
12. }
13. },
14. {
15. "_index" : "shirts",
16. "_id" : "2",
17. "_score" : 0.0,
18. "_source" : {
19. "brand" : "polo",
20. "color" : "red",
21. "model" : "large"
22. }
23. }
24. ]
25. }
26. }
显然搜索的结果显示了所有 red 的衣服。但是，你还想使用分面导航来显示用户可以单击的其他选项列表（比如大小尺寸）。 也许你有一个 model 字段，允许用户将搜索结果限制为红色 Gucci T 恤或 Polo 的衣服。这可以通过 terms aggregation 来完成：
1. GET shirts/_search
2. {
3. "query": {
4. "bool": {
5. "filter": [
6. {
7. "term": {
8. "color": "red"
9. }
10. }
11. ]
12. }
13. },
14. "aggs": {
15. "models": {
16. "terms": {
17. "field": "model"
18. }
19. }
20. }
21. }
在上面，我们通过 terms 聚合来显示各个尺寸（model）的文档数。最多的将排在前面。上面命令显示的结果为：
1. {
2. "took" : 0,
3. "timed_out" : false,
4. "_shards" : {
5. "total" : 1,
6. "successful" : 1,
7. "skipped" : 0,
8. "failed" : 0
9. },
10. "hits" : {
11. "total" : {
12. "value" : 2,
13. "relation" : "eq"
14. },
15. "max_score" : 0.0,
16. "hits" : [
17. {
18. "_index" : "shirts",
19. "_id" : "1",
20. "_score" : 0.0,
21. "_source" : {
22. "brand" : "gucci",
23. "color" : "red",
24. "model" : "slim"
25. }
26. },
27. {
28. "_index" : "shirts",
29. "_id" : "2",
30. "_score" : 0.0,
31. "_source" : {
32. "brand" : "polo",
33. "color" : "red",
34. "model" : "large"
35. }
36. }
37. ]
38. },
39. "aggregations" : {
40. "models" : {
41. "doc_count_error_upper_bound" : 0,
42. "sum_other_doc_count" : 0,
43. "buckets" : [
44. {
45. "key" : "large",
46. "doc_count" : 1
47. },
48. {
49. "key" : "slim",
50. "doc_count" : 1
51. }
52. ]
53. }
54. }
55. }
在上面，我们可以看出颜色为 red 的衣服，各个 model 的统计情况：large 及 slim 个一件。显然这个是我们想要的结果。我们注意到的一点是 aggregation 是基于前面的 boolean filter 所过滤后的数据集来进行统计的。其统计结果都是是红色的衣服。
但也许你还想告诉用户有多少 polo 衬衫可供选择而不是所有的品牌。我们可以使用如下的搜索：
1. GET shirts/_search
2. {
3. "query": {
4. "bool": {
5. "filter": [
6. {
7. "term": {
8. "color": "red"
9. }
10. }
11. ]
12. }
13. },
14. "aggs": {
15. "models": {
16. "terms": {
17. "field": "model"
18. }
19. }
20. },
21. "post_filter": {
22. "term": {
23. "brand": "polo"
24. }
25. }
26. }
在上面，我们使用 filter 把 red 的文档搜索出来，然后使用 terms aggregatiion 来对所有 red 的文档进行 model 的统计。我们接下来使用 post_filter 来对我们的搜索结果再次过滤。在这里需要注意的是：post_filter 的使用不会对 aggs 的结果产生任何的影响。如同上面写的顺序一样，post_filter 是在最后面运行的。上面的命令产生的结果是：
1. {
2. "took" : 0,
3. "timed_out" : false,
4. "_shards" : {
5. "total" : 1,
6. "successful" : 1,
7. "skipped" : 0,
8. "failed" : 0
9. },
10. "hits" : {
11. "total" : {
12. "value" : 1,
13. "relation" : "eq"
14. },
15. "max_score" : 0.0,
16. "hits" : [
17. {
18. "_index" : "shirts",
19. "_id" : "2",
20. "_score" : 0.0,
21. "_source" : {
22. "brand" : "polo",
23. "color" : "red",
24. "model" : "large"
25. }
26. }
27. ]
28. },
29. "aggregations" : {
30. "models" : {
31. "doc_count_error_upper_bound" : 0,
32. "sum_other_doc_count" : 0,
33. "buckets" : [
34. {
35. "key" : "large",
36. "doc_count" : 1
37. },
38. {
39. "key" : "slim",
40. "doc_count" : 1
41. }
42. ]
43. }
44. }
45. }
如上所示，我们最终得到的搜索结果是 color:red 并且 brand:polo 的搜索结果，但是 aggregations 的结果是针对 color:red 而的出来的。我们可以看到上面的 slim 统计结果是来自 gucci 品牌的而不是 polo。
更为复杂的查询是这样的：
1. GET shirts/_search
2. {
3. "query": {
4. "bool": {
5. "filter": {
6. "term": { "brand": "polo" }
7. }
8. }
9. },
10. "aggs": {
11. "colors": {
12. "terms": { "field": "color" }
13. },
14. "color_red": {
15. "filter": {
16. "term": { "color": "red" }
17. },
18. "aggs": {
19. "models": {
20. "terms": { "field": "model" }
21. }
22. }
23. }
24. },
25. "post_filter": {
26. "term": { "color": "red" }
27. }
28. }
在上面，我们首先使用的 filter 来过滤数据集。只有 brand:polo 的文档才可以进行聚合。aggs 里含有两个 aggregations。一个是按照 colors 来进行的分类，另外一个是先过滤 red 颜色的 polo，然后再按照 model 进行分类。在最后，我们使用 post_fitler 来过滤结果。最终的搜索结果（位于 hits 里）是 brand:polo 并且 color:red：
1. {
2. "took" : 0,
3. "timed_out" : false,
4. "_shards" : {
5. "total" : 1,
6. "successful" : 1,
7. "skipped" : 0,
8. "failed" : 0
9. },
10. "hits" : {
11. "total" : {
12. "value" : 1,
13. "relation" : "eq"
14. },
15. "max_score" : 0.0,
16. "hits" : [
17. {
18. "_index" : "shirts",
19. "_id" : "2",
20. "_score" : 0.0,
21. "_source" : {
22. "brand" : "polo",
23. "color" : "red",
24. "model" : "large"
25. }
26. }
27. ]
28. },
29. "aggregations" : {
30. "color_red" : {
31. "doc_count" : 1,
32. "models" : {
33. "doc_count_error_upper_bound" : 0,
34. "sum_other_doc_count" : 0,
35. "buckets" : [
36. {
37. "key" : "large",
38. "doc_count" : 1
39. }
40. ]
41. }
42. },
43. "colors" : {
44. "doc_count_error_upper_bound" : 0,
45. "sum_other_doc_count" : 0,
46. "buckets" : [
47. {
48. "key" : "blue",
49. "doc_count" : 1
50. },
51. {
52. "key" : "red",
53. "doc_count" : 1
54. }
55. ]
56. }
57. }
58. }
重新评分过滤的搜索结果
重新评分有助于提高精度，方法是仅对查询和 post_filter 阶段返回的顶部（例如 100 - 500 个）文档进行重新排序，使用另外的（通常成本更高）算法，而不是将成本高昂的算法应用于索引中的所有文档。
在每个分片返回结果以由处理整个搜索请求的节点排序之前，在每个分片上执行重新评分（rescore）请求。
目前 rescore API 只有一种实现：query rescorer，它使用查询来调整评分。 将来，可能会提供替代的记分器，例如，成对的记分器。
注意：如果 rescore 查询提供了显式 sort（除 _score 降序排列），则会引发错误。
注意：当向你的用户公开分页时，你不应在逐步浏览每个页面时更改 window_size（通过传递不同的值），因为这会改变热门点击，导致结果在用户浏览页面时发生混乱的变化。
query rescorer
查询 rescorer 仅对 query 和 post_filter 阶段返回的 Top-K 结果执行第二次查询。 将在每个分片上检查的文档数可以由 window_size 参数控制，默认为 10。
默认情况下，原始查询和重新评分查询的分数线性组合以生成每个文档的最终 _score。 原始查询和重新评分查询的相对重要性可以分别通过 query_weight 和 rescore_query_weight 来控制。 两者都默认为 1。
例如：
1. POST /_search
2. {
3. "query" : {
4. "match" : {
5. "message" : {
6. "operator" : "or",
7. "query" : "the quick brown"
8. }
9. }
10. },
11. "rescore" : {
12. "window_size" : 50,
13. "query" : {
14. "rescore_query" : {
15. "match_phrase" : {
16. "message" : {
17. "query" : "the quick brown",
18. "slop" : 2
19. }
20. }
21. },
22. "query_weight" : 0.7,
23. "rescore_query_weight" : 1.2
24. }
25. }
26. }
分数的组合方式可以通过 score_mode 来控制：
| Score mode | 描述 |
|---|---|
| total | 添加原始分数和重新评分查询分数。 默认。 |
| multiply | 将原始分数乘以重新评分查询分数。 对 function query 重新评分很有用。 |
| avg | 平均原始分数和重新评分查询分数。 |
| max | 取原始分数和重新分数查询分数的最大值。 |
| min | 取原始分数和重新评分查询分数的最小值。 |
多次重新评分
也可以按顺序执行多个重新评分：
1. POST /_search
2. {
3. "query" : {
4. "match" : {
5. "message" : {
6. "operator" : "or",
7. "query" : "the quick brown"
8. }
9. }
10. },
11. "rescore" : [ {
12. "window_size" : 100,
13. "query" : {
14. "rescore_query" : {
15. "match_phrase" : {
16. "message" : {
17. "query" : "the quick brown",
18. "slop" : 2
19. }
20. }
21. },
22. "query_weight" : 0.7,
23. "rescore_query_weight" : 1.2
24. }
25. }, {
26. "window_size" : 10,
27. "query" : {
28. "score_mode": "multiply",
29. "rescore_query" : {
30. "function_score" : {
31. "script_score": {
32. "script": {
33. "source": "Math.log10(doc.count.value + 2)"
34. }
35. }
36. }
37. }
38. }
39. } ]
40. }
第一个得到查询的结果，然后第二个得到第一个的结果，依此类推。第二个重新评分将 “看到” 第一个重新评分完成的排序，因此可以在第一个重新评分上使用一个大窗口来 将文档拉入较小的窗口以进行第二次重新评分。
性能考虑
仅当你需要区分过滤器搜索结果和聚合时才使用 post_filter。 有时人们会使用 post_filter 进行常规搜索。post_filter 的性质意味着它在查询之后运行，因此过滤（例如缓存）的任何性能优势都完全丧失了。post_filter 应该仅与聚合结合使用，并且仅在你需要差分过滤时使用。
仅在需要时使用 post_filter
post_filter 参数有一个别名 filter。 这是为了向后兼容，因为在 ElasticSearch 的早期版本中，post_filter 曾经被命名为过滤器。 改名是有原因的。 虽然在创建只应过滤结果的请求时使用 post_filter 代替查询参数当然是可能且更方便的，但在性能方面不如使用查询参数好。 因此，即使你在调试时不需要使用 post_filter，也可以随意使用它，但仅在实际需要针对生产集群时使用它。
不要使用 post_filter ，除非你确实需要它来进行聚合。
参考：
【1】Filter search results | Elasticsearch Guide [8.2] | Elastic
