Snadný způsob, jak toho dosáhnout, je vytvořit vlastní analyzátor, který využívá filtr tokenů n-gram
pro e-maily (=> viz níže index_email_analyzer a search_email_analyzer + email_url_analyzer pro přesnou shodu e-mailů) a edge-ngram filtr tokenů
pro telefony (=> viz níže index_phone_analyzer a search_phone_analyzer ).
Úplná definice indexu je k dispozici níže.
PUT myindex
{
"settings": {
"analysis": {
"analyzer": {
"email_url_analyzer": {
"type": "custom",
"tokenizer": "uax_url_email",
"filter": [ "trim" ]
},
"index_phone_analyzer": {
"type": "custom",
"char_filter": [ "digit_only" ],
"tokenizer": "digit_edge_ngram_tokenizer",
"filter": [ "trim" ]
},
"search_phone_analyzer": {
"type": "custom",
"char_filter": [ "digit_only" ],
"tokenizer": "keyword",
"filter": [ "trim" ]
},
"index_email_analyzer": {
"type": "custom",
"tokenizer": "standard",
"filter": [ "lowercase", "name_ngram_filter", "trim" ]
},
"search_email_analyzer": {
"type": "custom",
"tokenizer": "standard",
"filter": [ "lowercase", "trim" ]
}
},
"char_filter": {
"digit_only": {
"type": "pattern_replace",
"pattern": "\\D+",
"replacement": ""
}
},
"tokenizer": {
"digit_edge_ngram_tokenizer": {
"type": "edgeNGram",
"min_gram": "1",
"max_gram": "15",
"token_chars": [ "digit" ]
}
},
"filter": {
"name_ngram_filter": {
"type": "ngram",
"min_gram": "1",
"max_gram": "20"
}
}
}
},
"mappings": {
"your_type": {
"properties": {
"email": {
"type": "string",
"analyzer": "index_email_analyzer",
"search_analyzer": "search_email_analyzer"
},
"phone": {
"type": "string",
"analyzer": "index_phone_analyzer",
"search_analyzer": "search_phone_analyzer"
}
}
}
}
}
Pojďme to teď rozebrat jeden kousek po druhém.
Pro phone Cílem je indexovat telefonní hodnoty pomocí index_phone_analyzer , který používá edge-ngram tokenizer k indexování všech předpon telefonního čísla. Pokud je tedy vaše telefonní číslo 1362435647 , budou vytvořeny následující tokeny:1 , 13 , 136 , 1362 , 13624 , 136243 , 1362435 , 13624356 , 13624356 , 136243564 , 1362435647 .
Při vyhledávání pak používáme jiný analyzátor search_phone_analyzer který jednoduše převezme vstupní číslo (např. 136 ) a porovnejte jej s phone pole pomocí jednoduchého match nebo term dotaz:
POST myindex
{
"query": {
"term":
{ "phone": "136" }
}
}
Pro email pole, postupujeme obdobným způsobem, že hodnoty e-mailu indexujeme pomocí index_email_analyzer , který používá filtr tokenů ngram, který vytvoří všechny možné tokeny různé délky (mezi 1 a 20 znaky), které lze převzít z hodnoty e-mailu. Například:[email protected] bude tokenizováno na j , jo , joh , ..., gmail.com , ..., [email protected] .
Poté při vyhledávání použijeme další analyzátor s názvem search_email_analyzer který převezme vstup a pokusí se jej porovnat s indexovanými tokeny.
POST myindex
{
"query": {
"term":
{ "email": "@gmail.com" }
}
}
email_url_analyzer V tomto příkladu není použit analyzátor, ale zahrnul jsem jej pro případ, že byste potřebovali porovnat přesnou hodnotu e-mailu.