ElasticSearch字段排序

需求

如果我们需要根据一个字段进行排序，如何支持呢？

像日期、价格这些数值型的（日期底层其实是转换为数值），排序其实是很自然也是很简单的。但是如果是字符串类型的字段呢？有几个问题需要考虑：

分词对排序的影响
大小写、单复数之类区别

字符串类型的字段一般都需要进行搜索的，那么需要对其进行Analyzed。但是Analyzed的结果就是将该字符串解析为分散的token(term)。这样子，ES就不知道到底是根据那个term来排序，事实上根据哪一个都是错的，应该是整个字符串。所以为了对字符串类型字段进行排序，需要保存整个字符串为一个term——也就是说保存一个not_analyzed string。同时为了保证该字段能够被搜索，还要保存该字符串analyzed的结果。

The naive approach to indexing the same string in two ways would be to include two separate fields in the document: one which is analyzed for searching, and one which is not_analyzed for sorting.

ES提供了一个便利的机制——multi-field mapping，可以让我们简单配置一下达到这个目的：

"tweet": {  // 1
    "type":     "string",
    "analyzer": "english",
    "fields": {
        "raw": {  // 2
            "type":  "string",
            "index": "not_analyzed"
        }
    }
}

The main tweet field is just the same as before: an analyzed full text field.
The new tweet.raw sub-field is not_analyzed.

现在，我们可以通过tweet字段作为搜索，而用tweet.raw字段作为排序：

GET /_search
{
    "query": {
        "match": {
            "tweet": "elasticsearch"
        }
    },
    "sort": "tweet.raw"
}

但是依赖于额外的not_analyzed字段进行排序也有局限性——它只能完全匹配原始字符串，如果稍微有大小写、单复数之类的区别，会被单做不同的值的。如何处理这种情况呢？得益于Lucene Analyzer的pipeline机制，只要简单配置一下就可以了，比如使用如下配置可以组建一个emit a single lower case token的分析器:

PUT /my_index
{
  "settings": {
    "analysis": {
      "analyzer": {
        "case_insensitive_sort": {
          "tokenizer": "keyword",    
          "filter":  [ "lowercase" ] 
        }
      }
    }
  }
}

然后我们可以这样子使用：

PUT /my_index/_mapping/user
{
  "properties": {
    "name": {
      "type": "string",
      "fields": {
        "lower_case_sort": { // 1
          "type":     "string",
          "analyzer": "case_insensitive_sort"
        }
      }
    }
  }
}

The name.lower_case_sort field will provide us with case-insentive sorting.

ES还提供了unicode sorting: unicode collation algorithm。

参考文档

本文由 arganzheng 创作，采用 CC BY 4.0 许可协议。在保留原文作者、署名以及完整原文链接（https://arganzheng.life/sorting-in-elasticsearch.html）的前提下，欢迎各种形式的转载、翻译或商业引用。

需求

参考文档

OUTLINE