0、实战问题

有了分词，开发中会遇到，某个索引的文档集合中，共有多少XX关键词？
这就引发出了词频统计的问题。
社区问题：

中文分词后能否统计索引词频
初学者，想做一个简单的论坛检索和热词分析的应用，IK分词后能否将分好的索引词出现频率排序。这样可以形成一个大致的热点词汇范围。
我知道单条index的话可以用termvectors做这个事情，要是上万条index能做吗？多谢！

1、创建索引

1DELETE message_index
2PUT message_index
3{
4 "mappings": {
5 "_doc":{
6 "properties":{
7 "message": {
8 "analyzer": "ik_smart",
9 "term_vector": "with_positions_offsets",
10 "boost": 8,
11 "type": "text",
12 "fielddata":"true"
13 }
14 }
15 }
16 }
17}

2、导入数据

1POST message_index/_doc/1
2{
3 "message":"沉溺于「轻易获得高成就感」的事情：有意无意地寻求用很小付出获得很大「回报」的偏方，哪怕回报是虚拟的"
4}
5POST message_index/_doc/2
6{
7 "message":"过度追求“短期回报”可以先思考这样一个问题：为什么玩王者荣耀沉溺我们总是停不下来回报"
8}
9POST message_index/_doc/3
10{
11 "message":"过度追求的努力无法带来超额的回报，就因此放弃了努力。这点在聪明人身上尤其明显。以前念本科的时候身在沉溺"
12}

3、聚合获取词频

1POST message_index/_search
2{
3 "size" : 0,
4 "aggs" : {
5 "messages" : {
6 "terms" : {
7 "size" : 10,
8 "field" : "message"
9 }
10 }
11 }
12}

4、返回结果

1{
2 "took": 4,
3 "timed_out": false,
4 "_shards": {
5 "total": 5,
6 "successful": 5,
7 "skipped": 0,
8 "failed": 0
9 },
10 "hits": {
11 "total": 3,
12 "max_score": 0,
13 "hits": []
14 },
15 "aggregations": {
16 "messages": {
17 "doc_count_error_upper_bound": 0,
18 "sum_other_doc_count": 45,
19 "buckets": [
20 {
21 "key": "回报",
22 "doc_count": 3
23 },
24 {
25 "key": "沉溺",
26 "doc_count": 2
27 },
28 {
29 "key": "的",
30 "doc_count": 2
31 },
32 {
33 "key": "过度",
34 "doc_count": 2
35 },
36 {
37 "key": "追求",
38 "doc_count": 2
39 },
40 {
41 "key": "一个",
42 "doc_count": 1
43 },
44 {
45 "key": "为什么",
46 "doc_count": 1
47 },
48 {
49 "key": "了",
50 "doc_count": 1
51 },
52 {
53 "key": "事情",
54 "doc_count": 1
55 },
56 {
57 "key": "付出",
58 "doc_count": 1
59 }
60 ]
61 }
62 }
63}

5、核心知识点解读

"fielddata":"true" 是什么？

5.1 基础认知：text类型不能用于聚合

所有字段是默认被 indexed（被索引的），这使得它们是可搜索的.可以在脚本中排序,聚合和获取字段值,但是需要不同的搜索模式.

搜索需要回答一个问题 “哪个 document（文档）包含这个 term（词条）”,然而排序和聚合需要回答一个不同的问题 " 这个字段在这个 document（文档）中的值是多少？".

许多字段可以使用 index-time，在磁盘上的 doc_values 支持这种数据访问模式, 但是 text 字段不支持 doc_values。

5.2 docvalues和fileddata的本质区别？

docvalues 它保存某一列的数据，并索引它，用于加快聚合和排序的速度。

fileddata 它保存某一列的数据，并索引它，用于加快聚合和排序的速度。和docvalues不一样的是，fielddata保存的是text类型的字段分词后的terms，而不是保存源字段数据。

5.3 fileddata的特点

相反,text 字段使用查询时存在于内存的数据结构 fielddata.这个数据结构是第一次将字段用于聚合,排序,或者脚本时基于需求构建的。

它是通过读取磁盘上的每个 segment（片段）的整个反向索引来构建的，将 term（词条）和 document（文档）关系反转,并将结果存储在内存中,在JVM的堆中.

5.4 text字段默认关闭Fielddat的原因？

text 字段默认关闭 Fielddata Fielddata会消耗很多堆空间,尤其是加载高基数的 text 字段的时候.一旦 fielddata 加载到堆中,它在 segment（片段）中的生命周期还是存在的.

此外,加载 fielddata 是一件非常昂贵的过程,会导致用户体验到延迟的感觉.这就是为什么 fielddata 默认关闭.

如果你尝试对文本字段上的脚本进行排序,访问值,你会看到此异常：

5.5 fielddata的打开方式？

以下ES6.2.X验证ok。

1PUT my_index/_mapping/_doc
2{
3 "properties": {
4 "my_field": {
5 "type": "text",
6 "fielddata": true
7 }
8 }
9}

参考：
http://t.cn/R3MzYfZ
http://t.cn/R3MzHkJ
通透讲解：http://t.cn/R3MzRiz
fielddata中文：http://t.cn/R3MznOe
fielddata英文：http://t.cn/R3Mz3eN

本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请点击举报。