由唯一子字符串聚合的Elasticsearch查询(电子邮件域)

发布时间：2020-12-13 20:44:30 所属栏目：百科来源：网络整理

导读：我有一个弹性搜索查询,它通过索引查询,然后根据特定字段sender_not_analyzed进行聚合.然后,我在同一字段sender_not_analyzed上使用术语聚合,返回顶部“发件人”的存储桶.我的查询目前是： { "size": 0,"query": { "regexp": { "sender_not_analyzed": ".*[@]

我有一个弹性搜索查询,它通过索引查询,然后根据特定字段sender_not_analyzed进行聚合.然后,我在同一字段sender_not_analyzed上使用术语聚合,返回顶部“发件人”的存储桶.我的查询目前是：

{
   "size": 0,"query": {
      "regexp": {
         "sender_not_analyzed": ".*[@].*"
      }
   },"aggs": {
      "sender-stats": {
         "terms": {
            "field": "sender_not_analyzed"
         }
      }
   }
}

返回看起来像这样的桶：

"aggregations": {
      "sender-stats": {
         "buckets": [
            {
               "key": "<Mike <mike@fizzbuzz.com>@MISSING_DOMAIN>","doc_count": 5017
            },{
               "key": "jon.doe@foo.com","doc_count": 3963
            },{
               "key": "jane.doe@foo.com","doc_count": 2857
            },{
              "key": "jon.doe@bar.com","doc_count":1544
            }

如何编写聚合,以便为每个唯一的电子邮件域获取单个存储桶,例如foo.com的doc_count为(3963 2857)6820？我可以使用正则表达式聚合来完成此操作,还是需要编写某种自定义分析器来将@中的字符串拆分为字符串的末尾？

这已经很晚了,但我认为这可以通过使用 pattern_replace char filter来完成,你用正则表达式捕获域名,这是我的设置

POST email_index
{
  "settings": {
    "analysis": {
      "analyzer": {
        "my_custom_analyzer": {
          "char_filter": [
            "domain"
          ],"tokenizer": "keyword","filter": [
            "lowercase","asciifolding"
          ]
        }
      },"char_filter": {
        "domain": {
          "type": "pattern_replace","pattern": ".*@(.*)","replacement": "$1"
        }
      }
    }
  },"mappings": {
    "your_type": {
      "properties": {
        "domain": {
          "type": "string","analyzer": "my_custom_analyzer"
        },"sender_not_analyzed": {
          "type": "string","index": "not_analyzed","copy_to": "domain"
        }
      }
    }
  }
}

这里域名char过滤器将捕获域名,我们需要使用keyword tokenizer来获取域名,我使用的是小写过滤器,但是如果你想使用或不使用它取决于你.使用copy_to参数将sender_not_analyzed的值复制到域字段,虽然_source字段不会被修改为包含此值但我们可以查询它.

GET email_index/_search
{
  "size": 0,"query": {
    "regexp": {
      "sender_not_analyzed": ".*[@].*"
    }
  },"aggs": {
    "sender-stats": {
      "terms": {
        "field": "domain"
      }
    }
  }
}

这将给你想要的结果.

（编辑：李大同）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!