处理 Null 值

回到我们早期的示例,在文档中有一个多值的字段 tags,一个文档可能包含一个或多个标签,或根本没有标签。如果一个字段没有值,它是怎么储存在倒排索引中的?

这是一个取巧的问题,因为答案是它根本没有存储。让我们从看一下前几节的倒排索引:

Token DocIDs
open_source 2
search 1,2

你怎么可能储存一个在数据结构不存在的字段呢?倒排索引是标记和包含它们的文档的一个简单列表。假如一个字段不存在,它就没有任何标记,也就意味着它无法被倒排索引的数据结构表达出来。

本质上来说,null[](空数组)和 [null] 是相等的。它们都不存在于倒排索引中!

显然,这个世界却没有那么简单,数据经常会缺失字段,或包含空值或空数组。为了应对这些情形,Elasticsearch 有一些工具来处理空值或缺失的字段。

exists 过滤器

工具箱中的第一个利器是 exists 过滤器,这个过滤器将返回任何包含这个字段的文档,让我们用标签来举例,索引一些示例文档:

  1. POST /my_index/posts/_bulk
  2. { "index": { "_id": "1" }}
  3. { "tags" : ["search"] } <1>
  4. { "index": { "_id": "2" }}
  5. { "tags" : ["search", "open_source"] } <2>
  6. { "index": { "_id": "3" }}
  7. { "other_field" : "some data" } <3>
  8. { "index": { "_id": "4" }}
  9. { "tags" : null } <4>
  10. { "index": { "_id": "5" }}
  11. { "tags" : ["search", null] } <5>

<1> tags 字段有一个值

<2> tags 字段有两个值

<3> tags 字段不存在

<4> tags 字段被设为 null

<5> tags 字段有一个值和一个 null

结果我们 tags 字段的倒排索引看起来将是这样:

Token DocIDs
open_source 2
search 1,2,5

我们的目标是找出所有设置了标签的文档,我们不关心这个标签是什么,只要它存在于文档中就行。在 SQL 语法中,我们可以用 IS NOT NULL 查询:

  1. SELECT tags
  2. FROM posts
  3. WHERE tags IS NOT NULL

在 Elasticsearch 中,我们使用 exists 过滤器:

  1. GET /my_index/posts/_search
  2. {
  3. "query" : {
  4. "filtered" : {
  5. "filter" : {
  6. "exists" : { "field" : "tags" }
  7. }
  8. }
  9. }
  10. }

查询返回三个文档:

  1. "hits" : [
  2. {
  3. "_id" : "1",
  4. "_score" : 1.0,
  5. "_source" : { "tags" : ["search"] }
  6. },
  7. {
  8. "_id" : "5",
  9. "_score" : 1.0,
  10. "_source" : { "tags" : ["search", null] } <1>
  11. },
  12. {
  13. "_id" : "2",
  14. "_score" : 1.0,
  15. "_source" : { "tags" : ["search", "open source"] }
  16. }
  17. ]

<1> 文档 5 虽然包含了一个 null 值,仍被返回了。这个字段存在是因为一个有值的标签被索引了,所以 null 对这个过滤器没有影响

结果很容易理解,所以在 tags 字段中有值的文档都被返回了。只排除了文档 3 和 4。

missing 过滤器

missing 过滤器本质上是 exists 的反义词:它返回没有特定字段值的文档,像这条 SQL 一样:

  1. SELECT tags
  2. FROM posts
  3. WHERE tags IS NULL

让我们在前面的例子中用 missing 过滤器来取代 exists

  1. GET /my_index/posts/_search
  2. {
  3. "query" : {
  4. "filtered" : {
  5. "filter": {
  6. "missing" : { "field" : "tags" }
  7. }
  8. }
  9. }
  10. }

如你所愿,我们得到了两个没有包含标签字段的文档:

  1. "hits" : [
  2. {
  3. "_id" : "3",
  4. "_score" : 1.0,
  5. "_source" : { "other_field" : "some data" }
  6. },
  7. {
  8. "_id" : "4",
  9. "_score" : 1.0,
  10. "_source" : { "tags" : null }
  11. }
  12. ]

什么时候 null 才表示 null

有时你需要能区分一个字段是没有值,还是被设置为 null。用上面见到的默认行为无法区分这一点,数据都不存在了。幸运的是,我们可以将明确的 null 值用我们选择的占位符来代替

当指定字符串,数字,布尔值或日期字段的映射时,你可以设置一个 null_value 来处理明确的 null 值。没有值的字段仍将被排除在倒排索引外。

当选定一个合适的 null_value 时,确保以下几点:

  • 它与字段的类型匹配,你不能在 date 类型的字段中使用字符串 null_value
  • 它需要能与这个字段可能包含的正常值区分开来,以避免真实值和 null 值混淆

对象的 exists/missing

existsmissing 过滤器同样能在内联对象上工作,而不仅仅是核心类型。例如下面的文档:

  1. {
  2. "name" : {
  3. "first" : "John",
  4. "last" : "Smith"
  5. }
  6. }

你可以检查 name.firstname.last 的存在性,也可以检查 name 的。然而,在【映射】中,我们提到对象在内部被转成扁平化的键值结构,像下面所示:

  1. {
  2. "name.first" : "John",
  3. "name.last" : "Smith"
  4. }

所以我们是怎么使用 existsmissing 来检测 name 字段的呢,这个字段并没有真正存在于倒排索引中。

原因是像这样的一个过滤器

  1. {
  2. "exists" : { "field" : "name" }
  3. }

实际是这样执行的

  1. {
  2. "bool": {
  3. "should": [
  4. { "exists": { "field": { "name.first" }}},
  5. { "exists": { "field": { "name.last" }}}
  6. ]
  7. }
  8. }

同样这意味着假如 firstlast 都为空,那么 name 就是不存在的。