【README】
1.本文总结自：
Query and filter context | Elasticsearch Guide [7.2] | Elastic
https://www.elastic.co/guide/en/elasticsearch/reference/7.2/query-filter-context.html2.文档相关性分数是否被计算，取决于查询子句是在查询上下文，还是在 过滤器上下文；
- 过滤器上下文（filter context）不计算分数 ；
【1】相关性分数
默认情况下，elasticsearch根据相关性分数对匹配结果排序，该分数衡量了一个文档对查询条件的匹配程度；
- 即使每一种查询根据不同方式计算出相关性分数，但计算分数与否取决于 查询子句是在 查询（query）还是在 过滤器（filter）的上下文中运行；
- 查询上下文要计算分数；
- 过滤器上下文不计算分数；
【1.1】查询上下文（query context）
在查询上下文中，查询子句回答了这个问题，即这个文档与查询子句的匹配程度如何？；
- 除了决定文档是否匹配外，查询子句还计算了 _score元字段的相关性分数 ；
- 只要把查询子句传递给查询参数（如搜索api中的查询参数），查询上下文就会生效；
【1.2】过滤器上下文（filter context）
1）在过滤器上下文中， 查询子句回答了这个问题，即这个文档是否匹配查询子句？ 回答是简单的yes 或者 no；不会计算分数；
2）过滤器上下文总是用于过滤结构化数据，如：
- 是否这个时间戳在 2015和2016之间？
- 是否 status字段设置为 published？
3）频繁使用的过滤器会被自动化缓存，以加速查询性能；
4）只要把查询子句传递给 filter 的参数，过滤器就会生效；
- 如 bool查询中的 filter 或 must_not 参数；
- constant_score 查询中的 filter参数或filter聚合；
【2】查询与过滤器上下文例子
下面的例子是 查询api中 查询和过滤器上下文使用了查询子句。
这个查询会匹配哪些满足以下条件的文档：
- address 包含单词 Holmes；
- employer 字段包含单词 Pyrami；
- gender 字段包含 精确单词 M（精确的意思是 等于）；
- age 字段包含大于28的文档；
post localhost:9200/bank/_search {"query":{"bool":{"must":[{"match":{"address":"Holmes"}},{"match":{"employer":"Pyrami"}}], "filter":[{"range":{"age":{"gte":28}}}, {"term":{"gender.keyword":"M"}}]}}
}// 查询结果
{"took": 8,"timed_out": false,"_shards": {"total": 1,"successful": 1,"skipped": 0,"failed": 0},"hits": {"total": {"value": 1,"relation": "eq"},"max_score": 13.007463,"hits": [{"_index": "bank","_type": "account","_id": "1","_score": 13.007463,"_source": {"account_number": 1,"balance": 39225,"firstname": "Amber","lastname": "Duke","age": 32,"gender": "M","address": "880 Holmes Lane","employer": "Pyrami","email": "amberduke@pyrami.com","city": "Brogan","state": "IL"}}]}
} 【查询dsl解说】
- query参数：表示查询上下文；
- bool 和 两个match子句用于查询上下文，这意味着它们对每个文档的匹配程度进行评分；
- filter参数：表示过滤上下文；
- term和 range子句用于过滤上下文。它们过滤掉不匹配的文档，但不影响匹配文档的分数；
【3】term术语查询
1）参考文档： Term query | Elasticsearch Guide [7.2] | Elastic
2）上述例子中，term术语查询子句如下：
"term":{"gender.keyword":"M"}term查询中为什么要查询gender.keyword 等于M的文档，而不是查询 gender 等于M的文档呢？
原因如下：因为 gender是 text类型字段，elasticsearch在保存文档时，会分析及分词，这样就会修改字段的原生值。如，标准分词器会把 text类型字段的值 做如下修改：
- step1）移除大部分标点符号；
- step2）把原生内容切分为单个单词，称为token（标记）；
- step3）把token标记转为小写；
所以经过上述转换后， id等于1的文档的gender原生值是M，文档在保存时，elasticsearch会将其修改为m；
又 term精确匹配 M ，所以 1号文档显然不满足 term精确匹配的条件；
3）那如何使得 term精确匹配起作用呢（在不使用keyword的情况下）？
显然 term精确匹配这样写即可。gender匹配m，而不是M；
"term":{"gender":"m"}【小结】term术语查询
- 对于 text类型的字段，不建议使用 term做精确匹配查询，而建议使用 match 全文检索；
- 对于 keyword 类型的字段，建议使用 term做精确匹配查询；
【区别】term精确匹配与match全文检索的区别
- term精确匹配：查询前，不会对查询条件的值进行分词，直接进行查询；而text类型字段的值在文档被存储时就已经分词了，text字段的原生值被切分为多个独立的单词；
- match全文检索：查询前，会对查询条件的值进行分词，然后再进行查询；
