從一個線上問題看 Elasticsearch 數(shù)據(jù)清洗方式
如下問題來自真實場景，用對話方式模擬還原問題解答過程。
小明同學提問：銘毅老濕，如下兩個鏈接，我們底層的數(shù)據(jù)是帶空格的，但是用戶輸入可能不帶空格這種改怎么處理?
http://192.168.1.1/sr/6mm/
http://192.168.1.1/sr/6%20mm/銘毅老濕：上面兩個鏈接是用戶的行為？我們不能限制用戶的輸入是吧？
小明同學：是哦，讓用戶輸入字符加空格或者不加空格去適配寫入的數(shù)據(jù)，這樣會顯得系統(tǒng)很不“智能”，用戶體驗會很差。
銘毅老濕：你能關注用戶體驗，不錯！這是程序員必備的思維方式。
小明同學：那怎么解決類似問題呢？
銘毅老濕：其實最簡單、最常用的解決方式就是：寫入前做好數(shù)據(jù)清洗，去掉“特殊字符”、“空格”等。
圖片來自互聯(lián)網
小明同學：這個我知道，不就是ETL嘛！包含數(shù)據(jù)的抽取、轉換和加載。ETL著重體現(xiàn)在一些數(shù)據(jù)清洗轉化功能，比如空值處理、規(guī)范化數(shù)據(jù)、數(shù)據(jù)替換、數(shù)據(jù)驗證等等。。。
咦，我的問題不就是“空值處理”嘛~~
銘毅老濕：那你說說怎么弄？
小明同學：“一臉的疑惑似乎舒緩了一些”，寫入前去掉空格。java 里面貌似一行正則代碼就能搞定。
?str?=?str.replaceAll("\\s+",?"");
我明白啦！
銘毅老濕：小明同學別著急！那用戶檢索怎么搞？
小明同學：原理一樣的，前端接收用戶請求，做一下清洗處理就可以。我走啦，銘毅老濕。
銘毅老濕：等等~~~你的源頭數(shù)據(jù)從哪里來？
小明同學：MySQL呀。
銘毅老濕：那你是怎么同步數(shù)據(jù)的？
小明同學：借助 logstash，logstash-input-jdbc 同步插件非常好用，支持各種類型的關系型數(shù)據(jù)庫的同步。我還畫了各種類型同步到 Elasticsearch 的各種實現(xiàn)呢？手機上有，你看一下。
不同源數(shù)據(jù)同步到 Elasticsearch 實現(xiàn)方案
銘毅老濕：不錯，總結的很全面
。那我問你，你這一行 java 代碼往哪里寫？
小明同學：我插
，這點我忘記了。我想一下，logstash 是用 ruby 語言寫的，找一下 ruby 語言如何處理空格就可以了。
小明同學拿起手機查了2分鐘，找到啦！
mutate?{
????gsub?=>?[
??????"Animal",?"\s",?""
????]
}語言不同，和 java 語法都有相通的地方。
我走啦，還是你考慮的周全，銘毅老濕！
銘毅老濕：別著急，那如果不用 logstash 處理，該如何搞定呢？假定你的 logstash 不允許再改了。
小明同學：這個假如不存在的，想改就改，非常受控。嘻嘻~~~，讓我想想。。。。。。
與 logstash filter 中轉處理環(huán)節(jié)有個同等重量級的 ingest 預處理借助腳本可以實現(xiàn)，還有個我不大確認，自定義分詞能否實現(xiàn)呢？
銘毅老濕：你說的很對，自定義分詞包含哪三個環(huán)節(jié)？如何實現(xiàn)咋實現(xiàn)有思路嗎？
小明同學：這個我有點忘記了，得查一下文檔。有了，這個圖很萬能。
涉及細節(jié)不少，我得回去研究一下了。
多謝銘毅老濕~~我真的得走啦，再見！
間隔了一天。。。。。。
第二天，小明帶來了他的實現(xiàn)。
銘毅老濕：小明，你講一下實現(xiàn)思路吧？小明同學：我用了兩種方法，
方法一：在自定義分詞的 character filter 環(huán)節(jié)借助 pattern replace 方式將空格轉化為沒有任何字符，就相當于去掉了空格。 方法二：通過 character filter 環(huán)節(jié)的 Mapping 將空格字符等同于無字符處理，就間接去掉了空格。 這兩種方法本質都是借助之前給的圖的第一個環(huán)節(jié)：character filter 字符過濾的方式實現(xiàn)的。
這里有可供演示的 DSL，我給你演示一下:
PUT?my-index-000001
{
??"settings":?{
????"analysis":?{
??????"filter":?{
????????"whitespace_remove":?{
??????????"type":?"pattern_replace",
??????????"pattern":?"?",
??????????"replacement":?""
????????}
??????},
??????"analyzer":?{
????????"auto_analyzer":?{
??????????"filter":?[
????????????"lowercase",
????????????"whitespace_remove"
??????????],
??????????"type":?"custom",
??????????"tokenizer":?"keyword"
????????}
??????}
????}
??},
??"mappings":?{
????"properties":?{
??????"title":?{
????????"type":?"text",
????????"analyzer":?"auto_analyzer",
????????"fields":?{
??????????"field":?{
????????????"type":?"keyword"
??????????}
????????}
??????}
????}
??}
}
POST?my-index-000001/_bulk
{"index":{"_id":1}}
{"title":"6mm"}
{"index":{"_id":2}}
{"title":"6?mm"}
{"index":{"_id":3}}
{"title":"6????mm"}
GET?my-index-000001/_analyze
{
??"text":?["6mm",?"6?mm",?"6???mm"],
??"analyzer":?"auto_analyzer"
}
##?三類數(shù)據(jù)都能召回
POST?my-index-000001/_search
{
??"query":?{
????"match":?{
??????"title":?"6mm"
????}
??}
}https://www.elastic.co/guide/en/elasticsearch/reference/7.17/analysis-pattern_replace-tokenfilter.html
PUT?my-index-000002
{
??"settings":?{
????"analysis":?{
??????"analyzer":?{
????????"my_analyzer":?{
??????????"tokenizer":?"standard",
??????????"char_filter":?[
????????????"my_char_filter"
??????????]
????????}
??????},
??????"char_filter":?{
????????"my_char_filter":?{
??????????"type":?"mapping",
??????????"mappings":?[
????????????"""\u0020=>"""
??????????]
????????}
??????}
????}
??},
??"mappings":?{
????"properties":?{
??????"title":?{
????????"type":?"text",
????????"analyzer":?"my_analyzer",
????????"fields":?{
??????????"field":?{
????????????"type":?"keyword"
??????????}
????????}
??????}
????}
??}
}
POST?my-index-000002/_bulk
{"index":{"_id":1}}
{"title":"6mm"}
{"index":{"_id":2}}
{"title":"6?mm"}
{"index":{"_id":3}}
{"title":"6????mm"}
GET?my-index-000002/_analyze
{
??"text":?["6mm",?"6?mm",?"6???mm"],
??"analyzer":?"my_analyzer"
}
##?三類數(shù)據(jù)都能召回
POST?my-index-000002/_search
{"query":{"match":{"title":"6mm"}}}銘毅老濕：不錯，不錯，考慮的很全面。那小明同學，你能否總結一下：Elasticsearch 數(shù)據(jù)預處理的方式有哪些？
小明同學：我給你現(xiàn)場畫個腦圖吧。
銘毅老濕：哎呦，不錯哦。。。
未完，待續(xù)~~~
推薦
和 20000+ Elastic小伙伴一起學習 ElasticStack！
