Elasticsearch:获取给定文档中的短语频率

Question

测试数据:

curl -XPUT 'localhost:9200/customer/external/1?pretty' -d '{ "body": "this is a test" }'
curl -XPUT 'localhost:9200/customer/external/2?pretty' -d '{ "body": "and this is another test" }'
curl -XPUT 'localhost:9200/customer/external/2?pretty' -d '{ "body": "this thing is a test" }'

我的目标是获取文档中短语的频率.

我知道如何获得文档中术语的频率:

curl -g "http://localhost:9200/customer/external/1/_termvectors?pretty" -d'
{
        "fields": ["body"],
        "term_statistics" : true
}'

我知道如何计算包含给定短语的文档(使用match_phrase或span_near查询):

curl -g "http://localhost:9200/customer/_count?pretty" -d'
{
  "query": {
    "match_phrase": {
      "body" : "this is"
      }
    }    
}'

如何访问短语的频率？

Answer 1

您可以使用术语向量。正如文档中所写

返回值编辑

可以请求三种类型的值：术语信息、术语统计和字段统计。默认情况下，返回所有字段的所有术语信息和字段统计信息，但不返回术语统计信息。术语信息编辑

term frequency in the field (always returned)
term positions (positions : true)
start and end offsets (offsets : true)
term payloads (payloads : true), as base64 encoded bytes

你必须达到术语频率 - 在示例中你可以看到 doc 中存在 john doe 的频率。请注意 termvector 会重复应用它的字段的磁盘空间占用