从一个线上问题看 Elasticsearch 数据清洗方式

共 3787字，需浏览 8分钟

· 2022-04-12

如下问题来自真实场景，用对话方式模拟还原问题解答过程。

小明同学提问：铭毅老湿，如下两个链接，我们底层的数据是带空格的，但是用户输入可能不带空格这种改怎么处理?

http://192.168.1.1/sr/6mm/
http://192.168.1.1/sr/6%20mm/

铭毅老湿：上面两个链接是用户的行为？我们不能限制用户的输入是吧？

小明同学：是哦，让用户输入字符加空格或者不加空格去适配写入的数据，这样会显得系统很不“智能”，用户体验会很差。

铭毅老湿：你能关注用户体验，不错！这是程序员必备的思维方式。

小明同学：那怎么解决类似问题呢？

铭毅老湿：其实最简单、最常用的解决方式就是：写入前做好数据清洗，去掉“特殊字符”、“空格”等。

图片来自互联网

小明同学：这个我知道，不就是ETL嘛！包含数据的抽取、转换和加载。ETL着重体现在一些数据清洗转化功能，比如空值处理、规范化数据、数据替换、数据验证等等。。。

咦，我的问题不就是“空值处理”嘛~~

铭毅老湿：那你说说怎么弄？

小明同学：“一脸的疑惑似乎舒缓了一些”，写入前去掉空格。java 里面貌似一行正则代码就能搞定。

 str = str.replaceAll("\\s+", "");

我明白啦！

铭毅老湿：小明同学别着急！那用户检索怎么搞？

小明同学：原理一样的，前端接收用户请求，做一下清洗处理就可以。我走啦，铭毅老湿。

铭毅老湿：等等~~~你的源头数据从哪里来？

小明同学：MySQL呀。

铭毅老湿：那你是怎么同步数据的？

小明同学：借助 logstash，logstash-input-jdbc 同步插件非常好用，支持各种类型的关系型数据库的同步。我还画了各种类型同步到 Elasticsearch 的各种实现呢？手机上有，你看一下。

不同源数据同步到 Elasticsearch 实现方案

铭毅老湿：不错，总结的很全面。那我问你，你这一行 java 代码往哪里写？

小明同学：我插，这点我忘记了。我想一下，logstash 是用 ruby 语言写的，找一下 ruby 语言如何处理空格就可以了。

小明同学拿起手机查了2分钟，找到啦！

mutate {
    gsub => [
      "Animal", "\s", ""
    ]
}

语言不同，和 java 语法都有相通的地方。

我走啦，还是你考虑的周全，铭毅老湿！

铭毅老湿：别着急，那如果不用 logstash 处理，该如何搞定呢？假定你的 logstash 不允许再改了。

小明同学：这个假如不存在的，想改就改，非常受控。嘻嘻~~~，让我想想。。。。。。

与 logstash filter 中转处理环节有个同等重量级的 ingest 预处理借助脚本可以实现，还有个我不大确认，自定义分词能否实现呢？

铭毅老湿：你说的很对，自定义分词包含哪三个环节？如何实现咋实现有思路吗？

小明同学：这个我有点忘记了，得查一下文档。有了，这个图很万能。

Elasticsearch自定义分词，从一个问题说开去

涉及细节不少，我得回去研究一下了。

多谢铭毅老湿~~我真的得走啦，再见！

间隔了一天。。。。。。

第二天，小明带来了他的实现。

铭毅老湿：小明，你讲一下实现思路吧？小明同学：我用了两种方法，

方法一：在自定义分词的 character filter 环节借助 pattern replace 方式将空格转化为没有任何字符，就相当于去掉了空格。
方法二：通过 character filter 环节的 Mapping 将空格字符等同于无字符处理，就间接去掉了空格。
这两种方法本质都是借助之前给的图的第一个环节：character filter 字符过滤的方式实现的。

这里有可供演示的 DSL，我给你演示一下:

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"
}

## 三类数据都能召回
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"
}
## 三类数据都能召回
POST my-index-000002/_search
{"query":{"match":{"title":"6mm"}}}