从一个线上问题看 Elasticsearch 数据清洗方式
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。
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"}}}铭毅老湿：不错，不错，考虑的很全面。那小明同学，你能否总结一下：Elasticsearch 数据预处理的方式有哪些？
小明同学：我给你现场画个脑图吧。
铭毅老湿：哎呦，不错哦。。。
未完，待续~~~
推荐
和 20000+ Elastic小伙伴一起学习 ElasticStack！
