汤不热吧作为一名搜索技术专家，我们深知查询速度对于用户体验的重要性。在 Elasticsearch (ES) 中，提升查询速度最简单也最有效的方法之一，就是正确区分和利用 query 上下文和 filter 上下文。
1. 深入理解 Query Context 与 Filter Context
Elasticsearch 的查询语言（DSL）允许我们将查询逻辑放置在两个不同的上下文中，它们的区别决定了 ES 如何处理性能和相关性。
- Query Context (查询上下文): 用于决定文档是否匹配，并且计算相关性分数 (_score)。例如，使用 match 或 must 子句进行全文搜索。由于需要计算分数，这通常是资源消耗最大的部分。
- Filter Context (过滤上下文): 仅用于判断文档是否匹配（二元判断：Yes/No）。它不计算分数，并且对于常用的、不涉及全文搜索的过滤条件（如精确匹配、范围查询），其结果会被 ES 自动缓存。
核心优化点： 任何不需要影响排序（即不需要计算 _score）的查询条件，都应该放入 filter 上下文。
2. Filter 缓存机制：性能提升的关键
ES 的查询缓存主要针对 filter 上下文中的布尔查询结果。当一个 filter 查询首次执行时，ES 会在内部将匹配的文档位图（Bitset）存储在操作系统的文件系统缓存中（Heap 之外）。如果后续相同的查询再次发生，ES 可以直接从缓存中读取结果，避免了重新遍历倒排索引，从而极大地提升了查询速度。
适用场景：
- 精确匹配 (term, terms)
- 范围查询 (range)
- 存在性查询 (exists)
- 常量评分查询 (constant_score)
3. 实战操作：优化 Bool Query
我们将以一个电商产品搜索为例，演示如何将低效查询重构为高效查询。
假设我们要查找“名称包含‘笔记本’，且分类ID为‘electronics’，价格大于500”的产品。
步骤一：创建测试索引
我们创建一个简单的索引，确保用于过滤的字段（如 category_id）被映射为 keyword，以便精确匹配。
PUT /product_index
{
"settings": {
"number_of_shards": 1,
"number_of_replicas": 0
},
"mappings": {
"properties": {
"name": { "type": "text" },
"category_id": { "type": "keyword" },
"price": { "type": "float" }
}
}
}
步骤二：低效查询示例 (Unoptimized)
如果所有条件都被放在 must 子句中，即使是精确匹配，ES 也会为它们计算分数。
# 低效查询：所有条件都在必须匹配（must）中，都会影响分数计算
GET /product_index/_search
{
"query": {
"bool": {
"must": [
{ "match": { "name": "笔记本" } },
{ "term": { "category_id": "electronics" } },
{ "range": { "price": { "gte": 500 } } }
]
}
}
}
步骤三：高效查询示例 (Optimized)
我们将影响相关性排序的条件（name 的全文匹配）保留在 must 中，而将精确过滤和范围过滤的条件移动到 filter 子句中。这些 filter 子句将不计分，并且结果会被缓存。
# 高效查询：将不需要计分的条件放入 filter 子句
GET /product_index/_search
{
"query": {
"bool": {
"must": [
{ "match": { "name": "笔记本" } }
],
"filter": [
{ "term": { "category_id": "electronics" } },
{ "range": { "price": { "gte": 500 } } }
]
}
}
}
4. 结论与最佳实践
正确利用 filter 上下文是 Elasticsearch 查询优化的基石。通过将稳定、精确、高频的查询条件放入 filter 中，可以显著减少 CPU 消耗（避免计算分数）并利用 ES 自动的查询缓存机制，从而实现毫秒级的响应速度提升。
记住以下原则：
- 计分？ 使用 must 或 should (Query Context)。
- 不计分但必须匹配？ 使用 filter (Filter Context)。
- 不计分且必须排除？ 使用 must_not (Filter Context)。