本文解释了 Meilisearch 如何处理数据集中不同类型的数据。

此处描述的行为仅涉及 Meilisearch 的内部流程，有助于理解分词器的工作原理。在大多数与 Meilisearch 内部工作无关的实际用途中，文档字段保持不变。

​
字符串

字符串是 Meilisearch 中用于索引数据的主要类型。它能够创建可搜索的内容。字符串的处理方式如下所述。

字符串分词是将字符串拆分为称为标记的单个术语列表的过程。

一个字符串被传递给分词器，然后被分解成单独的字符串标记。一个标记是一个词。

​
分词

分词依赖于两个主要过程来识别词并将其分离成标记：分隔符和字典。

​
分隔符

分隔符是表示一个词结束而另一个词开始的字符。例如，在使用拉丁字母的语言中，词通常由空格分隔。在日语中，词的边界通常以其他方式表示，例如在词尾附加に和で等助词。

Meilisearch 中有两种分隔符：软分隔符和硬分隔符。硬分隔符表示重要的上下文切换，例如新句子或段落。软分隔符只分隔一个词与另一个词，但不表示主题的重大变化。

以下列表显示了使用拉丁字母的语言中最常见的一些分隔符

  • 软空格（距离：1）：空格、引号、'-' | '_' | '\'' | ':' | '/' | '\\' | '@' | '"' | '+' | '~' | '=' | '^' | '*' | '#'
  • 硬空格（距离：8）：'.' | ';' | ',' | '!' | '?' | '(' | ')' | '[' | ']' | '{' | '}'| '|'

有关更多分隔符，包括在西里尔字母和泰语等其他书写系统中使用的分隔符，请查阅此详尽列表。

​
字典

对于分词过程，字典是应被视为单个术语的字符组列表。字典在识别日语等语言中的词时特别有用，因为这些语言中的词不总是由分隔符标记标记。

Meilisearch 附带了一些用于其官方支持语言的通用字典。当处理包含许多特定领域术语的文档时，例如法律文档或学术论文，提供自定义字典可能会提高搜索结果的相关性。

​
距离

距离在确定文档是否相关方面起着至关重要的作用，因为其中一个排名规则是邻近度规则。邻近度规则根据匹配查询词之间的距离从小到大排序结果。因此，由软空格分隔的两个词比由硬空格分隔的两个词更近，因此被认为更相关。

分词过程完成后，每个词都会被索引并存储在相应索引的全局字典中。

​
示例

为了演示字符串如何按空格拆分，假设您有以下字符串作为输入

"Bruce Willis,Vin Diesel"

在上面的示例中，Bruce 和 Willis 之间的距离等于 1。Vin 和 Diesel 之间的距离也等于 1。然而，Willis 和 Vin 之间的距离等于 8。同样的计算也适用于 Bruce 和 Diesel (10)、Bruce 和 Vin (9)，以及 Willis 和 Diesel (9)。

让我们看另一个例子。给定两个文档

[
  {
    "movie_id": "001",
    "description": "Bruce.Willis"
  },
  {
    "movie_id": "002",
    "description": "Bruce super Willis"
  }
]

当查询Bruce Willis时，002将是第一个返回的文档，而001将是第二个。发生这种情况是因为在文档002中，Bruce和Willis之间的邻近距离等于2，而在文档001中，Bruce和Willis之间的距离等于8，因为句号字符.是一个硬空格。

​
数值

数值类型（integer，float）被转换为人类可读的十进制数字字符串表示。数值类型可以被搜索，因为它们被转换为字符串。

您可以添加自定义排名规则，以在文档中具有数值的给定属性上创建升序或降序排序规则。

您还可以创建过滤器。>、>=、<、<=和TO关系运算符仅适用于数值。

​
布尔值

布尔值，即true或false，被接收并转换为小写的人类可读文本（true和false）。布尔值可以被搜索，因为它们被转换为字符串。

​
null

null类型可以推送到 Meilisearch 中，但它不会被纳入索引。

​
数组

数组是值的有序列表。这些值可以是任何类型：数字、字符串、布尔值、对象，甚至是其他数组。

Meilisearch 会展平数组并将它们连接成字符串。非字符串值将按照本文前面部分的描述进行转换。

​
示例

以下输入

[
  [
    "Bruce Willis",
    "Vin Diesel"
  ],
  "Kung Fu Panda"
]

将按所有元素排列在同一级别的方式进行处理

"Bruce Willis. Vin Diesel. Kung Fu Panda."

一旦上述数组被展平，它将完全按照字符串示例中所述的方式进行解析。

​
对象

当文档字段包含一个对象时，Meilisearch 会将其展平，并将对象的键和值提升到文档本身的根级别。

请记住，此处表示的展平对象是内部流程的中间快照。搜索时，返回的文档将保持其原始结构。

在下面的示例中，patient_name 键包含一个对象

{
  "id": 0,
  "patient_name": {
    "forename": "Imogen",
    "surname": "Temult"
  }
}

在索引期间，Meilisearch 使用点符号来消除嵌套字段

{
  "id": 0,
  "patient_name.forename": "Imogen",
  "patient_name.surname": "Temult"
}

使用点符号，无论嵌套深度如何，展平嵌套对象时都不会丢失信息。

假设上面的示例文档包含一个额外的对象address，其中包含家庭和工作地址，而它们本身都是对象。展平后，文档将如下所示

{
  "id": 0,
  "patient_name.forename": "Imogen",
  "patient_name.surname": "Temult",
  "address.home.street": "Largo Isarco, 2",
  "address.home.postcode": "20139",
  "address.home.city": "Milano",
  "address.work.street": "Ca' Corner Della Regina, 2215",
  "address.work.postcode": "30135",
  "address.work.city": "Venezia"
}

Meilisearch 的内部展平过程也消除了对象数组中的嵌套。在这种情况下，值按键分组。考虑以下文档

{
  "id": 0,
  "patient_name": "Imogen Temult",
  "appointments": [
    {
      "date": "2022-01-01",
      "doctor": "Jester Lavorre",
      "ward": "psychiatry"
    },
    {
      "date": "2019-01-01",
      "doctor": "Dorian Storm"
    }
  ]
}

展平后，它将如下所示

{
  "id": 0,
  "patient_name": "Imogen Temult",
  "appointments.date": [
    "2022-01-01",
    "2019-01-01"
  ],
  "appointments.doctor": [
    "Jester Lavorre",
    "Dorian Storm"
  ],
  "appointments.ward": [
    "psychiatry"
  ]
}

一旦文档中的所有对象都被展平，Meilisearch 将继续按照前面章节的描述对其进行处理。例如，数组将被展平，数值和布尔值将被转换为字符串。

​
嵌套文档查询和子文档

Meilisearch 没有子文档的概念，也无法执行嵌套文档查询。在前面的示例中，当展平appointments数组时，约会日期和医生之间的关系丢失了

…
  "appointments.date": [
    "2022-01-01",
    "2019-01-01"
  ],
  "appointments.doctor": [
    "Jester Lavorre",
    "Dorian Storm"
  ],
…

这可能导致搜索时出现意想不到的行为。以下数据集显示了两名患者及其各自的预约

[
  {
    "id": 0,
    "patient_name": "Imogen Temult",
    "appointments": [
      {
        "date": "2022-01-01",
        "doctor": "Jester Lavorre"
      }
    ]
  },
  {
    "id": 1,
    "patient_name": "Caleb Widowgast",
    "appointments": [
      {
        "date": "2022-01-01",
        "doctor": "Dorian Storm"
      },
      {
        "date": "2023-01-01",
        "doctor": "Jester Lavorre"
      }
    ]
  }
]

以下查询返回患者0和1

curl \
  -X POST 'MEILISEARCH_URL/indexes/clinic_patients/search' \
  -H 'Content-Type: application/json' \
  --data-binary '{
    "q": "",
    "filter": "(appointments.date = 2022-01-01 AND appointments.doctor = 'Jester Lavorre')"
  }'

Meilisearch 无法仅返回在 2022-01-01 与 Jester Lavorre 有预约的患者。相反，它返回与 Jester Lavorre 有预约的患者，以及在 2022-01-01 有预约的患者。

解决此限制的最佳方法是重新格式化数据。上面的示例可以通过将预约数据合并到新的appointmentsMerged字段中来解决，这样预约和医生之间的关系得以保持完整

[
  {
    "id": 0,
    "patient_name": "Imogen Temult",
    "appointmentsMerged": [
      "2022-01-01 Jester Lavorre"
    ]
  },
  {
    "id": 1,
    "patient_name": "Caleb Widowgast",
    "appointmentsMerged": [
      "2023-01-01 Jester Lavorre"
      "2022-01-01 Dorian Storm"
    ]
  }
]

​
可能的分词问题

即使分词过程的行为完全符合预期，在某些情况下也可能导致反直觉的结果，例如

"S.O.S"
"George R. R. Martin"
10,3

对于上述两个字符串，句点.将被视为硬空格。

10,3将被拆分成两个字符串——10和3——而不是作为数字类型处理。