数据类型

本文介绍了 Meilisearch 如何处理数据集中的不同数据类型。

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

字符串是 Meilisearch 中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各个术语列表的过程。

字符串被传递给分词器，然后被分解为单独的字符串标记。标记是一个词。

分词依赖于两个主要过程来识别单词并将其分隔为标记：分隔符和字典。

分隔符是表示一个单词在哪里结束和另一个单词在哪里开始的字符。例如，在使用拉丁字母的语言中，单词通常用空格分隔。在日语中，词界通常以其他方式表示，例如在单词末尾附加に和で之类的助词。

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。软分隔符仅分隔一个单词与另一个单词，但不表示主题的重大变化。

下面的列表列出了一些在使用拉丁字母的语言中最常见的分隔符

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

有关更多分隔符，包括其他书写系统（如西里尔文和泰文）中使用的分隔符，请查阅此详尽列表。

对于分词过程，字典是应视为单个术语的字符组列表。当识别日语等语言中的单词时，字典特别有用，因为在这些语言中，单词并不总是用分隔符标记。

Meilisearch 为其官方支持的语言提供了许多通用字典。在处理包含许多特定领域术语的文档（例如法律文件或学术论文）时，提供自定义字典可能会提高搜索结果的相关性。

距离在确定文档是否相关方面起着至关重要的作用，因为排名规则之一是邻近度规则。邻近度规则按匹配查询项之间距离的增加对结果进行排序。然后，由软空格分隔的两个单词比由硬空格分隔的两个单词更接近，因此被认为更相关。

在分词过程之后，每个单词都被索引并存储在相应索引的全局字典中。

为了演示如何通过空格拆分字符串，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 之间的距离也为 1。但是，Willis 和 Vin 之间的距离等于 8。同样的计算适用于 Bruce 和 Diesel (10)、Bruce 和 Vin (9) 以及 Willis 和 Diesel (9)。

让我们来看另一个例子。给定两个文档

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

当对 Bruce Willis 进行查询时，将首先返回文档 002，而 001 将是第二个返回的文档。发生这种情况是因为文档 002 中 Bruce 和 Willis 之间的邻近度距离等于 2，而文档 001 中 Bruce 和 Willis 之间的距离等于 8，因为句点字符 . 是一个硬空格。

数值类型（integer、float）会转换为人类可读的十进制数字字符串表示形式。数值类型可以搜索，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（true 或 false）被接收并转换为小写的人类可读文本（true 和 false）。布尔值可以搜索，因为它们被转换为字符串。

null 类型可以被推送到 Meilisearch 中，但它不会被纳入索引。

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 会将数组扁平化并将它们连接成字符串。非字符串值会按照本文前几节所述进行转换。

以下输入

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

将被处理为好像所有元素都位于同一级别

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

一旦上述数组被扁平化，它将完全按照字符串示例中解释的方式进行解析。

当文档字段包含对象时，Meilisearch 会将其扁平化，并将对象的键和值带到文档本身的根级别。

请记住，此处表示的扁平化对象是内部过程的中间快照。搜索时，返回的文档将保留其原始结构。

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 使用点号表示法来消除嵌套字段

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

使用点号表示法，在扁平化嵌套对象时不会丢失任何信息，无论嵌套深度如何。

假设上面的示例文档包含一个额外的对象 address，其中包含家庭住址和工作地址，它们本身也是对象。扁平化后，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 的内部扁平化过程还会消除对象数组中的嵌套。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"
    }
  ]
}

扁平化后，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扁平化，Meilisearch 将继续按照前几节所述对其进行处理。例如，数组将被扁平化，数字和布尔值将被转换为字符串。

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，当扁平化 appointments 数组时，约会日期和医生之间的关系会丢失

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

这可能会导致搜索期间出现意外行为。以下数据集显示了两个患者及其各自的约会

[
  {
    "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 'https://127.0.0.1:7700/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 预约的患者。相反，它返回与 Jester Lavorre 预约的患者，以及在 2022-01-01 预约的患者。

解决此限制的最佳方法是重新格式化数据。可以通过将约会数据合并到新的 appointmentsMerged 字段中来修复上述示例，从而使约会和医生之间的关系保持完整

[
  {
    "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"
    ]
  }
]

即使它的行为完全符合预期，标记化过程在某些情况下也可能会导致与直觉相反的结果，例如

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

对于上面的两个字符串，句点 . 将被视为硬空格。

10,3 将被分解为两个字符串——10 和 3——而不是作为数字类型进行处理。