ES - 应用 - 不同数据类型在商超环境的使用

商超场景 ES 查询关键字详解与会员标签存储方案

1. 查询关键字精准解析（含匹配逻辑与商超案例）

1.1. text 类型（完整查询方式）

查询类型
语法示例
关键字详细说明（匹配逻辑）
商超场景案例
优化点
match（全文检索）
{"match": {"product_name": "有机牛奶"}}
- 关键字：match- 逻辑：分词后匹配任意分词（OR），计算相关性分数
搜索含 “有机” 或 “牛奶” 的商品
1. 配置 ik 分词器处理中文2. 对高频词设置stopwords（如 “特价”）
match_phrase（短语匹配）
{"match_phrase": {"product_name": "伊利纯牛奶"}}
- 关键字：match_phrase- 逻辑：分词按原顺序连续出现（中间无其他词）
搜索完整名称 “伊利纯牛奶” 的商品
1. 设置slop:1允许插入 1 个词2. 启用index_options:offsets提升精度
match_phrase_prefix（前缀短语）
{"match_phrase_prefix": {"product_name": "伊利纯牛"}}
- 关键字：match_phrase_prefix- 逻辑：前 N-1 词精确匹配，最后 1 词前缀匹配
搜索框输入提示（输入 “伊利纯牛” 提示完整商品名）
1. 设置max_expansions:10限制匹配数量2. 仅用于搜索提示场景
query_string（查询字符串）
{"query_string": {"query": "product_name:牛奶 AND category:乳制品"}}
- 关键字：query_string- 逻辑：支持 AND/OR 等逻辑运算符，多字段匹配
搜索名称含 “牛奶” 且品类为乳制品的商品
1. 限制default_field避免全字段扫描2. 禁用allow_leading_wildcard防止前缀*
simple_query_string（简化查询字符串）
{"simple_query_string": {"query": "牛奶 +乳制品", "fields": ["product_name", "category"]}}
- 关键字：simple_query_string- 逻辑：容错性更高，用+表示 AND，`
` 表示 OR
搜索含 “牛奶” 且含 “乳制品” 的商品
fuzzy（模糊匹配）
{"fuzzy": {"product_name": {"value": "牛乃", "fuzziness": 1}}}
- 关键字：fuzzy- 逻辑：允许 1-2 个字符编辑（替换 / 插入 / 删除）
处理 “牛乃” 匹配 “牛奶” 的输入错误
1. 设置prefix_length:2（前 2 字符精确匹配）2. 限制fuzziness:1减少计算量
multi_match（多字段匹配）
{"multi_match": {"query": "牛奶", "fields": ["product_name^3", "description"]}}
- 关键字：multi_match- 逻辑：多字段执行 match，支持字段权重（^3 为 3 倍权重）
同时搜索商品名和描述，名称权重更高
1. 限制匹配字段≤5 个2. 对重要字段设置更高权重
common（常用词查询）
{"common": {"product_name": {"query": "有机牛奶", "cutoff_frequency": 0.001}}}
- 关键字：common- 逻辑：低频词（如 “有机”）精确匹配，高频词（如 “牛奶”）模糊匹配
平衡 “牛奶”（高频）和 “有机”（低频）的匹配权重
1. cutoff_frequency设为 0.001（过滤 1% 以上高频词）2. 适合含高频 + 低频词的查询

1.2. keyword 类型（完整查询方式）

查询类型
语法示例
关键字详细说明（匹配逻辑）
商超场景案例
优化点
term（精确匹配）
{"term": {"category.keyword": "乳制品"}}
- 关键字：term- 逻辑：字段值与查询值完全相等（不分词）
筛选品类为 “乳制品” 的商品
1. 用filter上下文缓存结果2. 必须使用keyword子字段
terms（多值匹配）
{"terms": {"shelf_code": ["A1", "B2"]}}
- 关键字：terms- 逻辑：字段值与数组中任意值相等（OR）
筛选 A1 或 B2 货架的商品
1. 数组长度≤10002. 启用execution:"bool"优化性能
range（范围匹配）
{"range": {"member_id.keyword": {"gte": "Vip2023001", "lte": "Vip2023100"}}}
- 关键字：range- 逻辑：按字典序匹配范围内的值
筛选 2023 年注册的前 100 名会员
1. 仅用于有序 keyword（如会员 ID、日期字符串）2. 避免对无序字符串使用（如商品名）
prefix（前缀匹配）
{"prefix": {"sku_id": "SKU202310"}}
- 关键字：prefix- 逻辑：字段值以前缀开头
筛选 2023 年 10 月生产的商品
1. 前缀长度≥3 字符2. 改用edge_ngram分词预处理提升性能
wildcard（通配符）
{"wildcard": {"phone.keyword": "138*5678"}}
- 关键字：wildcard- 逻辑：支持*（任意）和?（单个）字符匹配
按 “138****5678” 查询手机号
1. 禁止前缀*（如*5678）2. 通配符长度≤10 字符
regexp（正则匹配）
{"regexp": {"member_id.keyword": "Vip\\d{8}"}}
- 关键字：regexp- 逻辑：匹配正则表达式规则
筛选 “Vip+8 位数字” 格式的会员 ID
1. 正则尽量简单（避免复杂分组）2. 对固定格式字段优先使用
exists（字段存在）
{"exists": {"field": "brand.keyword"}}
- 关键字：exists- 逻辑：存在该字段且值非 null
筛选有品牌信息的商品
1. 结合must_not查询不存在的字段2. 对稀疏字段效率更高

1.3. 数值类型（integer/double/float/long）

查询类型
语法示例
关键字详细说明（匹配逻辑）
商超场景案例
优化点
term（精确匹配）
{"term": {"stock": 0}}
- 关键字：term- 逻辑：字段值严格等于指定数值
筛选库存为 0 的商品（缺货提醒）
1. 用filter缓存结果2. 对高频值（如库存 0）优化统计
terms（多值匹配）
{"terms": {"price": [9.9, 19.9, 29.9]}}
- 关键字：terms- 逻辑：字段值与数组中任意值相等（OR）
筛选促销价为 9.9/19.9/29.9 的商品
1. 数组值按升序排列2. 数量多时拆分查询（>20 个值）
range（范围匹配）
{"range": {"points": {"gt": 1000, "lte": 5000}}}
- 关键字：range- 逻辑：字段值在指定范围内（支持gt/gte/lt/lte）
筛选积分 1000-5000 的会员
1. 范围尽量具体（避免gte:0）2. 用filter上下文缓存
function_score（函数评分）
{"function_score": {"query": {"match": {"name": "苹果"}},"functions": [{"field_value_factor": {"field": "sales","modifier": "log1p"}}]}}
- 关键字：function_score- 逻辑：基础查询结果按字段值加权评分
搜索 “苹果” 时销量高的商品排前
1. 用log1p平滑销量差距2. 对高频查询缓存结果
script（脚本计算）
{"script": {"script": "doc['price'].value * doc['discount'].value < 50"}}
- 关键字：script- 逻辑：执行自定义计算匹配条件
筛选折后价 < 50 元的商品
1. 脚本逻辑极简（避免循环）2. 用painless语言3. 冗余计算结果为字段（如discount_price）
exists（字段存在）
{"exists": {"field": "discount_rate"}}
- 关键字：exists- 逻辑：存在该字段且值非 null
筛选有折扣率的商品
1. 结合must_not查询无折扣商品2. 适合判断是否参与活动

1.4. 日期类型（date）

查询类型
语法示例
关键字详细说明（匹配逻辑）
商超场景案例
优化点
term（精确匹配）
{"term": {"register_time": "2023-10-01T00:00:00Z"}}
- 关键字：term- 逻辑：字段值精确等于指定日期（毫秒级）
筛选 10 月 1 日 0 点注册的会员
1. 格式与映射一致（如yyyy-MM-dd HH:mm:ss）2. 仅用于精确时间点查询
range（范围匹配）
{"range": {"expire_date": {"gte": "now", "lte": "now+30d"}}}
- 关键字：range- 逻辑：日期在指定范围内，支持相对时间（now-30d）
筛选 30 天内过期的临期商品
1. 使用相对时间（now）避免硬编码2. 加format参数明确格式3. 大范围查询结合时间分片索引
script（日期计算）
{"script": {"script": "ChronoUnit.DAYS.between(doc['production_date'].value, doc['expire_date'].value) < 90"}}
- 关键字：script- 逻辑：计算日期差值（如保质期）匹配条件
筛选保质期 < 90 天的商品
1. 用ChronoUnit替代手动计算2. 冗余shelf_life字段存储保质期（避免查询计算）
exists（字段存在）
{"exists": {"field": "last_purchase_time"}}
- 关键字：exists- 逻辑：存在该字段且值非 null
筛选有购买记录的会员
1. 结合range筛选最近购买的会员2. 用于区分新老会员（无购买记录为新会员）

1.5. 布尔类型（boolean）

查询类型
语法示例
关键字详细说明（匹配逻辑）
商超场景案例
优化点
term（精确匹配）
{"term": {"is_on_sale": true}}
- 关键字：term- 逻辑：字段值为true或false
筛选在售商品（is_on_sale: true）
1. 用filter上下文缓存结果2. 是最高效的查询类型之一
bool+must_not（非匹配）
{"bool": {"must_not": [{"term": {"is_promotion": true}}]}}
- 关键字：bool.must_not- 逻辑：字段值与查询值相反
筛选非促销商品（is_promotion: false）
1. 比term: {is_promotion: false}更直观2. 适合否定逻辑表达
exists（字段存在）
{"exists": {"field": "is_vip"}}
- 关键字：exists- 逻辑：存在该字段（无论true/false）
筛选有会员等级标记的用户
1. 用于判断是否完成会员等级初始化2. 结合term进一步筛选 VIP 会员

1.6. 数组类型（array）

查询类型
语法示例
关键字详细说明（匹配逻辑）
商超场景案例
优化点
term（包含匹配）
{"term": {"preferences": "零食"}}
- 关键字：term- 逻辑：数组中至少包含一个指定值
筛选偏好含 “零食” 的会员
1. 数组元素用 keyword 类型2. 高频值放数组靠前位置
bool+must（全包含）
{"bool": {"must": [{"term": {"tags": "促销"}}, {"term": {"tags": "新品"}}]}}
- 关键字：bool.must- 逻辑：数组中同时包含所有指定值（AND）
筛选同时含 “促销” 和 “新品” 标签的商品
1. 条件数量≤5 个2. 先筛主文档（如在售商品）
terms_set（最小匹配）
{"terms_set": {"preferences": {"terms": ["乳制品", "肉类"], "minimum_should_match_script": {"source": "2"}}}}
- 关键字：terms_set- 逻辑：匹配值数量≥最小要求（此处需 2 个）
筛选同时偏好 “乳制品” 和 “肉类” 的会员
1. 用脚本动态设置最小匹配数2. 替代多个must子句更简洁
script（数组长度）
{"script": {"script": "doc['tags'].length > 3"}}
- 关键字：script- 逻辑：数组长度满足条件
筛选标签数 > 3 的商品
1. 冗余tags_count字段存储长度2. 避免查询时计算长度
script（包含逻辑）
{"script": {"script": "doc['preferences'].containsAll(['乳制品', '肉类'])"}}
- 关键字：script- 逻辑：数组包含所有指定值（全包含）
筛选同时偏好 “乳制品” 和 “肉类” 的会员
1. 比bool.must更直观（代码简洁）2. 性能略低于bool.must（适合条件多的场景）

1.7. 嵌套类型（nested）

查询类型
语法示例
关键字详细说明（匹配逻辑）
商超场景案例
优化点
nested+term
{"nested": {"path": "tags", "query": {"term": {"tags.name": "高消费"}}}}
- 关键字：nested- 逻辑：匹配包含指定嵌套字段值的文档
筛选含 “高消费” 标签的会员
1. 嵌套前用filter缩小范围2. path必须精确
nested+bool+must
{"nested": {"path": "tags", "query": {"bool": {"must": [{"term": {"tags.name": "高消费"}}, {"range": {"tags.score": {"gte": 0.8}}}]}}}}
- 关键字：nested+bool.must- 逻辑：同一嵌套对象满足所有条件
筛选 “高消费标签且权重≥0.8” 的会员
1. 嵌套对象字段尽量少2. 高频条件冗余为根字段（如is_high_spender）
nested+bool+should
{"nested": {"path": "tags", "query": {"bool": {"should": [{"term": {"tags.name": "高消费"}}, {"term": {"tags.name": "高频次"}}]}}}}
- 关键字：nested+bool.should- 逻辑：同一嵌套对象满足任一条件
筛选含 “高消费” 或 “高频次” 标签的会员
1. 设置minimum_should_match:1确保至少匹配一个2. 配合boost调整标签权重
nested+exists
{"nested": {"path": "tags", "query": {"exists": {"field": "tags.update_time"}}}}
- 关键字：nested+exists- 逻辑：嵌套对象中存在指定字段
筛选有标签更新时间的会员
1. 结合range筛选最近更新的标签2. 用于排除旧标签数据
nested+script
{"nested": {"path": "tags", "query": {"script": {"script": "doc['tags.score'].value > 0.5 && doc['tags.update_time'].value.after(Instant.parse('2023-09-01T00:00:00Z'))"}}}}
- 关键字：nested+script- 逻辑：嵌套对象字段满足脚本条件
筛选标签权重 > 0.5 且 9 月后更新的会员
1. 脚本逻辑极简2. 避免在嵌套查询中使用复杂脚本

1.8. 地理坐标类型（geo_point）

查询类型
语法示例
关键字详细说明（匹配逻辑）
商超场景案例
优化点
geo_distance
{"geo_distance": {"distance": "5km", "member_location": {"lat": 39.9, "lon": 116.4}}}
- 关键字：geo_distance- 逻辑：坐标与目标点距离≤指定值
筛选门店 5 公里内的会员
1. 用km单位（比m快）2. 创建 geo_hash 网格索引（precision:"1km"）
geo_bounding_box
{"geo_bounding_box": {"member_location": {"top_left": {"lat": 40, "lon": 116}, "bottom_right": {"lat": 39.8, "lon": 116.5}}}}
- 关键字：geo_bounding_box- 逻辑：坐标在矩形区域内
筛选某商圈矩形范围内的会员
1. 矩形范围尽量小2. 比geo_polygon性能高
geo_polygon
{"geo_polygon": {"member_location": {"points": [{"lat": 39.9, "lon": 116.4}, {"lat": 40, "lon": 116.5}, {"lat": 39.8, "lon": 116.5}]}}}
- 关键字：geo_polygon- 逻辑：坐标在多边形区域内
筛选某行政区内的会员
1. 顶点数≤10 个2. 顶点按顺时针排列
geo_shape
{"geo_shape": {"member_location": {"shape": {"type": "circle", "coordinates": [116.4, 39.9], "radius": "5km"}}}}
- 关键字：geo_shape- 逻辑：坐标在几何图形内（圆 / 多边形等）
筛选圆形区域内的会员
1. 圆的性能优于复杂多边形2. 结合filter先筛城市
exists（字段存在）
{"exists": {"field": "member_location"}}
- 关键字：exists- 逻辑：存在地理位置信息
筛选有定位信息的会员
1. 用于区分是否授权定位2. 结合地理查询进一步筛选

1.9. IP 类型（ip）

查询类型
语法示例
关键字详细说明（匹配逻辑）
商超场景案例
优化点
term（精确匹配）
{"term": {"login_ip": "192.168.1.100"}}
- 关键字：term- 逻辑：IP 地址完全匹配
筛选从特定 IP 登录的会员
1. 用filter缓存结果2. 适合异常登录检测
terms（多 IP 匹配）
{"terms": {"login_ip": ["192.168.1.100", "192.168.1.101"]}}
- 关键字：terms- 逻辑：IP 地址与数组中任意值匹配
筛选从多个 IP 登录的会员
1. 数组长度≤50（IP 字段匹配成本高）2. 用于批量 IP 查询
range（IP 段匹配）
{"range": {"login_ip": {"gte": "192.168.0.0", "lte": "192.168.255.255"}}}
- 关键字：range- 逻辑：IP 在指定网段内
筛选内网 IP 登录的会员
1. 比cidr更灵活（支持任意网段）2. 适合非标准网段查询
cidr（无类别域间路由）
{"term": {"login_ip": "192.168.0.0/16"}}
- 关键字：term（支持 CIDR 表示法）- 逻辑：IP 在 CIDR 网段内
筛选 192.168 网段登录的会员
1. 比range更简洁（标准网段）2. 性能优于range
exists（字段存在）
{"exists": {"field": "login_ip"}}
- 关键字：exists- 逻辑：存在登录 IP 记录
筛选有登录记录的会员
1. 用于区分是否登录过系统2. 结合 IP 查询分析地域分布

1.10. 范围类型（integer_range/double_range/date_range）

查询类型
语法示例
关键字详细说明（匹配逻辑）
商超场景案例
优化点
term（包含值）
{"term": {"price_range": 50}}
- 关键字：term- 逻辑：范围字段包含指定值
筛选价格范围包含 50 元的商品（如 40-60 元）
1. 用于快速匹配值是否在范围内2. 比range更直观
range（范围重叠）
{"range": {"price_range": {"overlap": {"gte": 30, "lte": 70}}}}
- 关键字：range.overlap- 逻辑：两个范围存在重叠部分
筛选与 30-70 元有重叠的价格区间商品
1. 用于区间交叉分析2. 比手动计算重叠更高效
range（范围包含）
{"range": {"price_range": {"contains": {"gte": 40, "lte": 60}}}}
- 关键字：range.contains- 逻辑：范围字段完全包含目标范围
筛选完全包含 40-60 元的价格区间商品
1. 用于父区间查询2. 适合层级价格区间分析
exists（字段存在）
{"exists": {"field": "price_range"}}
- 关键字：exists- 逻辑：存在范围字段定义
筛选有价格区间的商品
1. 用于区分是否参与区间定价2. 结合范围查询分析定价策略

1.11. 混合类型（多类型组合查询）

查询类型
语法示例
关键字详细说明（匹配逻辑）
商超场景案例
优化点
text + 数值组合
{"bool": {"must": [{"match": {"product_name": "牛奶"}}, {"range": {"price": {"lte": 50}}}]}}
- 关键字：bool组合match和range- 逻辑：同时满足文本匹配和数值范围
搜索名称含 “牛奶” 且价格≤50 元的商品
1. 先执行range过滤（减少文本匹配数据量）2. 文本查询放must，数值放filter
嵌套 + 扁平化组合
{"bool": {"filter": [{"term": {"is_high_spender": true}}],"must": [{"nested": {"path": "tags", "query": {"term": {"tags.name": "高频次"}}}}]}}
- 关键字：bool组合扁平化字段和嵌套查询- 逻辑：先通过扁平化字段过滤，再执行嵌套查询
筛选 “高消费会员且含高频次标签”
1. 扁平化字段放filter（减少嵌套计算量）2. 高频条件用扁平化字段，低频用嵌套
地理 + 日期组合
{"bool": {"filter": [{"geo_distance": {"distance": "3km", "member_location": {"lat": 39.9, "lon": 116.4}}}, {"range": {"last_purchase_time": {"gte": "now-30d"}}}]}}
- 关键字：bool组合地理和日期查询- 逻辑：同时满足地理范围和日期范围
筛选 3 公里内且 30 天内有消费的会员
1. 先执行日期筛选（数据量更小）2. 地理查询放后面（计算成本高）
数组 + 布尔组合
{"bool": {"must": [{"term": {"tags": "促销"}}, {"term": {"is_on_sale": true}}]}}
- 关键字：bool组合数组和布尔查询- 逻辑：数组包含指定值且布尔字段为 true
筛选含 “促销” 标签且在售的商品
1. 布尔查询放filter（性能最优）2. 数组查询放must（需算分）
 

2. 会员多标签数据：嵌套 + 扁平化存储方案（数十个标签场景）

2.1. 会员标签数据模型设计（含 30 + 标签的优化存储）

{
  "mappings": {
    "properties": {
      "member_id": { "type": "keyword" },
      // 嵌套类型：存储所有标签的完整信息（30+标签）
      "tags": {
        "type": "nested",
        "properties": {
          "name": { "type": "keyword" },  // 标签名称（高消费/高频次/价格敏感...）
          "score": { "type": "float" },   // 标签权重（0-1）
          "update_time": { "type": "date" },  // 标签更新时间
          "source": { "type": "keyword" } // 标签来源（消费行为/人工标记...）
        }
      },
      // 扁平化冗余：存储Top 8高频查询标签（占总查询量90%）
      "tag_high_spender": { "type": "boolean" },  // 是否高消费会员
      "tag_high_frequency": { "type": "boolean" }, // 是否高频次会员
      "tag_price_sensitive": { "type": "boolean" }, // 是否价格敏感
      "tag_new_member": { "type": "boolean" },    // 是否新会员（注册<30天）
      "tag_vip": { "type": "boolean" },          // 是否VIP会员
      "tag_prefer_fresh": { "type": "boolean" },  // 是否偏好生鲜
      "tag_prefer_imported": { "type": "boolean" }, // 是否偏好进口商品
      "tag_coupon_lover": { "type": "boolean" }   // 是否喜爱优惠券
    }
  }
}
 

2.2. 存储设计逻辑说明

存储方式适用标签类型设计目的维护策略（确保数据一致）
嵌套类型 所有标签（30+） 保留完整标签关系，支持任意标签组合查询（包括低频标签） 新增 / 更新标签时，同步写入嵌套对象
扁平化字段 高频查询标签（Top 8） 将 90% 的查询请求引导至扁平化字段，避免嵌套查询的性能开销（响应速度提升 60%+） 通过 ES ingest pipeline 自动同步：当嵌套标签满足条件时（如tags.name=高消费且score≥0.7），自动设置tag_high_spender=true

2.3. 不同场景下的查询策略与语法

场景 1：高频简单查询（单标签过滤）

  • 需求：筛选所有高消费会员（占日常查询量 35%）
  • 方案：使用扁平化字段，性能最优
{
  "query": {
    "term": { "tag_high_spender": true }
  }
}
  • 性能对比：响应时间≈50ms（嵌套查询需≈150ms）

场景 2：高频组合查询（多标签 AND 关系）

  • 需求：筛选 “高消费且偏好生鲜” 的会员（占日常查询量 25%）
  • 方案：扁平化字段组合，bool.must实现 AND 逻辑
{
  "query": {
    "bool": {
      "must": [
        { "term": { "tag_high_spender": true } },
        { "term": { "tag_prefer_fresh": true } }
      ]
    }
  }
}
  • 优势：避免嵌套查询的多层遍历，支持结果缓存

场景 3：低频复杂查询（含低频标签 + 多条件）

  • 需求：筛选 “标签来源为‘消费行为’、名称为‘价格敏感’、权重≥0.6 且更新时间在 30 天内” 的会员（占日常查询量 5%）
  • 方案：嵌套查询，精确匹配同一标签的多条件
{
  "query": {
    "nested": {
      "path": "tags",
      "query": {
        "bool": {
          "must": [
            { "term": { "tags.name": "价格敏感" } },
            { "range": { "tags.score": { "gte": 0.6 } } },
            { "term": { "tags.source": "消费行为" } },
            { "range": { "tags.update_time": { "gte": "now-30d" } } }
          ]
        }
      }
    }
  }
}
  • 关键点：path: "tags"确保所有条件匹配同一标签对象

场景 4：混合查询（高频 + 低频标签组合）

  • 需求：筛选 “高消费会员中，包含‘季节性购买’标签（来源为‘系统推荐’）” 的会员
  • 方案：扁平化字段过滤基础条件，嵌套查询处理低频标签
{
  "query": {
    "bool": {
      "filter": [
        { "term": { "tag_high_spender": true } }  // 先过滤高消费会员（减少数据量）
      ],
      "must": [
        {
          "nested": {  // 再查询低频标签条件
            "path": "tags",
            "query": {
              "bool": {
                "must": [
                  { "term": { "tags.name": "季节性购买" } },
                  { "term": { "tags.source": "系统推荐" } }
                ]
              }
            }
          }
        }
      ]
    }
  }
}
  • 性能优化：通过扁平化字段先过滤掉 80% 无关数据，嵌套查询仅处理剩余 20% 数据

3. 关键查询性能优化技巧（针对多标签场景）

  1. 嵌套查询优化
    • 限制嵌套文档数量：每个会员标签数控制在 50 个以内（超过部分归档）
    • 使用include_in_parent：将高频嵌套字段映射到父文档（仅适用于 Elasticsearch 7.x 以下）
    • 示例：
    "tags": {
  "type": "nested",
  "include_in_parent": true  // 嵌套字段同时在父文档建立索引（谨慎使用，增加存储）
}
     
  2. 扁平化字段设计原则
    • 仅冗余 “布尔型” 标签（是 / 否），避免冗余权重等数值型字段（维护成本高）
    • 通过业务埋点统计标签查询频次，每季度更新一次高频标签列表
  3. 查询缓存策略
    • 对高频扁平化查询启用request_cache：
    {
  "query": { "term": { "tag_high_spender": true } },
  "request_cache": true  // 缓存结果（适用于不常变更的查询）
}

    • 嵌套查询禁用缓存（结果易变，缓存命中率低）

通过以上方案，即使会员标签数量达 30+，仍能保证：

  • 高频查询响应时间≤100ms
  • 复杂嵌套查询响应时间≤300ms
  • 索引存储量控制在合理范围（扁平化字段仅增加 10% 存储开销）
 posted on 2025-07-31 15:56  xibuhaohao  阅读(9)  评论(0)    收藏  举报