转:使用Mongo Connector和Elasticsearch实现模糊匹配

原文来自于:http://www.csdn.net/article/2014-09-01/2821485-how-to-perform-fuzzy-matching-with-mongo-connector

 

摘要：短短两年，Mongo Connector取得了突破性的进展，用户已经可以通过它完成连接器两边的同步更新。而基于这个特性，其他工具针对MongoDB内存储文件的实时操作也成为可能。

【编者按】本篇博文作者Luke Lovett是MongoDB公司的Java工程师，他展示了Mongo Connector经过2年发展后的蜕变——完成连接器两端的同步更新。期间，Luke还展示如何通过Elasticsearch实现模糊匹配。

以下为译文：

介绍

假设你正在运行MongoDB。太好了，现在已经可以为基于数据库的所有查询进行精确匹配了。现在，设想你正要在你的应用中建立一个文本搜索功能，它必须去除拼写错误这个噪音，最终可能会得到一个相近的结果。为此，这个令人生畏的任务，你需要在Lucene、Elasticsearch和Solr里选择一个。但是现在你面临这样一个问题——这些搜索工具将如何查询存储于MongoDB中的文档？以及你如何保持搜索引擎内容是最新的？

Mongo Connector填补了MongoDB和一些最好搜索工具（例如：Elasticsearch和Solr）之间的空白。这不仅是可以支撑从MongoDB副本集或这些系统分片集群中导出数据，而且可以保持这些系统之间的一致性：如果你在MongoDB中插入、更新和删除文件，那么这些改变会很快的通过Mongo Connector在另一端体现。你甚至可以使用Mongo Connector将操作以流的方式传送给其他关联副本集，从而模拟出一个“multi-master”集群。

Mongo Connector在2012年8月发布时，那个时候它的功能简单并缺少容错性。我从2013年11月开始使用Mongo连接器，期间得到了MongoDB Python团队的帮助，我非常兴奋地说它的功能和稳定性已经取得了很大进步。这篇文章将介绍这些新功能，以及如何使用Mongo Connector将MongoDB操作同步到Elasticsearch（一个开源的搜索引擎）中。在这篇文章的结尾，我们还展示如何对流入Elasticsearch中的数据实现文本查询的模糊匹配。

获取数据集

这篇文章，我们会来到一个流行的链接聚合网站Reddit。我们最近添加了一个由MongoDB提供支持的数据类型安全码，可以很好地处理外部数据库驱动器。这使得那些并没有得到充分控制的副本文档得以保证其安全性。使用下面这个脚本来传输Reddit新发布的post，使用流的方式将新生成的Reddit post传输到MongoDB中。

./reddit2mongo --mongo-host localhost --mongo-port 27017

由于post是经过处理的，你应该能看到标题的前20个字。这个过程会模仿你开发应用时的操作，将数据写入MongoDB。

启动Mongo Connector

下一步，我们将启动Mongo Connector。为了下载和安装Mongo Connector，你可以使用pip：

pip install mongo-connector

为了示例的正常进行，我们假设你已经安装好了Elasticsearch，且运行于端口为9200的本地机器。你可以使用下面的命令从 MongoDB 复制到Elasticsearch。

mongo-connector -m localhost:27017 -t localhost:9200 -d mongo_connector/doc_managers/elastic_doc_manager.py

当然，如果只想在post标题和内容中进行文本搜索，我们可以使用Elasticsearch的字段选项来限制字段。通过这个方法，我们能最小化所复制的数据量：

mongo-connector -m localhost:27017 -t localhost:9200 --fields title,text -d mongo_connector/doc_managers/elastic_doc_manager.py

就像你看到reddit2mongo将Reddit post以STDOUT输出，你同样可以看到从Mongo Connector输出的日志——所有文档都在同时发送给了ES。

弹性的搜索

现在，我们准备使用Elasticsearch在我们的数据集上实现模糊匹配查询，因为它来自于MongoDB。由于我们直接从Reddit的网站输出内容，因此根本无法预测从数据集中获得的结果。以“kitten”的搜索为例，以下为实现代码：

curl -XPOST ‘http://localhost:9200/reddit.posts/_search’ -d’{
  "query": {
    "match": {
      "title": {
        "query": "kitten",
        "fuzziness": 2,
        "prefix_length": 1
      }
    }
  }
}’

由于我们正在进行一个模糊搜索，我们甚至可以搜索一个并不存在的词，例如kiten。由于大多数人根本不注重他们的拼写，它可以直接实现搜索用户随意输入的文本，至此，你可以想象这个功能是多么地强大。以下为实现代码：

curl -XPOST ‘http://localhost:9200/reddit.posts/_search’ -d’{
  "query": {
    "match": {
      "title": {
        "query": "kiten",
        "fuzziness": 2,
        "prefix_length": 1
      }
    }
  }
}’

模糊参数决定了下一次查询字段匹配的最大“edit distance”， prefix_length参数则需求结果必须匹配查询的第一个字母。这篇 文章详细说明了这个功能的实现途径，输出了和正确拼写同样的结果。

不仅是插入

尽管我们只演示了如何利用从 MongoDB 到Elasticsearch的连续文件流，但是Mongo Connector不仅仅是一个输入/输出工具。当你更新或删除MongoDB中的文件时，那些操作也会被记录在其他的系统中，保持与当下的主节点同步。如果主节点在做故障转移并产生一个回滚，Mongo Connector能删除操作并采取正确的做法来维持一致性。

总结

这个事情的真正意义在于我们在MongoDB和Elasticsearch里可以同时操作。若没有一个类似Mongo Connector的工具，我们不得不使用一个类似mongoexport工具去定期地从MongoDB转储数据至JSON，然后再上传这些数据至一个闲置的Elasticsearch中，导致我们空闲时无法提前删除文件。这大概是一件很麻烦的事，同时失去了Elasticsearch的近实时查询能力。

尽管Mongo Connector自第一次发布后有了长足的改进，但它仍然是一个实验性的产品，且没有MongoDB的官方支持。然而，我会一直致力于回答各方问题、总结功能请求，并在GithubMongo Connector页面上提交Bug报告，也会检查Github百科页关于Mongo Connector的所有文档。

原文链接： How to Perform Fuzzy-Matching with Mongo Connector and ElasticSearch（翻译/红叶   责编/仲浩）