Mapping 深入：字段类型决定能怎么搜

这一课你将能做到

1. 说清楚 text 与 keyword 的本质区别，并为题库每个字段选对类型
2. 用显式 mapping 创建索引，理解动态 mapping（dynamic mapping）的便利与 mapping 爆炸风险
3. 区分 object、nested、flattened 三种复杂类型，说出选项数组在 object 下为什么会「串味」

为什么要学

很多人第一次用 ES 是「直接写文档，类型自动猜」——这在演示里很爽，在生产里是事故来源。ES 会为每个新字段自动创建倒排索引：你把 "difficulty": "2" 写进去，它可能猜成文本类型，之后范围查询、按难度排序全部失败；你在 JSON 里随手塞一个带时间戳的嵌套对象，字段数无限膨胀，最终撑爆集群元数据。

人话：mapping 就是 ES 世界的「建表语句（DDL）」。MySQL 里你得先定义 difficulty INT，ES 里同样要定义 difficulty: integer。区别在于 ES 允许你不定义、它替你猜——猜对了省事，猜错了要重建索引才能改（字段类型不能原地修改，只能 reindex）。所以 mapping 是 ES 学习中「偷懒代价最大」的一块。

先建立图像

text 与 keyword 对同一个值「Spring 事务管理」的处理：

text 类型（lessonTitle）：
  写入时经过分词器 → ["spring", "事务", "管理"]
  用途：match 全文搜索，搜「事务」能中
  不能：精确等值、排序、聚合（默认）

keyword 类型（lessonTitle.keyword）：
  写入时整串不分词 → "Spring 事务管理" 一个词项
  用途：term 精确过滤、排序、terms 聚合（如按课时分组统计）
  不能：搜「事务」两个字命中整句

常见类型速查：

类型	用途	题库字段
text	全文检索内容	stem、analysis、lessonTitle
keyword	精确值/枚举/标签	tags、courseId、answer
integer/byte	整数范围与排序	difficulty（1–5）
date	日期	updatedAt
boolean	布尔	published
dense_vector	向量（第 9 课）	embedding

跟着做

步骤 1：显式 mapping 创建题库索引

curl -u elastic:abcd1234 -X PUT "http://localhost:9200/questions" -H "Content-Type: application/json" -d'
{
  "mappings": {
    "properties": {
      "stem":       { "type": "text" },
      "analysis":   { "type": "text" },
      "options":    { "type": "text" },
      "answer":     { "type": "keyword" },
      "tags":       { "type": "keyword" },
      "courseId":   { "type": "keyword" },
      "lessonId":   { "type": "keyword" },
      "lessonTitle":{
        "type": "text",
        "fields": {
          "keyword": { "type": "keyword", "ignore_above": 256 }
        }
      },
      "difficulty": { "type": "byte" },
      "published":  { "type": "boolean" },
      "updatedAt":  { "type": "date", "format": "yyyy-MM-dd||epoch_millis" }
    }
  }
}'

注意 lessonTitle 用了多字段（fields）：一个字段同时建两份索引，lessonTitle 走分词用于全文搜，lessonTitle.keyword 不分词用于排序聚合。这是 ES 的惯用手法，动态 mapping 给字符串自动加 .keyword 子字段也是这个原因。

步骤 2：查看 mapping 与字段能力

curl -u elastic:abcd1234 "http://localhost:9200/questions/_mapping?pretty"

# 查看某个字段
curl -u elastic:abcd1234 "http://localhost:9200/questions/_mapping/field/tags?pretty"

步骤 3：实验 dynamic 的三种策略

先看默认行为：写入一个 mapping 里没有的新字段，ES 自动推断并加入 mapping。然后试试严格模式，建新索引时设置：

curl -u elastic:abcd1234 -X PUT "http://localhost:9200/questions_strict" -H "Content-Type: application/json" -d'
{
  "mappings": {
    "dynamic": "strict",
    "properties": {
      "stem": { "type": "text" }
    }
  }
}'

此时写入带未知字段的文档会直接报错（400），强制你先改 mapping 再写。三种策略对比：

true（默认）  未知字段自动推断加入 mapping —— 方便，但可能猜不准、字段失控
false         未知字段被存入 _source 但不建索引 —— 存得下、搜不到，适合临时宽容
strict        未知字段直接拒绝写入 —— 最可控，推荐生产核心索引用

步骤 4：object 与 nested 的「串味」实验

题目有多条评论（数组对象），用默认 object 类型写入：

curl -u elastic:abcd1234 -X PUT "http://localhost:9200/questions/_doc/99" -H "Content-Type: application/json" -d'
{
  "stem": "测试题",
  "comments": [
    { "user": "张三", "content": "讲得好" },
    { "user": "李四", "content": "没看懂" }
  ]
}'

ES 对 object 数组会拍平成：

comments.user:    ["张三", "李四"]
comments.content: ["讲得好", "没看懂"]

两个数组之间的归属关系丢失了！于是搜「张三 且 content=没看懂」竟然会命中——张三从没说过没看懂。需要保留对象内部边界时，字段必须声明为 nested：

"comments": {
  "type": "nested",
  "properties": {
    "user":    { "type": "keyword" },
    "content": { "type": "text" }
  }
}

nested 把数组中每个对象索引成独立的隐藏文档，查询时也要用专门的 nested 查询（第 5 课演示）。

步骤 5：类型写错后如何「改」

字段类型不能原地修改。正确路径是：新建一个 mapping 正确的索引 → reindex 搬数据 → 切换别名：

curl -u elastic:abcd1234 -X POST "http://localhost:9200/_reindex" -H "Content-Type: application/json" -d'
{
  "source": { "index": "questions_v1" },
  "dest":   { "index": "questions_v2" }
}'

所以生产索引从第一天就该用别名（alias）访问，应用只认别名，重建时切换别名零停机。

讲清楚要点

1. 选型口诀：要被「按词搜索」的内容用 text；要被「精确匹配、分组、排序」的值用 keyword；拿不准的文本就多字段（text + keyword 子字段）。标签、ID、枚举一律 keyword，哪怕它长得像数字——不参与算术的数字没必要用数值类型，keyword 聚合更快。
2. dynamic mapping 的推断规则：字符串→text+keyword 子字段；整数→long；小数→float；布尔→boolean；日期格式字符串→date。注意它只看第一次出现的值，先到 "id": 123 后到 "id": "abc" 就会写入冲突报错。
3. mapping 爆炸：字段数没有硬上限，但每个字段都占集群状态（cluster state）内存。典型事故：把请求参数、用户 ID 直接作为 key 写进对象（如 {"props":{"u_10086":...}}），字段数涨到几十万，master 集群状态更新变慢甚至卡死。对策：dynamic: strict/false，或用 flattened 类型——整个子对象作为单个字段索引，key/value 可查但不产生海量字段。
4. flattened vs nested 是两种极端：nested 保留完整结构、可精确查询对象内部，但成本高（隐藏文档）；flattened 把对象拍平成一个 keyword 字段、防爆炸，但丢失内部归属。外层结构简单、只需要「对象里出现过某值」时选 flattened；选项/评论这类需要「同一对象内多条件」时选 nested。
5. date 与数值类型开启 doc_values：keyword、数值、日期默认写一份列式结构（doc values），支撑排序、聚合、脚本；text 默认没有 doc_values（fielddata 要慎用，下一课讲）。这也是为什么聚合只能打在 keyword 上。

你可能会懵的地方

• 字段类型为什么不能改？ 倒排索引是按写入时的类型建的：long 的索引结构装不下文本词项。改类型等于重新解析全部 _source 重建整份索引，这就是 reindex 干的事。加新字段、给已有字段加子字段可以，改已有字段类型不行。

• _source 里明明有这个字段，为什么搜不到？ _source 是写入时原始 JSON 的存档，dynamic: false 或 index: false 的字段不建倒排索引——存得下、搜不到。能搜到取决于有没有索引，不取决于在不在 _source 里。

• tags 为什么不用 text？ 标签是「整体」，标签「spring boot」是一个值而不是 spring 和 boot 两个词。term 过滤 tags = "spring boot" 要求词项完全相等；text 会把标签拆开，聚合分组时会按词拆出两组，统计全乱。

• nested 这么好，为什么不所有数组都用 nested？ 每个 nested 元素是独立 Lucene 文档，100 个元素的文档膨胀成 101 个文档，索引体积、查询开销都涨；且 nested 查询结果默认不返回匹配的内部对象，要用 inner_hits。只有确实需要对象内多条件联合时才用。

• ignore_above 是什么？ keyword 字段长度超过阈值（默认 256）就跳过索引（仍在 _source），防止超长字符串变成巨大词项。题干这种长文本不该走 keyword；长枚举值注意调阈值。

错法对照

错法	问题	正解
所有字段都用 text	无法精确过滤、聚合、排序	标签/ID/枚选用 keyword
所有字符串都 keyword	题干无法分词全文搜	长文本用 text 或多字段
放任 dynamic: true 接外部数据	类型猜歪、mapping 爆炸	核心索引 dynamic: strict
选项数组用 object 后做联合查询	拍平丢失归属，假命中	联合条件必须 nested
应用直连物理索引名	改 mapping 要停机	别名 + reindex 切换
把数值 ID 建成 long	精确查、聚合没问题但无必要	ID 类用 keyword

卡点急救

1. 写入报 mapper_parsing_exception：多半是类型冲突——同名字段先按 A 类型建过索引，现在传 B 类型值。先 _mapping 查实际类型；必须改就走 reindex 流程，别尝试硬写。
2. terms 聚合报 fielddata 警告或结果怪异：你对 text 字段聚合了。改用 字段.keyword；若 mapping 里没有 keyword 子字段，加子字段后对新写入生效，历史数据需 reindex。
3. 集群字段数失控、master 变慢：立刻排查产生动态 key 的字段，对该字段改用 flattened 或 dynamic: false 止损；已产生的垃圾字段只能通过 reindex 到干净索引清除。

面试常问

• text 和 keyword 有什么区别？ text 写入时分词，建立分词后的倒排索引，用于全文检索，默认不支持排序聚合；keyword 整体作为一个词项不分词，用于精确匹配、排序、terms 聚合。常见做法是多字段：text 主字段加 keyword 子字段，一份数据两种用法。

• 什么是 mapping 爆炸？怎么防？ ES 为每个字段维护集群状态元数据，当字段数无界增长（如把用户 ID、参数名当 JSON key）会耗尽 master 堆内存、拖慢集群状态更新。防御：dynamic 设为 strict 或 false、使用 flattened 类型收敛字段、配合别名和 reindex 定期清理。

• nested 和 object 的区别？ object 数组会被拍平成多值平行字段，元素内部字段间的对应关系丢失，跨对象条件会产生假命中；nested 把每个数组元素索引为独立隐藏文档，保留内部边界，配合 nested 查询实现对象内联合过滤，代价是文档和索引开销增大。

自测三问

1. 题库字段 answer、tags、analysis 分别该是什么类型？为什么？
2. 一道题有多份「纠错记录」（每条含 user 和 reason），要查「张三提的且包含‘答案错误’的记录」，用 object 会发生什么？该怎么建？
3. 为什么推荐应用只通过别名访问索引？结合 reindex 流程解释。

小结一句话

mapping 是 ES 的建表语句，字段类型决定索引结构和搜索方式：text 管分词全文搜、keyword 管精确与聚合，生产索引用显式 mapping + strict + 别名，把「重建」的退路提前留好。

延伸

• Mapping
• Field data types
• Using nested fields
• 下一课：索引与文档操作——单条 CRUD、批量写入怎么调优，以及 reindex 的实战场景。