Elasticsearch字频率和关系

Question

我在想，是否有可能在整个索引或别名中得到Elasticsearch字段中前十个最常用的单词。

这里是我想要做的事：

从各种文档类型（的Word，PowerPoint，PDF等）提取

我索引的文本文件，这些进行了分析，并存储在一个名为doc_content场。我想知道是否有一种方法可以找到存储在doc_content字段中的特定索引中最常用的单词。

为了让它更清晰，让我们假设我是索引Amazon和eBay的发票。现在我们假设我有来自亚马逊的100张发票和来自ebay的20张发票。让我们假设在每张亚马逊发票中出现两次“亚马逊”一词，并且在每张ebay发票中出现三次“eBay”一词。

现在，有没有办法获得一个聚合类，告诉我在我的索引200次（100发票×2次发生/发票）出现单词“亚马逊”，单词“eBay”出现60次（ 20张发票×3次发票/发票）。

我的另一个问题是，如果前者是可能的，那么是否有一种方法可以确定某个单词之后最常出现的单词是什么？

例如：让我们假设我有100个文档。这些文件中有60个包含“老猫”一词，40个包含“老狗”一词，为了争辩，我们假设这些词只在每个文件中出现一次。

现在，如果我们能得到这在我们的情况下，应该是100我们才能确定关系随附后马上有这样的事情的话这个词的频率“老”：

   __________ Cat (60) 
       | 
Old (100)-----| 
       |__________ Dog (40) 

Answer 1

要获得期限频率，您可以使用term vectors。但是，您首先必须存储它们，其次，您可以仅检索给定文档。

据我所知，不可能聚合​​超过期限的向量。

也许你可以使用脚本字段实现一些你想要的。但是再次说明，由于安全问题，Groovy目前不受欢迎，并且在脚本字段上的聚合可能非常缓慢。

• Aggregate Terms Usage Count
• elasticsearch - Return term frequency of a single field