Elasticsearch 车牌号片段搜索：n-gram 倒排索引实战方案

当业务需要根据车牌号的任意片段（前缀、中间、后缀）模糊搜索完整号牌时，ES 原生的 keyword 精确匹配和 prefix 前缀查询都无法胜任。本文详细分析如何通过 n-gram 分词器 + 双字段策略，利用倒排索引实现 O(1) 级别的任意片段搜索，并给出完整的索引 Mapping、查询示例和注意事项。

需求背景

某车辆编码登记系统需要支持根据车牌号的部分字符查询完整号牌。典型场景：

输入片段	片段位置	应匹配结果
`京A`	前缀（2位）	京A123456, 京A789012 ...
`234`	中间（3位）	京A123456, 沪B234567 ...
`56`	后缀（2位）	京A123456, 粤C000056 ...

核心难点：片段可能出现在号牌的任意位置，长度不固定（1~多位），这不是简单的"前缀匹配"或"精确匹配"能解决的。

倒排索引能否解决？

能解决，但必须配合 n-gram 分词器。

原生 keyword 类型只支持精确匹配和前缀查询，无法满足"中间/后缀片段"搜索。

标准倒排索引的工作方式：文档经分词后，每个 token 指向包含该 token 的文档列表。如果车牌号 "京A123456" 只作为一个完整 token 存入倒排索引，搜索 "234" 时根本无法命中------倒排表里没有 "234" 这个 token。

而 n-gram 分词器会将 "京A123456" 拆解为所有长度的子串 token，写入倒排索引。查询时片段 "234" 也被分词为 token "234"，直接在倒排表中命中。

匹配流程

复制代码

输入片段 "234"  →  n-gram 分词 (min=2, max=8)  →  生成 token "234"  →  倒排索引命中 (O(1))

Token 生成示例

车牌号 "京A123456" 在 n-gram 分词后产生的 token（min=2, max=8）：

复制代码

京A  A1  12  23  34  45  56  京A1  A12  123  234  345  456  京A12  A123  1234  2345  3456  京A123  ...
                                          ^^^
                                    搜索 "234" 直接命中此 token

n-gram 分词器方案详解

核心设计：双字段策略

字段名	类型	分词器	用途
`plateNumber`	keyword	不分词	精确匹配、排序、聚合
`plateNumberSearch`	text	n-gram 自定义	任意片段模糊搜索

入库时两个字段写入同一个车牌号值，ES 自动对 plateNumberSearch 做 n-gram 分词建倒排索引。

n-gram 分词器原理

n-gram 分词器将输入文本按滑动窗口切分为固定长度范围的子串：

min_gram：子串最小长度
max_gram：子串最大长度
对于 "京A123456"（8字符），min=2/max=8 时生成 (7+6+5+4+3+2+1) = 28 个 token

min_gram / max_gram 参数选择

配置	索引膨胀	查询能力	建议
min=1, max=10	最大	支持单字符搜索	不推荐（1位搜索无实际意义）
min=2, max=8	适中	最少2位片段搜索	推荐方案
min=3, max=6	较小	最少3位片段	索引空间受限时

💡 建议 min=2：1位搜索（如只搜"A"）结果太泛且无实际意义，车牌号至少需要2位片段才有辨识度。百万级车牌、min=2/max=8 的索引体积约为原始数据的 3-5 倍，可控。

索引 Mapping 完整定义

创建索引

json 复制代码

PUT /plate_index
{
  "settings": {
    "max_ngram_diff": 20,
    "analysis": {
      "tokenizer": {
        "plate_ngram_tokenizer": {
          "type": "ngram",
          "min_gram": 2,
          "max_gram": 8
        }
      },
      "analyzer": {
        "plate_ngram_analyzer": {
          "type": "custom",
          "tokenizer": "plate_ngram_tokenizer",
          "filter": ["lowercase"]
        }
      }
    }
  },
  "mappings": {
    "properties": {
      "plateNumber": {
        "type": "keyword"
      },
      "plateNumberSearch": {
        "type": "text",
        "analyzer": "plate_ngram_analyzer"
      },
      "ownerName": {
        "type": "keyword"
      },
      "plateType": {
        "type": "keyword"
      },
      "registerDate": {
        "type": "date",
        "format": "yyyy-MM-dd"
      }
    }
  }
}

全角/半角数字归一化（可选）

如果存在全角数字混入的情况，可添加 char_filter 做归一化：

json 复制代码

"char_filter": {
  "fullwidth_to_halfwidth": {
    "type": "mapping",
    "mappings": [
      "０=>0", "１=>1", "２=>2", "３=>3",
      "４=>4", "５=>5", "６=>6", "７=>7",
      "８=>8", "９=>9"
    ]
  }
}

然后在 analyzer 中引用："char_filter": ["fullwidth_to_halfwidth"]

写入数据示例

json 复制代码

POST /plate_index/_doc/1
{
  "plateNumber": "京A123456",
  "plateNumberSearch": "京A123456",
  "ownerName": "张*",
  "plateType": "电动两轮车",
  "registerDate": "2026-03-15"
}

批量写入（bulk API）

json 复制代码

POST /plate_index/_bulk
{"index":{"_id":"1"}}
{"plateNumber":"京A123456","plateNumberSearch":"京A123456"}
{"index":{"_id":"2"}}
{"plateNumber":"沪B234567","plateNumberSearch":"沪B234567"}

查询方式与示例

基础片段搜索（推荐）

json 复制代码

GET /plate_index/_search
{
  "query": {
    "match": {
      "plateNumberSearch": "234"
    }
  }
}

✅ 不需要 wildcard，不需要 match_phrase ，纯 match 查询即可，走倒排索引，性能 O(1) 级别。

前缀精确搜索

如果明确知道是前缀，直接用 keyword 字段更高效：

json 复制代码

GET /plate_index/_search
{
  "query": {
    "prefix": {
      "plateNumber": "京A"
    }
  }
}

完整号牌精确查询

json 复制代码

GET /plate_index/_search
{
  "query": {
    "term": {
      "plateNumber": "京A123456"
    }
  }
}

片段搜索 + 相关性排序优化

n-gram 字段的 BM25 评分有偏差（短车牌号匹配到的 token 比例更高，得分可能偏高），可用 function_score 校正：

json 复制代码

GET /plate_index/_search
{
  "query": {
    "function_score": {
      "query": {
        "match": { "plateNumberSearch": "234" }
      },
      "functions": [
        {
          "field_value_factor": {
            "field": "plateNumberLength",
            "factor": 0.1,
            "modifier": "log1p"
          }
        }
      ]
    }
  }
}

或在应用层对返回结果做 contains 验证 + 自定义排序。

方案对比

方案	任意位置片段	性能	索引膨胀	实现复杂度	结论
n-gram 分词器	✅ 支持	极快（走倒排）	3-5x	低	✅ 推荐
wildcard `234`	✅ 支持	极慢（全扫描）	无	低	❌ 不可用
keyword prefix	❌ 仅前缀	快	无	低	⚠️ 不满足
CJK + ngram 混合	✅ 支持	快	较大	中	⚠️ 备选
MySQL LIKE	✅ 支持	慢	无	低	❌ 不可用

注意事项

1. 索引膨胀监控

n-gram 的本质是空间换时间 。以 8 位车牌 "京A123456" 为例，min=2/max=8 时生成 28 个 token。百万级车牌约产生 数千万 token ，加上重复合并，实际倒排表条目约 数百万 ，单分片占用约 1-2 GB。

设置 index.max_ngram_diff 足够大（≥20）
定期 _forcemerge 减少段数
监控 store.size 和 segments.memory

2. 中文省份简称处理

车牌号含汉字（京、沪、粤等），n-gram 分词器默认按字符切割，中文字符能正确处理，但需注意：

lowercase filter 对中文无效（中文无大小写），不影响功能但不要期望它过滤中文
如有全角/半角数字混入，需加 char_filter 做归一化

3. 搜索结果排序偏差

match 查询按 BM25 打分，n-gram 字段的评分会出现偏差：短车牌号匹配到的 token 比例更高，得分可能偏高。解决方案：

使用 function_score 校正
结果取回后在应用层做 contains 验证 + 自定义排序

4. 查询片段长度边界

片段长度	行为	处理建议
1 位（如"京"）	若 min_gram=2 则无法命中	应用层拦截，提示"至少输入2位"
2-8 位	正常走 n-gram 倒排索引	标准 `match` 查询
>8 位（如完整号牌）	超出 max_gram，分词后拆为多个 token	直接用 `plateNumber` 字段 `term` 精确查询

5. 数据写入优化

使用 bulk API 批量写入，每批 500-1000 条
写入前禁用 refresh："index.refresh_interval": "-1"
写完后恢复："index.refresh_interval": "1s"
百万级车牌初始导入建议 4-8 个分片

6. 禁止使用 wildcard 查询

⛔ 绝对禁止 在生产环境使用 wildcard 查询（如 *234*）。wildcard 本质是全表逐行正则匹配，百万级数据下会导致 CPU 飙升、查询超时，甚至触发集群熔断。

总结

三步落地：

定义 n-gram 分词器 --- tokenizer 设置 min_gram=2, max_gram=8，搭配 lowercase filter
Mapping 双字段 --- keyword 精确匹配 + text (n-gram) 片段搜索，两字段写入同一个值
查询用 match 走倒排索引 --- 片段搜索用 match，精确/前缀查询用 keyword 字段，禁止 wildcard

n-gram 分词器是解决车牌号片段搜索的标准方案。 核心优势：任意位置片段均可通过倒排索引 O(1) 命中，查询性能稳定。

关键指标预估（百万级车牌）

指标	预估值	说明
索引体积	3-5 GB	原始数据的 3-5 倍
倒排表条目	数百万级	去重后的独立 token 数
片段查询延迟	< 10ms	走倒排索引，P99
精确查询延迟	< 2ms	keyword 字段 term 查询
初始导入时间	5-10 min	bulk + 关闭 refresh