ElasticSearch Full-text Search สร้างระบบค้นหาอัจฉริยะ

ในยุคที่ข้อมูลท่วมท้น การค้นหาสิ่งที่ต้องการอย่างรวดเร็วและแม่นยำไม่ใช่แค่ความสะดวกสบายอีกต่อไป แต่เป็นปัจจัยสำคัญที่ขับเคลื่อนความสำเร็จของธุรกิจและสร้างประสบการณ์ที่ดีให้กับผู้ใช้งานครับ ไม่ว่าจะเป็นเว็บไซต์อีคอมเมิร์ซที่ต้องการให้ลูกค้าหาสินค้าที่ถูกใจได้ในพริบตา ระบบจัดการเอกสารภายในองค์กรที่ต้องค้นหาข้อมูลสำคัญได้อย่างรวดเร็ว หรือแม้แต่แอปพลิเคชันข่าวสารที่ต้องการแสดงบทความที่เกี่ยวข้อง การสร้างระบบค้นหาที่มีประสิทธิภาพจึงเป็นหัวใจสำคัญ และนี่คือจุดที่ Elasticsearch เข้ามามีบทบาทสำคัญในการเปลี่ยนระบบค้นหาธรรมดาให้กลายเป็นระบบอัจฉริยะที่เข้าใจความต้องการของผู้ใช้ได้อย่างลึกซึ้งครับ

สารบัญ

• Elasticsearch คืออะไร: ทำไมต้องเป็นเครื่องมือนี้?
• ทำความเข้าใจ Full-text Search: มากกว่าแค่การจับคู่คำ
• ทำไม Elasticsearch จึงเป็นตัวเลือกที่ดีที่สุดสำหรับ Full-text Search?
• แก่นแท้ของ Elasticsearch: โครงสร้างและแนวคิดสำคัญ
  • Nodes และ Clusters
  • Indices, Types และ Documents
  • Shards และ Replicas
  • Mapping
  • Analyzers: หัวใจของการค้นหาอัจฉริยะ
• การเริ่มต้นใช้งาน Elasticsearch: ติดตั้งและตั้งค่าเบื้องต้น
  • การติดตั้ง Elasticsearch
  • การติดตั้ง Kibana (เครื่องมือบริหารจัดการและแสดงผล)
• การนำข้อมูลเข้าสู่ Elasticsearch: ทำให้ข้อมูล “ค้นหาได้”
  • โครงสร้างของ Document
  • การใช้ REST API ในการ Indexing ข้อมูล
  • การ Indexing ข้อมูลจำนวนมาก (Bulk Indexing)
  • การกำหนด Custom Mapping สำหรับข้อมูล
• เจาะลึกฟังก์ชัน Full-text Search อัจฉริยะใน Elasticsearch
  • Match Query: การค้นหาพื้นฐานแต่ทรงพลัง
  • Multi-Match Query: ค้นหาในหลายฟิลด์พร้อมกัน
  • Phrase Match Query: ค้นหาวลีที่ตรงกัน
  • Fuzzy Search: ค้นหาแม้สะกดผิด
  • Prefix และ Wildcard Query: ค้นหาด้วยรูปแบบ
  • Boosting: กำหนดความสำคัญของฟิลด์
  • Highlighting: เน้นคำที่ค้นหาพบ
  • Synonyms: เพิ่มความเข้าใจให้กับการค้นหา
  • Stop Words: กรองคำที่ไม่จำเป็น
  • การสร้าง Custom Analyzer สำหรับภาษาไทย
  • Aggregations: การวิเคราะห์และสรุปข้อมูล
  • Suggesters: ระบบแนะนำคำค้นหาอัจฉริยะ
• การปรับแต่งประสิทธิภาพและ Scale ระบบ Elasticsearch
  • การปรับ Shards และ Replicas
  • การปรับแต่ง Query
  • การปรับขนาดฮาร์ดแวร์
  • การใช้ Caching
• Elasticsearch vs. RDBMS: เมื่อไหร่ที่ควรเลือกอะไร?
• การผสานรวม Elasticsearch เข้ากับแอปพลิเคชัน
• เคล็ดลับและแนวปฏิบัติที่ดีที่สุดในการใช้งาน Elasticsearch
• คำถามที่พบบ่อย (FAQ)
• สรุปและ Call to Action

Elasticsearch คืออะไร: ทำไมต้องเป็นเครื่องมือนี้?

Elasticsearch คือ Search Engine แบบกระจายศูนย์ (Distributed Search Engine) ที่ถูกสร้างขึ้นบนพื้นฐานของ Apache Lucene ครับ มันไม่เพียงแค่ทำหน้าที่เป็นฐานข้อมูล NoSQL ที่เก็บข้อมูลในรูปแบบ JSON แต่ยังโดดเด่นอย่างมากในการค้นหาข้อความเต็มรูปแบบ (Full-text Search) ได้อย่างรวดเร็ว มีประสิทธิภาพ และมีความสามารถในการปรับขนาด (Scalability) สูงมาก

ลองนึกภาพว่าคุณมีข้อมูลจำนวนมหาศาล ไม่ว่าจะเป็นบทความหลายล้านชิ้น, บันทึก Log เป็นพันล้านรายการ, ข้อมูลสินค้าในอีคอมเมิร์ซนับแสนรายการ หรือแม้แต่ข้อมูลผู้ใช้งาน การค้นหาคำสำคัญ (keywords) ในข้อมูลเหล่านี้ด้วยฐานข้อมูลเชิงสัมพันธ์ (Relational Database) แบบดั้งเดิมอาจทำได้ แต่ก็มักจะช้าและไม่ยืดหยุ่นเท่าที่ควรครับ

Elasticsearch ถูกออกแบบมาเพื่อแก้ปัญหานี้โดยเฉพาะ ด้วยสถาปัตยกรรมที่ช่วยให้คุณสามารถค้นหาข้อมูลที่เกี่ยวข้องที่สุดได้ในเวลาไม่กี่มิลลิวินาที แม้ว่าข้อมูลจะมีขนาดใหญ่แค่ไหนก็ตาม นอกจากนี้ยังมาพร้อมกับฟีเจอร์การวิเคราะห์ข้อมูล (Analytics) และการแสดงผล (Visualization) ผ่าน Kibana ซึ่งเป็นเครื่องมือคู่ขวัญ ทำให้มันเป็นมากกว่าแค่ Search Engine แต่เป็นแพลตฟอร์มสำหรับการค้นหา วิเคราะห์ และแสดงผลข้อมูลแบบเรียลไทม์ที่ครบวงจรเลยทีเดียวครับ

ทำความเข้าใจ Full-text Search: มากกว่าแค่การจับคู่คำ

ก่อนที่เราจะดำดิ่งสู่โลกของ Elasticsearch อย่างลึกซึ้ง เรามาทำความเข้าใจแนวคิดของ Full-text Search กันก่อนครับ

การค้นหาแบบ Full-text Search ไม่ใช่แค่การค้นหาคำที่ตรงกันเป๊ะๆ (exact match) เหมือนกับการใช้ LIKE '%keyword%' ใน SQL ครับ แต่มันคือการค้นหาที่ “เข้าใจ” ความหมายของข้อความ, จัดลำดับความเกี่ยวข้องของผลลัพธ์ (relevance scoring), และสามารถจัดการกับความซับซ้อนของภาษามนุษย์ได้ เช่น:

• การจัดการกับคำพ้องความหมาย (Synonyms): เมื่อค้นหา “รถยนต์” ก็อาจจะเจอ “รถเก๋ง” หรือ “ยานพาหนะ”
• การจัดการกับการสะกดผิด (Typo Tolerance / Fuzzy Search): ค้นหา “comptuer” แล้วยังเจอ “computer”
• การจัดการกับรูปแบบคำที่แตกต่างกัน (Stemming / Lemmatization): ค้นหา “วิ่ง” ก็เจอ “วิ่ง”, “วิ่งแล้ว”, “กำลังวิ่ง”
• การจัดการกับ Stop Words: กรองคำทั่วไปที่ไม่ช่วยในการค้นหา เช่น “a”, “an”, “the”, “และ”, “เป็น”, “มี”
• การจัดลำดับความเกี่ยวข้อง (Relevance Scoring): ผลลัพธ์ที่ตรงกับคำค้นหามากที่สุด หรือปรากฏบ่อยที่สุด ควรจะถูกจัดให้อยู่ในอันดับต้นๆ
• การค้นหาวลี (Phrase Search): ค้นหา “ระบบค้นหาอัจฉริยะ” เพื่อให้ได้ผลลัพธ์ที่มีคำสามคำนี้เรียงติดกันเท่านั้น

เป้าหมายหลักของ Full-text Search คือการให้ผู้ใช้ได้รับผลลัพธ์ที่ “เกี่ยวข้องที่สุด” กับความตั้งใจในการค้นหาของพวกเขา ไม่ใช่แค่ผลลัพธ์ที่มีคำนั้นๆ ปรากฏอยู่เท่านั้นครับ

ทำไม Elasticsearch จึงเป็นตัวเลือกที่ดีที่สุดสำหรับ Full-text Search?

Elasticsearch มีข้อดีหลายประการที่ทำให้มันโดดเด่นในการเป็นแพลตฟอร์ม Full-text Search ครับ

1. ความเร็วในการค้นหาที่เหนือกว่า: ด้วยโครงสร้างข้อมูลแบบ Inverted Index ทำให้ Elasticsearch สามารถค้นหาข้อมูลจำนวนมหาศาลได้ในเวลาไม่กี่มิลลิวินาทีครับ
2. ความสามารถในการปรับขนาด (Scalability): ถูกออกแบบมาให้เป็นระบบแบบกระจายศูนย์ ทำให้คุณสามารถเพิ่ม Nodes เข้าไปใน Cluster ได้อย่างง่ายดาย เพื่อรองรับข้อมูลที่เพิ่มขึ้นและการค้นหาที่หนาแน่นขึ้น
3. ความยืดหยุ่นในการค้นหา (Rich Query DSL): มี Query DSL (Domain Specific Language) ที่ทรงพลัง ช่วยให้คุณสามารถสร้าง Query ที่ซับซ้อนได้หลากหลายรูปแบบ ไม่ว่าจะเป็นการค้นหาแบบ Fuzzy, Phrase, Wildcard, หรือการค้นหาแบบผสมผสาน
4. การวิเคราะห์ภาษา (Language Analysis): รองรับการวิเคราะห์ภาษาต่างๆ รวมถึงภาษาไทย ทำให้สามารถจัดการกับความซับซ้อนของแต่ละภาษาได้ เช่น การตัดคำ (Tokenization) สำหรับภาษาไทย
5. Relevance Scoring ที่ปรับแต่งได้: ใช้ Algorithm เช่น BM25 ในการคำนวณความเกี่ยวข้องของผลลัพธ์ และคุณยังสามารถปรับแต่ง Boosting เพื่อให้ความสำคัญกับฟิลด์บางฟิลด์ได้
6. Aggregations สำหรับการวิเคราะห์ข้อมูล: ไม่ใช่แค่ค้นหา แต่ยังสามารถรวมกลุ่ม, นับ, หาค่าเฉลี่ย, และวิเคราะห์ข้อมูลในรูปแบบต่างๆ ได้แบบเรียลไทม์ ทำให้คุณสามารถสร้าง Dashboards หรือ Faceted Search ได้อย่างง่ายดาย
7. ระบบ Ecosystem ที่สมบูรณ์: เป็นส่วนหนึ่งของ Elastic Stack (เดิมคือ ELK Stack) ซึ่งประกอบด้วย Elasticsearch, Kibana, Logstash, และ Beats ทำให้คุณมีเครื่องมือครบครันตั้งแต่การเก็บข้อมูล, ประมวลผล, ค้นหา, ไปจนถึงการแสดงผลครับ

แก่นแท้ของ Elasticsearch: โครงสร้างและแนวคิดสำคัญ

การทำความเข้าใจแนวคิดพื้นฐานของ Elasticsearch เป็นสิ่งสำคัญในการใช้งานมันอย่างมีประสิทธิภาพครับ

Nodes และ Clusters

• Node: คือ Server หนึ่งเครื่องที่รัน Elasticsearch Instance ครับ แต่ละ Node จะเป็นส่วนหนึ่งของ Cluster
• Cluster: คือกลุ่มของ Nodes ที่ทำงานร่วมกันเพื่อเก็บข้อมูลทั้งหมดและให้ความสามารถในการค้นหาแบบกระจายศูนย์ Cluster เดียวสามารถมี Nodes ได้หลายตัว และ Nodes เหล่านี้จะทำงานร่วมกันเพื่อเพิ่มความน่าเชื่อถือ (Reliability) และ Scalability ครับ

Indices, Types และ Documents

• Document: คือหน่วยข้อมูลพื้นฐานที่สุดใน Elasticsearch เปรียบเสมือน Row หนึ่งในฐานข้อมูลเชิงสัมพันธ์ หรือ JSON Object หนึ่ง Object ครับ แต่ละ Document จะมี ID ที่ไม่ซ้ำกัน
• Index: คือ Collection ของ Documents ที่มีโครงสร้างคล้ายกัน เปรียบเสมือน Database หนึ่งใน RDBMS หรือ Collection หนึ่งใน MongoDB ครับ ในหนึ่ง Cluster สามารถมีได้หลาย Index
• Type: ใน Elasticsearch เวอร์ชั่นเก่า (ก่อน 6.x) จะมีแนวคิดเรื่อง Type ซึ่งเปรียบเสมือน Table หนึ่งใน RDBMS แต่ในเวอร์ชั่นใหม่ๆ (ตั้งแต่ 7.x ขึ้นไป) ได้มีการยกเลิกแนวคิดนี้ไปแล้ว โดยถือว่าแต่ละ Index ควรมี Type เดียว หรือไม่มี Type เลย เพื่อความเรียบง่ายและประสิทธิภาพที่ดีขึ้นครับ ปัจจุบัน Document ทั้งหมดใน Index จะถูกจัดเก็บใน Type เดียวกันที่ชื่อว่า _doc โดยปริยาย

Shards และ Replicas

• Shard: คือหน่วยย่อยของ Index ครับ เมื่อ Index มีขนาดใหญ่เกินไป Elasticsearch จะแบ่ง Index ออกเป็น Shards เล็กๆ หลายๆ Shard ซึ่งแต่ละ Shard ก็เป็น Lucene Index ตัวหนึ่ง Shards ช่วยให้ Elasticsearch สามารถกระจายข้อมูลและ Query Load ไปยังหลาย Nodes ได้ ทำให้เพิ่มประสิทธิภาพในการค้นหาและความสามารถในการปรับขนาด
• Primary Shard: คือ Shard ต้นฉบับที่เก็บข้อมูลจริง
• Replica Shard: คือสำเนาของ Primary Shard ครับ Replica Shards มีสองวัตถุประสงค์หลักคือ
  1. เพิ่มความน่าเชื่อถือ (High Availability): หาก Primary Shard เกิดปัญหา Replica Shard สามารถขึ้นมาทดแทนได้ทันที
  2. เพิ่มประสิทธิภาพในการค้นหา: Query สามารถถูกส่งไปยัง Primary Shard หรือ Replica Shard ก็ได้ ทำให้สามารถรองรับ Query Concurrent ได้มากขึ้น

  คุณสามารถกำหนดจำนวน Primary Shards และ Replica Shards ได้เมื่อสร้าง Index ครับ

Mapping

Mapping คือ Schema ของ Index ครับ มันจะกำหนดว่าแต่ละฟิลด์ (field) ใน Document ควรจะเป็นข้อมูลประเภทใด (เช่น text, keyword, integer, date, boolean, geo_point) และควรจะถูกประมวลผลอย่างไร (เช่น ใช้ Analyzer ตัวไหนสำหรับฟิลด์ text)

Elasticsearch สามารถทำ Dynamic Mapping ได้ ซึ่งหมายความว่าเมื่อคุณ Index Document แรกเข้าไป Elasticsearch จะพยายามเดาประเภทข้อมูลของแต่ละฟิลด์ให้เอง แต่เพื่อประสิทธิภาพที่ดีที่สุดและเพื่อควบคุมการทำงานของ Full-text Search คุณควรกำหนด Custom Mapping ด้วยตัวเองครับ

PUT /my_articles
{
  "mappings": {
    "properties": {
      "title": {
        "type": "text",
        "analyzer": "thai" 
      },
      "content": {
        "type": "text",
        "analyzer": "thai",
        "fields": {
          "keyword": { 
            "type": "keyword",
            "ignore_above": 256 
          }
        }
      },
      "author": {
        "type": "keyword"
      },
      "publish_date": {
        "type": "date"
      }
    }
  }
}

ในตัวอย่างข้างต้น title และ content ถูกกำหนดให้เป็น text type และใช้ thai analyzer ซึ่งเป็นสิ่งสำคัญสำหรับการค้นหาภาษาไทยครับ ส่วน author ถูกกำหนดเป็น keyword ซึ่งเหมาะสำหรับการค้นหาแบบตรงตัวหรือใช้ใน Aggregations ครับ

Analyzers: หัวใจของการค้นหาอัจฉริยะ

Analyzer คือส่วนประกอบสำคัญที่ทำให้ Full-text Search ใน Elasticsearch ฉลาดขึ้นครับ มันคือกระบวนการที่เกิดขึ้นเมื่อข้อมูลถูก Index (และเมื่อ Query ถูกส่งเข้ามา) โดยมีขั้นตอนหลักๆ ดังนี้:

1. Character Filters: ประมวลผลข้อความก่อนที่จะถูก Tokenize เช่น ลบ HTML tags, แปลงอักขระพิเศษ
2. Tokenizer: ตัดข้อความออกเป็น “Tokens” หรือ “Terms” (คำเดี่ยวๆ) เช่น แยกประโยค “ระบบค้นหาอัจฉริยะ” ออกเป็น “ระบบ”, “ค้นหา”, “อัจฉริยะ”
3. Token Filters: ประมวลผล Tokens ที่ได้จาก Tokenizer อีกครั้ง เช่น
   • Lowercase Token Filter: แปลง Tokens ให้เป็นตัวพิมพ์เล็กทั้งหมด
   • Stop Words Token Filter: ลบคำที่ไม่ช่วยในการค้นหาออก (เช่น “the”, “a”, “และ”, “เป็น”)
   • Stemming Token Filter: ลดรูปคำให้เป็นรากศัพท์ (เช่น “running” -> “run”)
   • Synonym Token Filter: แทนที่คำด้วยคำพ้องความหมาย

Elasticsearch มี Analyzers มาตรฐานให้เลือกใช้หลายตัว เช่น standard, english, simple, whitespace แต่คุณสามารถสร้าง Custom Analyzer ของตัวเองได้เพื่อรองรับความต้องการเฉพาะ โดยเฉพาะอย่างยิ่งสำหรับภาษาไทยที่ต้องมีการตัดคำที่ซับซ้อนครับ

การเริ่มต้นใช้งาน Elasticsearch: ติดตั้งและตั้งค่าเบื้องต้น

การติดตั้ง Elasticsearch นั้นไม่ซับซ้อนครับ โดยทั่วไปแล้วจะมีการติดตั้ง Java Development Kit (JDK) ก่อน เนื่องจาก Elasticsearch พัฒนาด้วย Java

การติดตั้ง Elasticsearch

คุณสามารถดาวน์โหลด Elasticsearch ได้จากเว็บไซต์ทางการ หรือติดตั้งผ่าน Package Manager ต่างๆ (เช่น apt สำหรับ Debian/Ubuntu, yum สำหรับ CentOS/RHEL) ครับ

# ตัวอย่างการติดตั้งบน Ubuntu/Debian
# 1. ติดตั้ง GPG key
wget -qO - https://artifacts.elastic.co/GPG-KEY-elasticsearch | sudo gpg --dearmor -o /usr/share/keyrings/elastic.gpg

# 2. เพิ่ม Repository
echo "deb [signed-by=/usr/share/keyrings/elastic.gpg] https://artifacts.elastic.co/packages/8.x/apt stable main" | sudo tee /etc/apt/sources.list.d/elastic-8.x.list

# 3. อัปเดตและติดตั้ง Elasticsearch
sudo apt update
sudo apt install elasticsearch

# 4. เริ่มต้นและเปิดใช้งาน Elasticsearch service
sudo systemctl start elasticsearch
sudo systemctl enable elasticsearch

# 5. ตรวจสอบสถานะ (รอสักครู่เพื่อให้ Node เริ่มต้นทำงาน)
curl -X GET "localhost:9200/?pretty"

หากติดตั้งสำเร็จ คุณจะเห็นข้อมูล Cluster และ Node ของคุณครับ

การติดตั้ง Kibana (เครื่องมือบริหารจัดการและแสดงผล)

Kibana เป็น Web UI ที่ช่วยให้คุณสามารถโต้ตอบกับ Elasticsearch ได้ง่ายขึ้น ทั้งการ Query, การสร้าง Visualization, และ Dashboards

# ตัวอย่างการติดตั้งบน Ubuntu/Debian
# 1. ติดตั้ง Kibana (ใช้ Repository เดียวกัน)
sudo apt install kibana

# 2. เริ่มต้นและเปิดใช้งาน Kibana service
sudo systemctl start kibana
sudo systemctl enable kibana

# 3. ตรวจสอบสถานะ (รอสักครู่)
# โดยปกติ Kibana จะรันบน port 5601

เมื่อ Kibana ทำงาน คุณสามารถเข้าถึงได้ผ่าน Web Browser ที่ http://localhost:5601 ครับ คุณจะสามารถเข้าใช้งาน Dev Tools ใน Kibana เพื่อส่งคำสั่ง REST API ไปยัง Elasticsearch ได้อย่างสะดวกสบายครับ

การนำข้อมูลเข้าสู่ Elasticsearch: ทำให้ข้อมูล “ค้นหาได้”

การนำข้อมูลเข้าสู่ Elasticsearch หรือที่เรียกว่า Indexing คือกระบวนการที่ทำให้ข้อมูลของคุณพร้อมสำหรับการค้นหาและวิเคราะห์ครับ

โครงสร้างของ Document

Document ใน Elasticsearch เป็น JSON Object ที่มีความยืดหยุ่นสูง ไม่มี Schema ที่ตายตัวเหมือนตารางใน RDBMS เว้นแต่คุณจะกำหนด Mapping ขึ้นมาเองครับ

{
  "title": "Elasticsearch Full-text Search สร้างระบบค้นหาอัจฉริยะ",
  "content": "บทความนี้จะพาคุณไปเจาะลึกการสร้างระบบค้นหาที่ทรงพลังด้วย Elasticsearch พร้อมตัวอย่างและแนวปฏิบัติที่ดีที่สุด",
  "author": "SiamLancard Team",
  "tags": ["elasticsearch", "fulltext search", "search engine", "เทคโนโลยี"],
  "publish_date": "2023-10-27T10:00:00Z",
  "views": 1500
}

แต่ละฟิลด์ (field) ใน Document จะถูกจัดเก็บและประมวลผลตาม Mapping ที่กำหนดไว้ครับ

การใช้ REST API ในการ Indexing ข้อมูล

คุณสามารถ Index Document ทีละรายการได้โดยใช้ HTTP PUT หรือ POST Request ไปยัง Endpoint ที่ระบุ Index และ ID ของ Document ครับ

# Indexing Document ด้วย ID ที่กำหนดเอง
PUT /articles/_doc/1
{
  "title": "การติดตั้ง Elasticsearch และ Kibana",
  "content": "บทความนี้สอนวิธีการติดตั้ง Elasticsearch และ Kibana บน Ubuntu/Debian อย่างละเอียด",
  "author": "Admin",
  "tags": ["ติดตั้ง", "elasticsearch", "kibana", "ubuntu"],
  "publish_date": "2023-10-25T09:30:00Z"
}

# Indexing Document โดยให้ Elasticsearch สร้าง ID ให้เอง
POST /articles/_doc
{
  "title": "ทำความเข้าใจ Shards และ Replicas",
  "content": "ความสำคัญของ Shards และ Replicas ในการทำ Scaling และ High Availability ของ Elasticsearch",
  "author": "DevOps Guy",
  "tags": ["shard", "replica", "scaling", "high availability"],
  "publish_date": "2023-10-26T11:00:00Z"
}

การ Indexing ข้อมูลจำนวนมาก (Bulk Indexing)

สำหรับการนำข้อมูลจำนวนมากเข้าสู่ Elasticsearch การใช้ Bulk API จะมีประสิทธิภาพมากกว่าการ Index ทีละ Document มากครับ Bulk API ช่วยให้คุณส่งหลายๆ Operation (Index, Create, Update, Delete) ใน Request เดียวได้

POST /_bulk
{"index": {"_index": "articles", "_id": "3"}}
{"title": "แนวคิดของ Analyzers ใน Elasticsearch", "content": "Analyzers คืออะไร ประกอบด้วยอะไรบ้าง และมีความสำคัญอย่างไร", "author": "Data Scientist", "tags": ["analyzer", "tokenization", "fulltext search"], "publish_date": "2023-10-27T12:00:00Z"}
{"index": {"_index": "articles", "_id": "4"}}
{"title": "เปรียบเทียบ Elasticsearch กับฐานข้อมูลทั่วไป", "content": "ข้อดีข้อเสียและความเหมาะสมในการใช้งาน Elasticsearch เทียบกับ RDBMS", "author": "Architect", "tags": ["comparison", "rdbms", "nosql"], "publish_date": "2023-10-28T14:00:00Z"}

แต่ละบรรทัดใน Bulk Request จะต้องปิดท้ายด้วย newline character (\n) และ Request สุดท้ายก็ต้องมี \n ปิดท้ายด้วยครับ

การกำหนด Custom Mapping สำหรับข้อมูล

อย่างที่กล่าวไปข้างต้น การกำหนด Mapping เป็นสิ่งสำคัญเพื่อให้ Elasticsearch ประมวลผลข้อมูลได้อย่างถูกต้อง โดยเฉพาะอย่างยิ่งสำหรับฟิลด์ที่เป็นข้อความเพื่อใช้ Full-text Search

PUT /my_articles
{
  "settings": {
    "analysis": {
      "analyzer": {
        "thai_analyzer": {
          "tokenizer": "thai",
          "filter": ["lowercase"]
        }
      }
    }
  },
  "mappings": {
    "properties": {
      "title": {
        "type": "text",
        "analyzer": "thai_analyzer" 
      },
      "content": {
        "type": "text",
        "analyzer": "thai_analyzer"
      },
      "category": {
        "type": "keyword" 
      },
      "price": {
        "type": "float"
      },
      "stock": {
        "type": "integer"
      },
      "description": {
        "type": "text",
        "analyzer": "thai_analyzer"
      }
    }
  }
}

ในตัวอย่างนี้ เราได้กำหนด Custom Analyzer ชื่อ thai_analyzer ที่ใช้ thai tokenizer (ซึ่งต้องติดตั้ง Elasticsearch Thai Analyzer Plugin เพิ่มเติม) และ lowercase filter ครับ จากนั้นก็นำ Analyzer นี้ไปใช้กับฟิลด์ title, content และ description

เจาะลึกฟังก์ชัน Full-text Search อัจฉริยะใน Elasticsearch

Elasticsearch มี Query DSL (Domain Specific Language) ที่ทรงพลังและยืดหยุ่นมาก ช่วยให้คุณสามารถสร้าง Query ที่หลากหลายและซับซ้อนได้ครับ

Match Query: การค้นหาพื้นฐานแต่ทรงพลัง

match query เป็น Query ที่ใช้บ่อยที่สุดสำหรับการค้นหาข้อความเต็มรูปแบบครับ มันจะประมวลผลคำค้นหาด้วย Analyzer เดียวกับที่ใช้กับฟิลด์ที่ถูก Query

GET /articles/_search
{
  "query": {
    "match": {
      "content": "การติดตั้ง Kibana"
    }
  }
}

ถ้า content ฟิลด์ใช้ thai_analyzer คำว่า “การติดตั้ง Kibana” จะถูกตัดคำและประมวลผลก่อนนำไปค้นหาครับ

Multi-Match Query: ค้นหาในหลายฟิลด์พร้อมกัน

หากคุณต้องการค้นหาคำค้นหาเดียวกันในหลายๆ ฟิลด์พร้อมกัน multi_match query คือคำตอบครับ

GET /articles/_search
{
  "query": {
    "multi_match": {
      "query": "Elasticsearch คืออะไร",
      "fields": ["title", "content", "tags"]
    }
  }
}

คุณสามารถกำหนด Boost ให้กับแต่ละฟิลด์ได้ เพื่อให้ฟิลด์บางฟิลด์มีความสำคัญมากกว่าฟิลด์อื่นในการคำนวณ Relevance Score ครับ

Phrase Match Query: ค้นหาวลีที่ตรงกัน

บางครั้งเราต้องการค้นหาคำหลายคำที่ปรากฏเรียงติดกันเป็นวลี match_phrase query จะช่วยในเรื่องนี้ครับ

GET /articles/_search
{
  "query": {
    "match_phrase": {
      "content": "ระบบค้นหาอัจฉริยะ"
    }
  }
}

ผลลัพธ์ที่ได้จะมีเฉพาะ Document ที่มีคำว่า “ระบบ”, “ค้นหา”, “อัจฉริยะ” เรียงติดกันตามลำดับเท่านั้นครับ คุณยังสามารถใช้ slop parameter เพื่ออนุญาตให้มีคำอื่นแทรกอยู่ระหว่างคำในวลีได้บ้าง

Fuzzy Search: ค้นหาแม้สะกดผิด

หนึ่งในความสามารถที่ทำให้การค้นหาฉลาดขึ้นคือ fuzzy search ที่ช่วยให้ค้นหาคำที่สะกดผิดได้ โดยใช้หลักการของ Levenshtein distance (หรือ Edit Distance) ครับ

GET /articles/_search
{
  "query": {
    "match": {
      "title": {
        "query": "Elasticserch",
        "fuzziness": "AUTO" 
      }
    }
  }
}

fuzziness สามารถกำหนดเป็นตัวเลข (จำนวนการแก้ไขที่ยอมรับได้) หรือ AUTO เพื่อให้ Elasticsearch คำนวณค่าที่เหมาะสมเองครับ

Prefix และ Wildcard Query: ค้นหาด้วยรูปแบบ

• Prefix Query: ค้นหาคำที่ขึ้นต้นด้วย Prefix ที่กำหนด

GET /articles/_search
{
  "query": {
    "prefix": {
      "author": "Adm"
    }
  }
}
    

• Wildcard Query: ค้นหาคำที่มีรูปแบบที่กำหนด โดยใช้ ? แทนอักขระเดี่ยว และ * แทนอักขระหลายตัว

GET /articles/_search
{
  "query": {
    "wildcard": {
      "title": "elas*search?" 
    }
  }
}
    

ควรใช้ Wildcard Query ด้วยความระมัดระวัง เพราะอาจส่งผลกระทบต่อประสิทธิภาพการค้นหาได้ เนื่องจากต้องสแกน Term จำนวนมากครับ

Boosting: กำหนดความสำคัญของฟิลด์

ในบางกรณี เราอาจต้องการให้ผลลัพธ์จากฟิลด์บางฟิลด์มีความสำคัญมากกว่าฟิลด์อื่นในการจัดลำดับความเกี่ยวข้อง คุณสามารถใช้ Boost ได้ครับ

GET /articles/_search
{
  "query": {
    "multi_match": {
      "query": "Elasticsearch",
      "fields": ["title^3", "content", "tags^2"] 
    }
  }
}

ในตัวอย่างนี้ ผลลัพธ์ที่ตรงกับ title จะมีคะแนน Relevance สูงกว่า content ถึง 3 เท่า และสูงกว่า tags 1.5 เท่าครับ

Highlighting: เน้นคำที่ค้นหาพบ

เพื่อช่วยให้ผู้ใช้เห็นว่าคำที่ค้นหาไปปรากฏอยู่ที่ส่วนใดของ Document Elasticsearch มีฟังก์ชัน Highlighting ที่จะส่งข้อความส่วนที่เกี่ยวข้องกลับมาพร้อมกับแท็ก HTML ครับ

GET /articles/_search
{
  "query": {
    "match": {
      "content": "ติดตั้ง Kibana"
    }
  },
  "highlight": {
    "fields": {
      "content": {}
    },
    "pre_tags": [""],
    "post_tags": [""]
  }
}

ผลลัพธ์จะรวมถึงส่วน highlight ที่มีคำที่ค้นหาถูกครอบด้วยแท็ก ครับ

PUT /my_products
{
  "settings": {
    "analysis": {
      "filter": {
        "my_synonym_filter": {
          "type": "synonym",
          "synonyms": [
            "รถยนต์,รถเก๋ง,ยานพาหนะ",
            "มือถือ,โทรศัพท์มือถือ,สมาร์ทโฟน"
          ]
        }
      },
      "analyzer": {
        "my_synonym_analyzer": {
          "tokenizer": "standard",
          "filter": ["lowercase", "my_synonym_filter"]
        }
      }
    }
  },
  "mappings": {
    "properties": {
      "product_name": {
        "type": "text",
        "analyzer": "my_synonym_analyzer"
      },
      "description": {
        "type": "text",
        "analyzer": "my_synonym_analyzer"
      }
    }
  }
}

PUT /my_documents
{
  "settings": {
    "analysis": {
      "filter": {
        "thai_stop": {
          "type": "stop",
          "stopwords": ["และ", "เป็น", "มี", "ว่า", "นี้", "นั้น", "ซึ่ง"] 
        }
      },
      "analyzer": {
        "my_custom_analyzer": {
          "tokenizer": "thai", 
          "filter": ["lowercase", "thai_stop"]
        }
      }
    }
  },
  "mappings": {
    "properties": {
      "text_content": {
        "type": "text",
        "analyzer": "my_custom_analyzer"
      }
    }
  }
}

# ติดตั้ง Thai Analyzer Plugin บน Node ของ Elasticsearch
sudo /usr/share/elasticsearch/bin/elasticsearch-plugin install analysis-thai

# หลังจากติดตั้งแล้ว ต้อง Restart Elasticsearch service
sudo systemctl restart elasticsearch

# ตัวอย่างการทดสอบ Analyzer ใน Kibana Dev Tools
GET /_analyze
{
  "analyzer": "thai_analyzer", 
  "text": "สร้างระบบค้นหาอัจฉริยะด้วย Elasticsearch"
}

GET /articles/_search
{
  "size": 0, 
  "aggs": {
    "articles_by_author": {
      "terms": {
        "field": "author.keyword", 
        "size": 10
      }
    },
    "avg_views": {
      "avg": {
        "field": "views"
      }
    },
    "articles_by_month": {
      "date_histogram": {
        "field": "publish_date",
        "calendar_interval": "month",
        "format": "yyyy-MM"
      }
    }
  }
}