Elasticsearch.NET 8.x 版本中SourceIncludes字段过滤的使用指南
背景介绍
在Elasticsearch.NET客户端库中,字段过滤是一个常见的优化需求。开发者通常只需要检索文档的部分字段而非全部内容,这可以显著减少网络传输数据量并提高查询性能。在NEST客户端中,这一功能通过SourceIncludes方法实现,但在迁移到Elastic.Clients.Elasticsearch 8.x版本时,开发者可能会遇到一些使用上的变化。
新旧版本实现差异
在NEST客户端中,字段过滤的典型实现方式如下:
search = search.Source(s => s
.Includes(i => i
.Fields(
f => f.Id,
f => f.Title
)
)
);
这种方式会在请求体中生成_source.includes字段,明确指定需要返回的字段列表。
而在Elastic.Clients.Elasticsearch 8.x版本中,默认的SourceIncludes方法行为发生了变化:
search = search.SourceIncludes(Fields.FromFields([
Infer.Field<SearchAlert>(f => f.Id),
Infer.Field<SearchAlert>(f => f.Title)
]));
8.x版本的正确使用方式
经过验证,8.x版本中有两种实现字段过滤的方法:
- URL参数方式(默认行为):
search = search.SourceIncludes(Fields.FromFields([
Infer.Field<SearchAlert>(f => f.Id),
Infer.Field<SearchAlert>(f => f.Title)
]));
这种方式会将过滤字段作为URL参数发送,而不是放在请求体中。
- 请求体方式:
search = search.Source(new SourceConfig(new SourceFilter
{
Includes = Fields.FromFields([
Infer.Field<SearchAlert>(f => f.Id),
Infer.Field<SearchAlert>(f => f.Title)
])
}));
这种方式会在请求体中生成_source字段,与NEST客户端的行为一致。
字段指定方法
在8.x版本中,推荐使用Infer类来指定字段:
Infer.Fields<MyDocument>(x => x.Field1, x => x.Field2)
这种方式既清晰又类型安全,能够有效避免字段名拼写错误的问题。
实际应用建议
-
如果需要与旧系统保持兼容,或者明确需要在请求体中包含字段过滤信息,请使用请求体方式。
-
对于新开发的项目,URL参数方式是更高效的选择,因为它减少了请求体的大小。
-
在复杂查询场景中,特别是需要同时使用字段包含和排除规则时,
SourceFilter提供了更灵活的控制能力。
总结
Elasticsearch.NET 8.x版本在字段过滤功能上提供了更多的灵活性,开发者可以根据实际需求选择不同的实现方式。理解这些差异有助于在迁移过程中做出正确的技术选择,确保查询性能和数据传输效率的最优化。
对于从NEST迁移过来的开发者,建议逐步适应新的API设计理念,同时利用类型安全的字段指定方式来提高代码的健壮性。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00