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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00