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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00