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-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00