Elasticsearch-Py 客户端中include_named_queries_score参数的支持解析
2025-06-14 13:24:26作者:劳婵绚Shirley
在Elasticsearch的搜索功能中,include_named_queries_score是一个非常有用的参数,它允许开发者在查询结果中获取命名查询的评分信息。这个参数在Elasticsearch的REST API中已经存在,但在Python客户端elasticsearch-py中却一度缺失支持。本文将深入探讨这个参数的作用、缺失原因以及解决方案。
参数作用解析
include_named_queries_score参数的主要功能是控制是否在搜索结果中包含命名查询的评分信息。当设置为true时,Elasticsearch会在返回结果中为每个匹配的文档包含一个matched_queries字段,其中不仅列出匹配的命名查询名称,还会包含这些查询的评分值。
这个功能对于需要深入分析查询匹配情况的场景特别有用,比如:
- 调试复杂查询的评分逻辑
- 分析不同命名查询对最终评分的影响
- 构建需要基于子查询评分的自定义排序或过滤逻辑
客户端支持情况
在elasticsearch-py 8.12.0及之前版本中,虽然Elasticsearch的REST API已经支持这个参数,但Python客户端却未能自动生成对应的接口支持。这导致开发者无法直接通过标准的search()方法使用这个参数。
这种不一致性源于API规范生成过程中的遗漏。Elasticsearch的客户端库通常是通过解析REST API规范自动生成的,而在这个过程中,include_named_queries_score参数被意外忽略了。
临时解决方案
在官方修复之前,开发者可以采用以下两种临时解决方案:
- 使用transport层直接调用:
resp = es.transport.perform_request(
'GET',
f'/{index}/_search?include_named_queries_score=true',
headers={'Content-type': 'application/json'},
body=body
)
- 将参数作为URL参数附加:
resp = es.search(
index=index,
body=body,
params={'include_named_queries_score': 'true'}
)
官方修复
这个问题在elasticsearch-py 8.15.0版本中得到了修复。更新后,开发者可以直接在search()方法中使用这个参数:
resp = es.search(
index="my_index",
body={
"query": {
"bool": {
"should": [
{"match": {"title": {"query": "quick", "_name": "title_query"}}},
{"match": {"content": {"query": "quick", "_name": "content_query"}}}
]
}
}
},
include_named_queries_score=True
)
最佳实践建议
- 对于使用8.15.0及以上版本的开发者,建议直接使用官方支持的参数形式
- 对于必须使用旧版本的情况,推荐使用transport层的解决方案,它更接近原生API的行为
- 在生产环境中使用此功能前,建议评估其对性能的影响,特别是在查询复杂或数据量大的情况下
这个问题的解决过程展示了开源社区如何协作完善工具链,也提醒我们在遇到API不一致时,可以深入底层实现寻找解决方案。
登录后查看全文
热门项目推荐
相关项目推荐
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
最新内容推荐
Degrees of Lewdity中文汉化终极指南:零基础玩家必看的完整教程Unity游戏翻译神器:XUnity Auto Translator 完整使用指南PythonWin7终极指南:在Windows 7上轻松安装Python 3.9+终极macOS键盘定制指南:用Karabiner-Elements提升10倍效率Pandas数据分析实战指南:从零基础到数据处理高手 Qwen3-235B-FP8震撼升级:256K上下文+22B激活参数7步搞定机械键盘PCB设计:从零开始打造你的专属键盘终极WeMod专业版解锁指南:3步免费获取完整高级功能DeepSeek-R1-Distill-Qwen-32B技术揭秘:小模型如何实现大模型性能突破音频修复终极指南:让每一段受损声音重获新生
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
567
3.83 K
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
892
667
Ascend Extension for PyTorch
Python
376
446
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
349
200
昇腾LLM分布式训练框架
Python
116
145
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.37 K
778
暂无简介
Dart
798
197
React Native鸿蒙化仓库
JavaScript
308
359
openJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力
TSX
1.13 K
271