概述 功能
学习
开发： 产品基本功能，底层原理，数据建模
运维： 容量规划； 性能优化； 问题诊断； 滚动升级
方案： 搜索与如何解决搜索； 大数据分析实践，理论知识实际场景
考试： elastic 官网 简介 1 2 3 restful 接口， 供各种语言使用 功能： 搜索，聚合
elastic 生态
logstash 开源服务端数据处理管道， 从不同源采集数据，转换数据，发送到不同存储库
1 2 3 4 5 6 7 8 9 实时解析和转换数据 从IP地址破译地理位置 将PII（个人身份信息）数据匿名，排除敏感字段 可扩展 200多个插件 （日志、数据库。。。） 可靠安全性 持久化队列保证至少送达一次 数据传输加密 监控
1 2 数据可视化公司 基于 logstash 的工具， 2013被es收购
1 2 3 4 有多种不同的beat filebeat： 日志，文件 packetbeat： 网络数据抓包 。。。
场景
安装上手 安装
二进制文件 docker
helm chart for k8s
puppet module
文件目录结构
bin ： 脚本执行文件 包括： 启动，安装插件，运行统计数据等
config ： 集群配置文件
JDK ： java运行环境
data ： 数据文件
lib ： java类库
logs ： 日志文件
modules ： 包含所有ES模块
plugins ： 所有已安装插件
启动
1 2 3 4 5 6 7 /bin/elasticsearch 启动 /bin/elasticsearch-plugin 插件管理 install 安装 分布式 ./elasticsearch -E node.name=node1 -E cluster.name=geektime -E path.data=node1_data -d ./elasticsearch -E node.name=node2 -E cluster.name=geektime -E path.data=node2_data -d ./elasticsearch -E node.name=node3 -E cluster.name=geektime -E path.data=node3_data -d
入门 索引，文档，RESTAPI 文档 1 2 3 4 5 6 ES是面向文档的， 文档是可搜索数据的最小单位 文档会被 序列化为JSON格式，保存在ES中 （JSON对象由字段组成，每个字段有类型） 每个文档都有一个 唯一ID， 可以自己指定/或ES自动生成 类似数据的一条记录 JSON文档格式灵活，不需要预先定义格 （字段类型可以指定，也可以ES自动推算）（支持 数组/嵌套）
文档的元数据
1 2 3 4 5 6 7 8 ES用于标注文档的相关信息 _index 文档所属索引名称 _type 文档所属类型名称 _id 文档唯一ID _source 文档原始JSON数据 _version 文档版本信息 _score 相关性打分
索引 1 2 3 4 5 文档的容器， 一类文档的集合 体现逻辑空间的概念： 索引有自己的Mapping定义，定义包含文档的字段名和字段类型 索引的Mapping ： 定义文档字段的类型 索引的Settings ： 定义不同的数据分布
Shard 则是体现 物理空间的概念： 索引中的数据分散在 shard 上
1 2 3 索引的不同语意： 名称： 文档的集合， 可创建多个索引 动词： 保存一个文档到ES的过程 （在ES中是创建一个 倒排索引） （有B树索引 ， 倒排索引）
类型 type
1 2 7.0 版本之前， 每个索引可以建立多个type, 每个type下就是同类文档 7.0开始废弃不用，每个索引只能建立一个type （_doc）
REST API 节点，集群，分片，副本 1 2 3 4 5 6 7 8 分布式系统的可用性和扩展性 高可用 服务可用： 允许有节点停止服务 数据可用： 部分节点丢失，不会丢失数据 可扩展： 请求量提升 / 数据不断增长 (将数据分布到所有节点上)
ES的分布式架构 1 2 3 4 5 6 7 不同的集群 通过不同名字区分 (默认名字 elasticsearch) 通过配置文件修改，或命令行 -E cluster.name=geektime 设定 一个集群可以有一个或多个节点 好处： 存储的水平扩容 提高系统的可用性，部分节点停止服务，整个集群服务不受影响
节点 1 2 3 4 5 节点： 一个 ES 的实例 本质就是一个JAVA进程 一台机器可运行多个ES进程，但生产环境一般建议一台机器一个实例 每个节点设置名字： 通过配置文件，或启动命令行 -E node.name=node1 指定 每个节点启动后，会分配一个UID，保存在 data 目录下
master-eligible nodes
1 2 3 4 可以参加 选主流程，成为master 节点 每个节点启动后： 默认就是一个 master eligible 节点 可设置 node.master: false 禁止
master node
1 2 当第一个节点启动时， 会将自己选举成 master 节点 每个节点都保存了集群的状态， 只有 master 节点才能修改集群的状态信息 (任何节点都能修改会导致数据不一致)
集群状态： 维护集群中的必要信息
所有节点的信息
所有索引 和 其相关的 Mapping 与 Setting 信息
分片的路由信息
Data Node
保存数据的节点，叫做Data Node， 负责保存分片数据 （在数据扩展 起重要作用）
Coordinating Node
负责接受client的请求，将请求分发到合适节点，最终把结果汇聚到一起。
每个节点默认起到 coordinating node 职责
Hot & Warm Node
冷热节点， Hot节点配置高， warm配置低（可存储比较旧的数据）
不同硬件配置的 Data Node， 用来实现 Hot & Warm 架构，降低集群部署的成本
Machine Learning Node
Tribe Node
连接到不同的 ES集群，支持将这些集群当成一个单独的集群处理
淘汰， 5.3开始使用 cross cluster search(跨集群搜索)
节点类型的配置： 生成环境中，应该设置单一角色的节点
节点类型
配置参数
默认值
master eligible
node.master
true
data
Node.data
true
ingest
node.ingest
True
coordinating only
无
每个节点默认都是coordinating节点。设置其他类型则为false
machine learning
node.ml
true （需 enable x-pack ）
分片
主分片 （ primary shard ）
1 2 3 解决数据水平扩展的问题。 主分片可以将数据分布到集群内的所有节点之上 一个分片 是一个运行的 lucene 的实例 主分片数 在索引创建时指定， 后续不允许修改， 除非 Reindex
副本 （ replica shard ）
1 2 3 用以解决数据高可用的问题。 副本分片是主分片的拷贝 副本分片数 可以动态调整 增加副本数，还可在一定程度上提高服务的可用性 （ 读取的吞吐 ）
分片的设置： 生成环境分片的设定，提前做好容量规划
1 2 3 4 5 6 分片数设置过小： 后续无法增加及节点实现水平扩展 单个分片数据量太大，导致数据重新分配耗时 分片数设置过大， 7.0 开始， 默认主分片设置成1， 解决了 over-sharding 的问题 影响搜索结果的 相关性打分，影响 统计结果的准确性 单个节点上过多的分片，会导致资源浪费， 同时也会影响性能
1 2 3 4 5 6 查看 集群健康状况 GET _cluster/health green - 主分片 和 副本 都正常 yellow - 主分片正常， 有副本分片未正常分配 red - 有主分片未能分配 （例： 当服务器磁盘容量超过 85% 时， 去创建了一个新的索引
文档的基本 CRUD
操作
命令 （type约定用_dec)
说明
Index
PUT my_index/_doc/1
如果ID不存在，创建信息的。 已经存在则删除旧的创建新的，版本号增加
Create
PUT my_index/_create/1
如果id已经存在，会失败
Read
GET my_index/_doc/1
Update
POST my_index/_update/1
文档必须已经存在， 更新只会对相应字段做增量修改
Delete
DELETE my_index/_doc/1
创建说明 1 2 3 4 支持 自动生成文档ID 和 指定文档ID 两种方式 通过调用 POST /my_index/_doc (系统自动创建ID) 通过 PUT /my_index/_create/1 创建， 指定 _create , 如果ID文档已存在，操作失败
注意： create是创建新的， index 是 删除旧的创建新的， update是在旧的上面做增量修改
批量操作
Bulk API
1 2 3 4 5 6 7 8 9 POST _bulk 支持一次API调用中， 对不同索引进行不同操作 支持四种操作： Index， Creat， Update， Delete 可以在 URI 中指定Index， 也可以再请求 payload 中进行 操作中 单条操作失败， 并不会影响其他操作 返回结果包括 每一条操作执行的结果
mget 批量读取
msearch 批量查询
常见错误返回
1 2 3 4 5 无法连接： 网络故障或集群挂了 连接无法关闭： 网络故障或节点出错 429 ： 集群过于繁忙 4xx ： 请求体格式错误 500 ： 集群内部错误
注意： 批量操作一次请求不宜过多
倒排索引 书本对比理解 1 2 3 4 书本开始： 有目录，书本内容的索引 - 正排索引 根据目录中的 章节名称对应页码 查询具体内容 有一些书本最后： 有一些重要内容对应页码的索引页 - 倒排索引
搜索引擎中 1 2 正排索引： 文档ID 到 文档内容和单词 的关联 倒排索引： 单词 到 文档ID 的关系
一个例子：
1 2 左边正排索引， 三篇 es书 的文档 右边倒排索引， 所有词条的索引，出现次数， 在哪个文档中哪个位置
倒排索引的核心组成
单词词典（ term dictionary ）, 记录所有文档的单词， 记录单词 到 倒排列表 的关联关系
单词词典很大， 通过 B+树 或 哈希拉链法实现， 满足高性能的插入和查询
倒排列表 ( posting list ) ， 记录了 单词对应的文档 的结合， 由倒排索引项组成
倒排索引项（posting）
文档ID
词频 TF - 该单词在文档中出现的次数， 用于相关性评分
位置(position) - 单词在文档中分词的位置。 用于 语句搜索
偏移（offset）-记录单词的开始结束位置， 实现高亮显示
上面例子在 ES中的实现
ES中 JSON文档每个字段都有自己的 倒排索引
可以指定 对某些字段不做索引
通过 analyzer 进行分词 1 2 3 4 5 6 analysis 文本分析： 把全文本转换为 一系列单词 (term / token)的过程， 也叫 分词 analysis 通过 analyzer 实现 可使用ES内置的分析器 / 或按需定制化分析器 除了 数据写入时 转换词条， 匹配Query语句时也需要用相同的分析器对查询语句进行分享
分词器是专门 处理分词的组件， analyzer 由三部分组成 （按顺序执行）
character filters （ 针对原始文本处理， 例如去除html ）
Tokenizer （ 按照规则切分为 单词 ）
Token Filter （ 将切分的单词进行加工， 小写，删除 stopwords，增加同义词 ）
ES内置分词器
standard analyzer - 默认分词器，按词切分，小写处理
simple - 按 非字母切分 （符号被过滤）， 小写处理
stop - 小写处理， 停止词过滤（the，a，is）
whitespace - 按空格切分，不转小写
keyword - 不分词，直接将输入当做输出
patter - 正则表达式， 默认 \W+ (非字符分割)
language - 提供 30多种常见语言的分词器
customer - 自定义分词器
使用 _analyzer API 1 2 GET /_analyze // 直接指定 analyzer 进行测试 对文本如何分词 {"analyzer":"standard", "text":""}
1 2 POST my_index/_analyze // 指定索引字段， 查看 该字段如何进行分词 {"field":"", "text":""}
1 2 POST /_analyze // 自定义分词测试， 定义一个tokenizer，定义fileter， 组合后 是如何进行分词的 {"tokenizer":"standard","filter":[""], text:""}
中文分词 的难点 1 2 3 中文句子，切分成一个个词 （而不是字） 英文，单词有自然的空格作为分割 中文，在不同上下文有不同理解
ICU Analyzer
1 2 安装plugin： elasticsearch-plugin install analysis-icu 提供unicode支持，更好支持亚洲语言
IK
THULAC
1 清华大学自然语言处理 和 社会人文计算实验室的一套中文分词器
Search API
URI search
Request Body search
使用 ES 提供的， 基于JSON格式的更加完备的 Query Domain Specific Language （DSL）
1 2 3 4 5 指定查询的索引 /_search 集群上所有的索引 /index1/_search 索引index1 /index1,index2/_search 索引 index1，2 /index*/_search 以index开头的索引
搜索的相关性 1 2 3 4 5 6 搜索是： 用户 和 搜索引擎 的对话 用户关心的是： 搜索结果的相关系 是否可以找到所有相关的内容 有多少不相关的内容被返回了 文档的打分是否合理 结合业务需求，平衡结果排名
Web 搜索
page rank 算法 （不仅仅是内容，更重要的是内容的可信度）
电商搜索
扮演 销售的角色
提高用户购物体验，提升网站销售业绩，去库存
衡量相关性 学科 information Retrieval
1 2 3 precision (查准率) - 尽可能返回较少的无关文档 recall （查全率） - 尽可能返回较多的相关文档 ranking - 是否能够按照相关度进行排序
URI search 详解 1 2 3 4 5 通过 URI query 实现搜索 q指定查询语句： 使用 df 默认字段， 不指定会对所有字段进行查询 sort 排序 / from 和 size 用于分页 profile 查看 查询是如何被执行的
Request Body 与 Query DSL 介绍
将查询语句通过 HTTP Request Body 发送给 ES
Query DSL
1 2 3 4 5 6 7 8 ``` ## Query string 与 Simple Query string ## Dynamic Mapping 和 常见字段类型 ### Mapping
类似于 数据库中的 schema 的定义， 作用：
Mapping 会把 JSON文档 映射成 Lucene 所需要的扁平格式
一个Mapping属于一个索引的Type （ 7.0 开始一个索引一个type ）
写入文档时： 如果索引不存在，自动创建索引
有时候会推算不对，如地理信息 （类型不对，会导致一些功能出错）1 2 3 4 5 - 能否更改mapping的字段类型 - 新增字段
1 2 3 4 5 6 7 - 原因 - 修改字段的数据类型， 导致已被索引的数据无法被搜索 - 增加新的字段不会有影响 ## 显示Mapping的设置与常见参数介绍
PUT movies
建议：
控制当前字段是否被索引： 默认为true， 如果要设置为不可被搜索，字段添加设置 “index”:false
null_value, 需要对null值实现搜索： 只有keyword类型支持设定 “Null_value”:”NULL”
_all 在版本7中被 copy_to 所替代： copy_to 将字段的数值拷贝到目标字段（如 firstName，lastName 两个字段拷贝到 fullName，实现全名称搜索）， copy_to 目标字段不出现在_source 中
数组类型： ES不提供专门的数组类型。 但任何字段，都可以包含多个相同类型的数值
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 - 控制 倒排索引 记录内容的配置 - docs - 记录 doc id - freqs - 记录 doc id 和 term frequencies - positions - 记录 doc id / term frequencies / term position - offsets - 记录 doc id / term frequencies / term position / character offects - Text 类型默认记录 postions， 其他默认为 docs - 记录内容越多，占用存储空间越大 ## 多字段特性 及 mapping中配置自定义 Analyzer - 多字段特性 - 厂商名字实现精确匹配 - 增加一个 keyword 字段 - 使用不同的 analyzer - 不同语言 - pinyin 字段的搜索 （ 中文实现拼音搜索） - 支持为 搜索和索引 指定不同的analyzer
Excat values : 包括 数字 / 日期 / 具体一个字符串 （ES中的 keyword）（在索引时，不分词）
当ES自带的分词器 无法满足，可以自定义分词器。 通过自组合不同组件实现：
Tokenizer ：
将原始文本安装一定规则，切分为词 （ term or token ）
ES内置的： whitspace / standard / uax_url_email / pattern / keyword / path hierarchy
可使用Java开发插件，实现自己的Tokenizer
Token Filter ：
将Tokenizer 输出的单词（ term ）， 进行增加，修改，删除
ES自带的 Token Filters： lowercase（小写） / stop（停止词） / synonym(添加近义词)
创建索引时， 在 settings 中 自定义 analysis
1 2 3 4 5 6 7 8 ## Index Template 和 Dynamic Template - Index template - 帮助设置 Mappings 和 Settings， 并按照一定规则，自动匹配到新创建的索引之上 - 模板 仅在一个索引被新创建时，才会产生作用。 修改模板不会影响已创建的索引 - 可设置多个 索引 模板， 这些设置会被 "merge" 在一起 - 可指定 "order" 的数值， 控制 "merging"的过程
当一个索引 被新创建时
1 2 3 4 5 6 - Dynamic Template ： 根据ES识别的数据类型，结合字段名称，动态设定 字段类型 - 所有 字符串类型设定成 keyword， 或关闭 keyword - is 开头的字段都设置成 boolean - long_ 开头的都设置成 long 类型
Dynamic Template 定义在 某个索引的 Mapping 中
1 2 3 4 5 ## ES 聚合分析介绍 ### 聚合 （ aggregation )
ES 除搜索外，提供 针对ES数据进行统计分析的功能
kibana 可视化报表 - ES的聚合分析
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 - 聚合的分类 - Bucket Aggregation - 满足特定条件文档 - Term & Range （ 时间 / 年龄区间 / 地理位置 ） - Metric Aggregation - 一些数学运算， 可以对文档字段进行统计分析 - 基于数据集 计算结果， 支持字段上的计算，也支持脚本产生的结果上计算 - 数字计算，输出一个值： min / max / sum / avg / cardinality - 输出多个值： stats / percentiles / percentile_ranks - Pipeline Aggregation - 对其他聚合结果进行二次聚合 - Matrix Aggregation - 支持对多个字段的操作并提供一个结果矩阵 # 深入搜索 ## 基于词项和基于全文的搜索 ### 基于Term的查询 - Term : 表达语意的最小单位。 搜索 和 利用统计语言模型进行自然语言处理 都需要处理Term - 特点： - Term Level Query： Term / Range / Exists / Prefix / wildcard - Term查询，对输入不做分词。 在倒排索引中查找准确的词项，并为每个包含该词项的文档进行 相关度算分 - 可以通过复合查询 Constant Score 将查询转换成一个 Filtering， 跳过算分，并可以有效利用缓存， 提高性能 ### 基于全文的查询 - Match Query / Match Phrase Query / Query String Query - 特点： - 索引 和 搜索 时都会进行分词， 查询字符串先传递到一个合适的分词器，生成一个供查询的词项列表 - 查询过程，先 对输入的查询进行分词， 然后每个词项逐个进行底层的查询打分，最终将结果汇总。 为每个文档生成一个算分。 ## 结构化搜索 - 对 结构化数据 的搜索 - 日期，布尔，数字 都是结构化的。 有精确的格式，可以对这些格式进行逻辑操作。 范围，大小等 - 文本也可以结构化 - 可以做 精确匹配 或者 部分匹配 （ term查询 / prefix前缀查询 等) - 结构化结果只有 "是" 或 "否" 两个值。 根据场景需要决定是否需要打分 ## 搜索的相关性算分 ### 相关性
搜索的相关性算分： 描述 文档 和 查询语句 匹配的程度。 ES会对每个匹配查询条件的结果进行算分 _score
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 ### TF-IDF - 词频 TF ( Term Frequency ) ： 检索词在一篇文档中出现的频率 - 检索词出现的次数 除以 文档的总字数 - 度量一条查询和结果文档相关性的简单方法： 将搜索中每个词的TF进行相加 - Stop Word （停止词） ， 如"的"， 在文档中出现很多次，但对贡献相关度几乎没有用处，不应考虑它们的TF - 逆文档频率IDF ( Inverse Document Frequency ) ： - DF： 检索词在所有文档中出现的频率 - 而IDF， 简单说就是公式： log(全部文档数 / 检索词出现过的文档总数) - TF-IDF 本质上就是将 TF 求和 变成了 加权求和 - 例子： 搜索 区块链的应用 ( 分词为： 区块链 的 应用 三个词)
TF(区块链)*IDF(区块链) + TF(的)*IDF(的) + TF(应用)*IDF(应用)
和经典的TF-IDF， 当TF无限增加时， BM25算分会趋于一个数值
PUT /my_index
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 ### Boosting Relevance - Boosting 控制相关度的一种手段 （ 索引，字段 或查询子条件） - 含义： - boost > 1 时， 打分相关度 相对性的提升 - 0 < boost < 1 , 打分权重 降低 - boost < 0 , 贡献负分 ## Query & Filtering 与 多字符串多字段查询 - 高级搜索的功能： 支持多选 文本 输入， 针对多个字段进行搜索 - 搜索引擎 一般也提供 基于时间，价格等条件的过滤 - 在ES中， 有 Query 和 Filter 两种不同的 Context - Query Context：相关性算分 - Filter Context： 不算分，利用缓存，更好性能 ### bool 查询 - 一个 或者 多个 查询子句的组合 （ 4种子句） - 相关性 除了全文本检索， 也使用 yes|no 的子句， 匹配子句越多，评分越高 - 子查询顺序任意， 可嵌套多个查询 - must ： 必须匹配，贡献算分 - should ： 选择性匹配， 贡献算分 - must_not ：必须不匹配， 是 filter context， 不贡献算分 - filter ： 过滤条件，必须匹配， 是 filter context， 不贡献算分 - 结构化查询 ： 包含而不是相等 的问题 （多值字段 ） - 增加一个 count 字段进行计数 - 查询语句的结构， 对相关度算分的影响 - 同一层级的竞争字段，具有相同的权重 - 通过 嵌套bool查询，可以改变 对算分的影响 ## 单字符串多字段查询 - should 算分过程 - 查询 should 语句中的两个查询 - 加和 两个查询的评分 - 乘以 匹配语句的总数 - 除以 所有语句的总数 ### Dis Max Query
两字段竞争，不应 将分数简单叠加，应该找到单个最佳匹配的字段的评分
1 2 3 4 5 6 7 - dis max query - 将任何 与 任一查询匹配的文档作为结果返回。 采用字段上最匹配的评分作为 最终评分返回 - 通过 tie_breaker 参数调整，将其他匹配语句的评分与tie_breaker 相乘，最终结果为 将最佳匹配评分与tie算法相加 （tie_breaker 介于 0-1， 0：使用最佳匹配，1：所有语句同等重要） ### Multi Match
三种场景：
POST my_index/_search
跨字段搜索
cross_fields 类型的 multi_match
1 2 3 4 5 ## 多语言 及 中文分词与检索 ### 多语言
不同索引使用不同语言
挑战：
技巧：
1 2 3 4 5 6 7 ### 中文分词 - 常用中文分词器： hanLP / IK / pinyin - 演变
查字典， （有的词就标示，复合词就找最长的。 不认识就分割成单字）
最小词数的分词理论 （ 一句话分词数量最少的词串， 二义性分割不行）
统计语言模型 （ 解决二义性问题， 将中文分词错误率降低。 概率问题： 动态规划+利用维特比算法 ）
基于统计的机器学习算法 （ HMM，CRF，SVM，深度学习等算法， 基本思路是对汉字进行标注训练。。。）1 2 3 4 5 ## Search Template 和 Index Alias 查询 ### search Template - 解耦程序 & 搜索DSL
在开发初期， 可以明确查询参数，但往往还不能最终定义查询的DSL的具体结构
各司其职，解耦
创建一个 search Template POST _scripts/tmdb
搜索工程师 维护 search Template
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 ### Index Alias - 别名： 实现零停机运维 ## 综合查询： function score query 优化算分 - 算分与排序 - ES默认会以 文档的相关度算法进行排序 - 可以通过指定 一个或多个字段进行排序 - 使用相关度算分（score）排序，不能满足某些特定条件 - 无法针对相关度，对排序实现更多控制 ### Function Score Query
可以在查询结束后， 对每一个匹配的文档进行 一系列的重新算分， 根据新生成的分数进行排序
默认计算分值的函数：
Field Value Factor： 使用该数值修改 _score, 例如将 "热度"，"点赞数"作为算分的参考因素。
新的算分=老的算分*热度 （问题，热度数值差异很大 0和10000，结果分数差异过大）
使用 modifier 平滑曲线（使用各种 公式计算）：如log1p, 则 新的算分 = 老的算分 * log(1+热度)
Random Score： 为每一个用户使用一个不同的 随机算分结果
（网站广告提高展现率， 让每个用户看到不同的随机排名，但是也希望同一个用户访问时，结果的相对顺序保持一致）
衰减函数： 以某个字段的值为标准，距离某个值越近，得分越高
Script Score： 自定义脚本完全控制所需逻辑
1 2 3 4 5 6 7 8 9 10 11 ## Suggester ```text 用户在输入过程 自动补全或者纠错的功能 在ES中 suggester API 实现 原理： 将输入的文本分解为token，然后在索引的字典里查找相似的term返回 ES中设计了 4中类别的 Suggester Term & Phrase Suggester Complete & Context Suggester
