英文版地址: https://www.elastic.co/guide/en/elasticsearch/guide/current/stopwords-phrases.html
本书基于 Elasticsearch 2.x 版本，有些内容可能已经过时。
停用词与短语查询(Phrase Queries)edit
所有查询中, 短语查询(见短语匹配) 大约占到5%，但是在慢查询里面它们又占大部分。
短语查询性能相对较差，特别是当短语中包括常用词的时候，如 “To be, or not to be” 短语全部由停用词组成，这是一种极端情况。原因在于几乎需要匹配全量的数据。
在 停用词的两面-停用词的优缺点,中，我们提到移除停用词只能节省倒排索引中的一小部分空间。这句话只部分正确，一个典型的索引可能包含部分或所有以下数据：
- 词项字典（Terms dictionary）
- 索引中所有文档内所有词项的有序列表，以及包含该词的文档数量。
- 倒排表（Postings list）
- 包含每个词项的文档（ID）列表。
- 词频（Term frequency）
- 每个词项在每个文档里出现的频率。
- 位置（Positions）
- 每个词项在每个文档里出现的位置，供短语查询或近似查询使用。
- 偏移（Offsets）
- 每个词项在每个文档里开始与结束字符的偏移，供词语高亮使用，默认是禁用的。
- 归一化因子（Norms）
- 用来对字段长度进行规范化处理的因子，给较短字段予以更多权重。
将停用词从索引中移除会节省 词项字典 和 倒排表 里的少量空间，但 位置 和 偏移 是另一码事。位置和偏移数据很容易变成索引大小的两倍、三倍、甚至四倍。
位置信息edit
analyzed 字符串字段的位置信息默认是开启的， 所以短语查询能随时使用到它。
词项出现的越频繁，用来存储它位置信息的空间就越多。在一个大的文档集合中，对于那些非常常见的词，它们的位置信息可能占用成百上千兆的空间。
运行一个针对高频词 the 的短语查询可能会导致从磁盘读取好几G的数据。这些数据会被存储到内核文件系统的缓存中，以提高后续访问的速度，这看似是件好事，但这可能会导致其他数据从缓存中被剔除，进一步使后续查询变慢。
这显然是我们需要解决的问题。
索引选项edit
我们首先应该问自己：是否真的需要使用短语查询或 近似查询？
答案通常是：不需要。在很多应用场景下，比如说日志，我们需要知道一个词 是否 在文档中（这个信息由倒排表提供）而不是关心词的位置在哪里。或许我们要对一两个字段使用短语查询，但是我们完全可以在其他 analyzed 字符串字段上禁用位置信息。
index_options 参数 允许我们控制索引里为每个字段存储的信息。 可选值如下:
-
docs -
只存储文档及其包含词项的信息。这对
not_analyzed字符串字段是默认的。 -
freqs -
存储
docs信息，以及每个词在每个文档里出现的频次。词频是完成TF/IDF 相关度计算的必要条件，但如果只想知道一个文档是否包含某个特定词项，则无需使用它。 -
positions -
存储
docs、freqs、analyzed，以及每个词项在每个文档里出现的位置。 这对analyzed字符串字段是默认的，但当不需使用短语或近似匹配时，可以将其禁用。 -
offsets -
存储
docs,freqs,positions, 以及每个词在原始字符串中开始与结束字符的偏移信息(postingshighlighter )。这个信息被用以高亮搜索结果，但它默认是禁用的。
我们可以在索引创建的时候为字段设置 index_options 选项，或者在使用 put-mapping API新增字段映射的时候设置。我们无法修改已有字段的这个设置：
停用词edit
删除停用词是能显著降低位置信息所占空间的一种方式。 一个被删除停用词的索引仍然可以使用短语查询，因为剩下的词的原始位置仍然被保存着，这正如 保持词元在原内容中的位置（Maintaining Positions） 中看到的那样。 尽管如此，将词项从索引中排除终究会降低搜索能力，这使我们难以区分 Man in the moon 与 Man on the moon 这两个短语。
幸运的是，鱼与熊掌是可以兼得的：请查看 common_grams 过滤器。