业务搜索通常都需要对召回数据进行排序，返回更有价值的信息给用户。

ES默认按文本相关性排序，通常我们会通过嵌入脚本的形式来修改ES的打分机制，从而影响排序结果。

ES在5.x+版本后发明了一种语法类似javascript/groovy的专用脚本语言painless，我们需要写一个painless脚本，脚本中可以获取文本相关性得分，也可以获取文档的各个字段内容，也可以获取查询请求中传入的临时参数，综合来计算一个新的分数替代默认的文本相关性得分。

function_score

要实现自定义打分，需要使用funcion_score语法，它将query包装在内部，从而实现先召回 -> 再文本相关性评分 -> 最后自定义打分的功能。

官方文档链接：https://www.elastic.co/guide/en/elasticsearch/reference/6.1/query-dsl-function-score-query.html#function-field-value-factor。

这一块内容我建议大家详细的掌握一下各个参数的作用。

painless

这个脚本语言和javascript很像，从名字也可以看出它的目标就是降低学习成本，让你上手就可以做事情。

官方文档链接：https://www.elastic.co/guide/en/elasticsearch/painless/6.1/painless-getting-started.html。

这个脚本语法其实不用投入很多精力学习，它除了一些基础的if else之外，还提供了一些数据结构。

对于我们开发来说，最重要的是知道如何获取文本相关性，获取文档各个字段的值，获取请求传入的临时参数。

脚本在ES不同的请求中，获取上下文变量的方式不同，需要参考官方链接：https://www.elastic.co/guide/en/elasticsearch/reference/master/modules-scripting-fields.html。

painless调试

因为painless是专用ES的嵌入式脚本，没有独立的runtime环境，所以必须通过ES请求来执行它，这样脚本才能得到执行，同时也能访问到请求的上下文变量。

为了调试painless，我们需要学会一个Debug命令，参考官方链接：https://www.elastic.co/guide/en/elasticsearch/painless/6.1/painless-debugging.html。

一个初步的脚本结构是这样的，它使用内联的painless代码来做一些初步的调试：

主要关注4点：

1. 最外层的query context内直接嵌套一层function_score，而function_score内重新创建query context。
2. 与内层query context平级放置functions自定义打分函数，我的最终相关性希望是：文本相关性 * 脚本相关性，所以boost_mode=multiply；大家可以根据自己的需求和调试结果，换不同的boost_mode去尝试。
3. 出于性能考虑，优先对非text字段使用doc获取内容（字段列存储，效率最高），其次如果字段配置了store=true则使用_fields获取内容，最后才考虑使用params._source获取整个文档并从中提取某个字段。
4. 上述source直接inline了一段painless代码，ES第一次收到就会编译代码并缓存，这种适合比较短小的脚本，传输没有太大的代价。

stored painless

如果我们的painelss打分脚本逻辑比较重，那么可能不适合每次查询时内联在请求中，所以需要先把脚本提交到ES保存，随后请求中只需要携带脚本的ID即可，参考官方文档：https://www.elastic.co/guide/en/elasticsearch/reference/master/modules-scripting-using.html#modules-scripting-stored-scripts。

首先，把脚本上传到ES，需要给它指定一个ID唯一标识：

ES6.0非常人性化，因为以前这种打分脚本都是需要运维去部署到每个ES节点的目录下的，而现在完全不需要了。

查询的时候，不再需要携带脚本代码，而是指定一个ID即可：

实现打分逻辑

这一块我也是刚开始摸索，给大家举个例子作为敲门砖吧：

这个打分脚本的逻辑：文章的点赞和评论数相乘，然后通过log1p归一化成一个比较小的值，作为打分返回。

下面是查询时的函数配置：

一共有2个算分函数。

第一个是自定义painless脚本函数，返回的是基于热度的归一化分值。

第二个是内置衰减函数，基于时间进行分数衰减，1天内的不降分（也就是1分），2天之前的降到0.5分。

2个函数的得分指定了score_mode=multiply，所以两个分数进行直接相乘作为函数的总得分。

最后通过boost_mode=multiply指定，文本相关性得分_score将和上述函数总得分再次相乘，得到文档的最终相关性得分。

目前我还没有基于实际大规模的文档进行调研，脚本打分应该怎么归一化，用权重加和还是用乘法，我其实也分不清区别。

有相关经验的同学欢迎留言指教。