1.查询所有
比如match_all，一般测试使用。
2.全文检索
利用分词器对用户输入的内容分词，然后去倒排索引库中去匹配。匹配上了就获得了文档id,根据文档id就拿到文档内容。所以查询的是能分词的字段如text类型。
match
multi_match：等价于copy_to多个字段的值到一个字段all，如上查询。使用copy_to效率更高。
查询的字段越多，查询性能越差。
{
"query": {
"multi_match": {
"query": "万安镇正熙",
"fields": [
"brand",
"name",
"business",
"city",
"starName"
]
}
}
}
3.精确查询
根据精确词条值查找数据，一般是查找keyword、数值、日期、boolean等不分词的类型字段。
这些数据类型是不需要做分词的，它们也会去建立倒排索引，就是把它们的内容整体作为一个词条存入到倒排索引。所以用户输入的内容也不需要做分词，直接去跟倒排索引库中匹配。
ids, 根据id精确匹配
range, 根据值的范围查询
term，根据词条精确值查询(用户输入的内容与文档中字段存储的内容完全一致才可以)
应用场景：
搜索酒店，城市、星级、品牌 应该使用term；价格过滤应该使用range范围查询；
4.地理查询
根据经纬度进行查询
geo_distance: 查询到指定中心点小于某个距离值的所有文档。
geo_bouding_box：geo_point点值落在某个矩形范围内的所有文档。
应用场景：
1.地图上搜索附近的酒店。
2.打车搜索附近的车辆。
3.微信搜索附近的人。
5.复合查询
可以将上述各种查询条件组合起来，合并查询条件。
bool 布尔查询
是一个或多个查询子句的组合。
组合方式有：
must: 必须匹配每个子查询。== and
should: 选择性匹配子查询。== or
must_not: 必须不匹配，不参与算分（效率更高），== 非，取反
filter: 必须匹配，不参与算分（效率更高）
{
"query": {
"bool": {
"must": [
{
"term": {
"city": "成都"
}
}
],
"should": [
{
"term": {
"brand": "yy"
}
},
{
"term": {
"brand": "xx"
}
}
],
"must_not": [
{
"range": {
"price": {
"gte": 300
}
}
}
],
"filter": [
{
"range": {
"score": {
"gt": 4
}
}
}
]
}
}
} 
这里说明一下：should条件中没有一个满足都没关系也会返回数据，而其它必须满足的条件就必须匹配才会返回数据。
当前查询结果 完全正确，系统返回了唯一满足所有强制条件的文档（id=2），低分是因为未命中可选条件（should）。如果命中可选条件，评分才会高。
{
"query": {
"bool": {
"must": [
{
"term": {
"city": "成都"
}
}
],
"should": [
{
"term": {
"brand": "正熙"
}
},
{
"term": {
"brand": "xx"
}
}
],
"must_not": [
{
"range": {
"price": {
"gte": 300
}
}
}
],
"filter": [
{
"range": {
"score": {
"gt": 4
}
}
}
]
}
}
}
查询在成都、价格不超过500、15公里以内的所有酒店的复合查询：
{
"query": {
"bool": {
"must": [
{
"term": {
"city": "成都"
}
}
],
"must_not": [
{
"range": {
"price": {
"gte": 500
}
}
}
],
"filter": [
{
"geo_distance": {
"distance": "15km",
"location": {
"lat": "31.21",
"lon": "121.472"
}
}
}
]
}
}
}
function_score
在搜索文档的时候，会控制相关度算分,控制文档排名，例如：百度竞价
应用场景：比如给了钱的，就让它的算分高些，排名靠前。
