explain 查看一条文档为什么排在前面

做的事：真实用function_score把文本相关性和浏览量加分叠加在一起排序

代码doc1: {title:"Elasticsearch performance tuning guide", views:500} doc2: {title:"performance guide for Elasticsearch clusters", views:9000} POST /rank_test/_search {"query":{"function_score":{ "query":{"match":{"title":"elasticsearch performance"}}, "field_value_factor":{"field":"views","modifier":"log1p","factor":0.5}, "boost_mode":"sum" }}}

验证：浏览量更低的doc1，排名真实反而在浏览量更高的doc2后面——结果看起来违反直觉

实测 · 本机 Elasticsearch 8.15.0 执行输出

搜索结果（按最终得分排序）:
→ doc2 score=4.002098（views=9000）
→ doc1 score=2.7816808（views=500）

仅从搜索结果看，真实没法直接知道doc2为什么排在前面——是因为文本更相关，还是因为浏览量加分起了作用，还是两者都有贡献？这正是explain存在的真实价值：它能把这个笼统的最终得分，真实拆解成每一个子查询各自贡献了多少。

真实用_explain把两篇文档的得分都拆成"文本相关性"和"浏览量加分"两部分

代码POST /rank_test/_explain/1 {同样的function_score查询} POST /rank_test/_explain/2 {同样的function_score查询}

验证：doc1的文本相关性真实比doc2更高，但浏览量加分真实远远落后，最终被反超

实测 · 本机执行输出

doc1（views=500）explain拆解:
→ 总分 = 2.7816808
→ 文本相关性(sum of elasticsearch+performance两个词的BM25分) = 0.3820071
→ 浏览量加分(field_value_factor: log1p(500*0.5)) = 2.3996737

doc2（views=9000）explain拆解:
→ 总分 = 4.002098
→ 文本相关性 = 0.34878913   ← 真实比doc1的0.382略低！
→ 浏览量加分(field_value_factor: log1p(9000*0.5)) = 3.653309   ← 真实远高于doc1的2.40

这组真实的拆解数字完整回答了"doc2为什么排在doc1前面"这个问题，而且答案真实跟直觉里"一定是文本更相关"这个猜测相反：doc1的标题里"elasticsearch"和"performance"这两个词的BM25分数真实加起来是0.382，反而比doc2的0.349更高（可能是因为doc1的字段长度归一化略占优势）。真正真实决定最终排名的，是field_value_factor这个函数真实对浏览量字段算出来的加分：doc1浏览量500，log1p加权后只贡献了2.40分；doc2浏览量9000，真实贡献了3.65分，这部分差距（3.65-2.40=1.25分）真实远远超过了文本相关性那边doc1领先的0.03分优势，最终把排名真实反转了过来。如果没有explain，真实只能看到"doc2排第一"这个表面结果，完全不知道背后到底是哪个因素在起决定性作用；有了这份逐项拆解，才能真实准确回答"排序对不对、调哪个参数能改变它"这类业务上经常被问到的问题。

分步演示：从表面排序结果到explain逐项拆解出真实决定因素的完整过程

每一步都是本文上面在本机真实的Elasticsearch 8.15.0上跑出来的原始结果。

用explain拆解一个看似违反直觉的真实排序结果

这一步新验证的得分分量

本文用到的工具

本机真实部署的 Elasticsearch 8.15.0（单节点，tar包直接启动）
真实的 function_score 查询与 _explain API

下一篇 · ELASTICSEARCH 45

Highlight 高亮的实现方式