全文检索、关键词检索与语义检索:Elasticsearch中text和keyword选型指南

全文检索关键词检索语义检索
于 2026-10-29 04:27:01 修改
·本内容遵循CC 4.0 BY-SA版权协议

最近在社群里被人问到一个特别典型的问题:“我把 title 字段设成了 keyword,为啥用户搜‘机器学习入门’啥都搜不到?” 底下马上有人回复“你这个问题不是 keyword 的锅,是你压根分不清全文检索和关键词检索”,还有人补刀“等你搞懂了 text 和 keyword 的区别,就不会这么设了”。说实话,这一类问题我见过不下几十次,很多做了两三年开发的同学,谈到全文检索、关键词检索、语义检索时,依然要么混为一谈,要么只知道用 text 搜、用 keyword 过滤,却说不清底层到底发生了什么。

这篇东西我不打算写成官方文档的复述,而是从一个实际干活的人的角度,把这三种检索的关系彻底掰开揉碎,再把 Elasticsearch 里 text 和 keyword 的选型逻辑讲清楚。没有废话,全是能直接用到的判断方法,以及我这些年踩过的坑。

1. 一次群聊引发的连环追问:三种检索到底是不是一回事

很多人在网上搜资料时会发现,这三个词经常被放在一起说,但解释得云里雾里。有人告诉你“全文检索就是关键词检索”,也有人告诉你“语义检索是新趋势,传统检索过时了”。这些说法不能说全错,但基本都带着误导性。要理清楚,得从它们各自解决的问题出发。

1.1 先把概念掰开:全文检索搜的是“词”,不是“文”

全文检索(Full-text Search)是最容易理解错的概念。它名字里带“全文”两个字,容易让人以为是对整篇文档做完整匹配。实际上,全文检索干的事情是:把一大段文本拆成一个个词(分词),然后为每个词建立索引,查询时再把你的输入也拆成词,去索引里找包含这些词的文档。

拿一个具体例子来说。假设你有一个商品表,有个字段叫 name,里面的值是“Apple iPhone 15 Pro Max 黑色 256G”。全文检索要做的,是把这个字符串按某种规则拆成 [apple, iphone, 15, pro, max, 黑色, 256g] 这样的词条,存进倒排索引。用户搜索“iPhone 黑色”,也会被拆成 [iphone, 黑色],然后去倒排索引里找到同时包含这两个词的那条商品记录。

所以,全文检索的核心是“包含关系”+“相关度排序”。它不要求用户输入和字段值完全一致,只要字段里包含查询中的关键词,就能被召回。这也是为什么全文检索特别适合做搜索引擎、站内搜索、商品搜索这类场景。

1.2 关键词检索干的活:精确对号,不负责联想

关键词检索(Keyword Search / Term Search)的思路完全不同。它做的是一次“精确对号入座”:拿整个查询值作为一个完整单位,去索引里找一模一样的值。关键词检索不做分词、不做模糊匹配、不做相似度计算,只回答“有没有这个完整值”。

比如还是上面那个商品字段值 Apple iPhone 15 Pro Max 黑色 256G,如果你用关键词检索查“iPhone”,答案是查不到,因为这个字段值作为一个整体,并不等于“iPhone”。你得查 Apple iPhone 15 Pro Max 黑色 256G 这种完整内容才可能命中。

关系型数据库里的 where name = 'iPhone' 就是典型的关键词检索思维。Elasticsearch 里的 term 查询、terms 查询,本质上也是这个路子。

1.3 语义检索的新维度:从“字面长啥样”到“意思是不是一样”

语义检索(Semantic Search)是这几年才火起来的。它的底层逻辑是:把文本转换成向量(一堆数字),然后通过计算向量之间的距离,来判断两段文本在语义上有多接近。

同样是搜“笔记本”,全文检索只能命中包含“笔记本”三个字的文档,语义检索却能把“笔记本电脑”“laptop”“便携式电脑”这些字面不同但意思相近的内容都召回。因为经过 Embedding 模型转换后,它们的向量在空间里的位置是靠近的。

这里要特别强调:语义检索不是用来替代前两种检索的,它解决的是“同义不同形”的召回问题。它有自己的短板,包括冷启动成本高、需要模型支撑、结果可解释性差、偶尔会出现“向量近但实际不相关”的误召回。

1.4 一张表说清三者的关系

很多人看完概念还是朦的,我直接用一张表把三者的核心差异列出来:

维度 全文检索 关键词检索 语义检索
匹配单位 分词后的词条 完整字段值 向量表示
是否分词 是 否 不一定(取决于模型)
典型查询 match term / terms knn / 向量相似度
能否模糊命中 能 不能 能
擅长场景 站内搜索、文章检索 过滤、聚合、精确匹配 同义词扩展、意图识别
典型问题 分词不准 缺乏扩展能力 可解释性差

关系上,全文检索和关键词检索是“互补”的:一个负责搜内容,一个负责筛条件。语义检索则是在它们之上的增强层,负责把“用户嘴上说的”和“库里存的内容”之间因为表达差异而断掉的线重新接上。

2. 从一条文档进索引的完整旅程,看懂 text 和 keyword 的分水岭

概念搞清楚了,我们再来看 Elasticsearch 里的两个基础字段类型。很多人理解不了 text 和 keyword,本质原因是不知道一条数据写入索引时发生了什么。我带你把这条链路走一遍。

2.1 分词器就是那个分水岭

假设你要写入一条文档,字段名是 title,字段值是 Elasticsearch 全文检索实战指南。

如果 title 类型是 text,写入时 Elasticsearch 会调用分词器(Analyzer)对这个字符串做处理。以中文常用的 IK 分词器为例,它可能拆成 [elasticsearch, 全文检索, 实战, 指南],也可能细分成 [elasticsearch, 全文, 检索, 实战, 指南],取决于分词器配置。这些词条会各自进入倒排索引。

如果 title 类型是 keyword,写入时则不做任何分词,整个字符串 Elasticsearch 全文检索实战指南 会作为一个完整的词条,存进倒排索引。注意这里没有被拆开,一个字都没少,但一个词条就是整个字符串。

这就是 text 和 keyword 的分水岭:一个负责“拆”,一个负责“整”。后续所有行为差异,全部源于这一点。

2.2 底层都是倒排索引,为什么行为差这么多

这里有个常见的误区:以为 keyword 不用倒排索引,或者以为 text 用的是别的数据结构。实际上,两者底层用的都是倒排索引,这一点很多人搞错。

区别只在于词条的粒度。keyword 的倒排索引里,一个文档的这个字段就是一个词条,索引体积小、匹配速度极快,但它只能做完整值的精确匹配。text 的倒排索引里,一个文档的这个字段会对应多个词条,索引体积更大,但它能支持“包含某个词就命中”的检索需求。

理解了这个底层逻辑,你就能明白:给 keyword 字段加过滤器(比如查询状态为 pending_payment 的所有订单)为什么那么快还不占什么内存;反过来,给 text 字段做聚合为什么会吃紧——因为它的词条被拆散了,聚合出来的结果是一个个碎片化的词,而不是完整的字段值。

2.3 查询端的差异:match 会分析,term 不分析

text 和 keyword 的差异不仅在写入端,查询端同样关键。这直接导致了很多人的“搜索不到”问题。

本身为 text 设计的 match 查询,在执行时会对你输入的查询词做和写入时一样的分析处理。比如查询 match “全文检索”,查询词被翻成 [全文, 检索] 或 [全文检索] 后再去倒排索引匹配。所以 match 对 text 字段,是“分析对分析”,天然配套。

而 term 查询完全不分析查询词,你传什么,它就拿着什么去索引里找。当字段类型是 keyword 时,term 找的是完整词条,这没问题;当字段类型是 text 时,term 找的其实是分词后的碎片词条——也就是说,你得碰巧查到某一个分词结果,才能命中。很多人对 text 字段用 term 查“全文检索实战指南”,当然查不到,因为这个完整字符串在索引里根本不存在,它已经被拆成好几个词条了。

有一种很典型的现象:term 查询 text 字段偶尔能查到数据,就会误导人以为“term 也能查 text”。其实那只是因为你查询的词碰巧等于某个分词词条。这种写法极不稳定,一旦换一个查询词就废了。我的建议很简单:全文匹配老老实实用 match,精确匹配的字段就设成 keyword。

2.4 双字段方案 multi-fields:成年人不做选择题

实际项目中你经常会遇到一个字段既要支持全文检索,又要支持精确匹配和聚合。比如文章的标题,用户既希望搜索“Elasticsearch 全文检索”时能模糊命中,管理员后台又希望能按标题精确筛选、按标题排序。

这时候成年人的选择不是二选一,而是两个都要:用 multi-fields 把一个字段同时映射成 text 和 keyword。映射大概是这个意思:

JSON
{
"mappings": {
"properties": {
"title": {
"type": "text",
"fields": {
"keyword": {
"type": "keyword",
"ignore_above": 256
}
}
}
}
}
}

这样写入时,title 字段既会走分词流程支持全文检索,同时完整的原始值也会作为一个整体存到 title.keyword 子字段里,支持精确匹配、聚合、排序。搜索引擎部分用 title,后台筛选排序用 title.keyword,一个字段解决两种需求。

不过要注意:multi-fields 不是免费的,双字段意味着双份索引存储,索引体积会变大;写入性能也会受一定影响。所以不要无脑给所有字段都套上双字段结构,要按实际业务需求来。

3. 别再背口诀了:按真实场景对号入座来选

关于 text 和 keyword 的选择,网上流传着很多口诀,比如“需要分词就 text,不需要就 keyword”。这句话方向没错,但实际业务远没那么简单。我更推荐你把选型建立在一组明确的判断问题上。

3.1 选型前先问自己三个问题

每遇到一个字符串字段,我都会强迫自己先回答:

  1. 用户会不会对这个字段做“包含某词就算命中”的模糊搜索? 需要模糊搜索,text;只需要完整值匹配,keyword。
  2. 这个字段后面要不要做聚合、排序、去重? 要的话,如果没有特殊的排序算法需求,走 keyword 子字段更稳。
  3. 字段值有长度上限吗?会不会超过 256 个字符? 会的话,直接设 keyword 要谨慎,因为 keyword 在 Elasticsearch 中有默认的 ignore_above 参数,超过上限的字段值不会被索引,后面我会讲这个坑。

这三个问题问完,80% 的字段基本就能当场拍板。

3.2 这些字段,无脑选 keyword 也行

如果你的业务里有下面这些字段类型,直接 keyword,不用犹豫:

  • 状态、枚举类:订单状态 pending_payment、paid、shipped;审核状态 approved、rejected。这些字段一辈子就是几个固定值,用户只会精确筛,不需要分词。
  • ID、编码类:用户 ID、订单号、SKU 编码、手机号、身份证号、邮箱地址、URL。它们通常是完整匹配或者范围过滤,拆词反而会出问题。
  • 标签类:商品的标签、文章的分类、用户的兴趣标签。这类值虽然可能包含多个词,但业务上一般按精确匹配处理。
  • 需要聚合统计的字段:按品类聚合商品数量、按城市聚合用户分布,聚合的字段必须是 keyword(或 numeric 等非 text 类型)。

对了,补充一句:有些人喜欢把所有 keyword 字段都叫 keyword,其实很多 ID 类字段更推荐用 long 或 integer,数值类型在范围查询和排序上更高效。如果 ID 是纯数字,先考虑数值类型。

3.3 这些字段,就该交给 text

需要“按词找内容”的场景,就是 text 的领地:

  • 文章正文、商品描述、评论内容:用户输入任何一个关键词,都有可能构成一个合法的搜索需求,比如搜“降噪”“防水”“无线”。这些字段必须分词,必须走全文检索。
  • 商品标题、文章标题(但通常要配合 keyword 子字段):搜索主路径走 text 没问题,但如果后台需要按标题精确筛选、导出排序,别忘记加 keyword 子字段。
  • 收货地址、日志信息:这类内容用户可能只记得其中一部分内容,想靠片段回忆或检索,必须分词。

3.4 一个实际电商搜索的例子,看完就通透了

假设你要做一个电商搜索页,涉及商品名称、品牌、颜色、价格、库存状态这几个字段。我来演示一下完整的选型思路:

  • name:用户会搜“iPhone 15 黑色”,需要模糊匹配,选 text。同时运营后台要按商品名精确筛选排序,所以建议 multi-fields 加上 keyword 子字段。
  • brand:品牌名就那几个,用户选“Apple”是要精确筛,不做分词,选 keyword。
  • color:颜色是枚举值,选 keyword。但注意中文场景下颜色词可能不止一个 tags,比如“深空灰色”,如果你希望搜“灰色”也能命中,那就需要考虑分词方案或用多标签字段。
  • price:数值类型,选 double 或 scaled_float,这和本文主旨无关但同样重要。
  • stock_status:库存 in_stock / out_of_stock,精确匹配,选 keyword。

这样选完,搜索主路径(商品名称模糊匹配)是通的,后台筛选(品牌、颜色、库存)是通的,聚合统计(按品牌、颜色聚合)也是通的,没有明显的坑。

4. 现实中的检索从来不是单选题:组合拳才是常态

把 text 和 keyword 选对以后,还有一个更高阶的问题:一套检索系统里,它们是怎么协同工作的?

4.1 bool query 拼接关键词、全文与过滤条件

实际业务中几乎不会有“一个输入框、一个字段、一种匹配方式”这么简单的事。更常见的需求是:用户输入一段话,系统同时完成关键词精确匹配、全文模糊匹配和条件过滤。

典型的查询结构是这样。用户搜“iPhone 15”,页面左侧还有“颜色:黑色”“品牌:Apple”的筛选条件。你的查询大概长这样:

JSON
{
"query": {
"bool": {
"must": [
{ "match": { "name": "iPhone 15" } }
],
"filter": [
{ "term": { "brand": "Apple" } },
{ "term": { "color.keyword": "黑色" } }
]
}
}
}

这里的 match 走的是 name 的 text 字段,负责召回语义模糊匹配的商品;两个 term 走的是 brand、color 的 keyword 字段,负责精确过滤,而且放在 filter 里是不参与打分的,不影响 match 的相关度排序,查询性能也更好。

这段查询基本代表了常规搜索系统的标配:全文检索负责“找”,关键词检索/过滤负责“筛”。很多人抱怨 Elasticsearch 查不准,其实不是引擎的问题,而是把该筛的放进了 must,把该搜的放进了 filter,整个逻辑就乱了。

4.2 哈,别忘了语义检索这条新腿

现在很多团队会在 Elasticsearch 里加语义检索。比较常见的做法是:用 Embedding 模型把文档正文转成向量存入 dense_vector 字段,查询时把用户输入也转成向量,然后做 kNN 搜索。

这样做的价值,主要体现在“表达差异”上。举个例子,用户搜“怎么退换货”,传统全文检索只能命中包含“退换货”字样的文档,但语义检索能找到“申请退款”“退货流程”“换货政策”这些内容,因为它们的向量在语义空间里距离更近。

但我的建议是,不要一上来就用语义检索替代全文检索。更稳妥的方案是“两条腿走路”:传统检索负责精确召回和可解释性,语义检索负责扩展召回长尾表达。然后通过 bool 查询把两个结果合并,用 boost 控制权重,或者直接使用 RRF 之类的融合算法做排序融合。

要警惕一个问题:语义检索的向量召回里,偶尔会出现“距离近但业务上不相关”的结果。比如两篇文档都在讲“苹果手机维修”,但一篇是官方维修点介绍,一篇是第三方换屏广告,模型可能觉得它们挺像,而用户只想要官方信息。这种时候,keyword 字段的精确过滤条件反而是最后的防线。

4.3 排序权重分配:让“最像的”排在最前

混合检索跑通之后,下一个难点是排序。我的经验是:先给各条检索路径赋予明确的职责和权重。

  • 精确匹配(match_phrase 或 term)的权重最高,因为用户输入的关键词完整出现,代表需求最明确;
  • 全文匹配(普通 match)居中;
  • 语义相似度(knn)作为扩展召回,权重低一些,避免“太像但偏题”的结果顶到前面。

在查询里可以这样操作:用 function_score 把不同路径的分数加权汇总,然后统一排序。

JSON
{
"query": {
"bool": {
"should": [
{ "match_phrase": { "title": "iPhone 15" } },
{ "match": { "title": "iPhone 15" } },
{ "knn": { "field": "title_vector", "query_vector": [...], "k": 10 } }
]
}
}
}

这里 should 里的三个子句都会参与打分,你能通过对每个子句设置 boost 来控制“谁的贡献更大”。这个比例没有标准答案,不同业务差异很大,建议先小流量测试再定参数,别拿生产环境当试验场。

5. 我在生产环境里踩过的选型坑,希望你别再踩

这部分是全文最想让你记住的内容。以下四个坑,每一个都是我亲自踩过、并且帮别人排查过无数次的真实事故。

5.1 坑一:订单状态字段设成 text,聚合结果直接看不懂

有次接了个订单管理的需求,同事把订单状态字段 status 设成了 text,理由是“万一以后要多语言展示”。结果上线第一天,后台的“按状态统计订单数”图表就炸了:图例不是 pending_payment、paid、shipped,而是一堆拆散的词——payment、paid、ship 之类的碎片。

这就是 text 字段聚合的真实结果:分词器会把 pending_payment 拆成 [pending, payment],聚合时它不会按完整值归类,而是按分词后的词条归类。整个统计彻底失去意义。

这类字段的正确答案非常明确:枚举状态用 keyword,干脆利落。如果非要考虑多语言展示,那是前端国际化的问题,不应该拿数据类型去迁就。

5.2 坑二:给长文本设 keyword,ignore_above 让你悄悄丢数据

Elasticsearch 的 keyword 字段有一个默认行为:字段值超过 ignore_above(默认 256 字符)时,这个值不会被索引,但它依然存在原始文档里。什么意思呢?就是数据看起来还在,文档也能通过 _id 查出来,但任何对它的搜索、过滤、聚合都查不到它。非常隐蔽。

有次排查一个“文档明明在库里但搜不到”的问题,查了半天最后发现:一个备注字段用了 keyword,某个用户填了一长串备注超过 256 字符,于是那条记录的备注就“隐形”了。

所以当你决定用 keyword 时,先想清楚这个字段会不会有超长值。如果可能超长,要么改用 text,要么在 mapping 里显式调整 ignore_above 到你预期的上限。但说实话,超过 256 字符的内容还想要精确匹配的场景极少,该选 text 就选 text。

5.3 坑三:对 text 字段用 term 查询,明明有数据却搜不到

这是社区里出现频率最高的经典问题。“我的字段是 text,为啥 term 查询不到?”

前面原理部分讲过原因:term 查询不会对查询词做分析,而 text 字段在写入时已经被分词了。你搜的是完整字符串,索引里存的是拆分后的词条,自然对不上。

有些同学发现搜“Apple”能中,就觉得 term 也能查 text。其实只是因为 Apple 恰好被分成了单独的词条。你的查询词一换,比如改成“Apple iPhone”,立刻失灵。这套逻辑非常不稳定,强烈不建议在生产环境这么写。

正确的姿势两种:全文检索用 match;精确匹配字段用 keyword。就这么简单。

5.4 坑四:Mapping 建好后才发现选错,reindex 成本超出想象

Elasticsearch 的 mapping 一旦建立,字段类型是不能修改的。你没有办法把已经建好的 text 字段直接改成 keyword,也没办法反过来改。发现选错之后,唯一正规的路是重建索引:创建新索引(带着正确的 mapping)→ 用 reindex 把老数据搬过去 → 用 alias 切换读写流量 → 验证后删掉旧索引。

这套流程在小数据量下五分钟搞定,但在上亿文档的索引上,光 reindex 就要跑很久,而且中间还要处理增量数据同步的问题,运维成本远比你想象的高。

这也是为什么我反复强调“一开始就要选对”:选型错误的代价不是在写入时爆发的,而是在上线后某个深夜,当你发现聚合结果不对、搜索命中率异常时,才意识到要付出几小时的 reindex 代价。到那时候你才明白,当初那句“用 text 吧,方便”到底有多贵。

5.5 我个人现在的选型习惯

踩了足够多的坑之后,我现在的习惯非常简单:

  • 字符串字段先过一遍那三个判断问题;
  • 拿不准的字符串,默认 multi-fields(text + keyword 子字段),虽然费一点存储,但给未来留足了操作空间;
  • 明确是枚举、状态、ID、编码的,直接 keyword;
  • 明确是正文、描述、长文本的,直接 text,同时一定配好分词器;
  • 需要远程语义召回的大文本字段,额外加一个 dense_vector 子字段,走混合检索。

还有一个经常被忽略的小建议:如果 keyword 字段需要支持大小写不敏感的匹配,记得给字段配 normalizer。中文场景下这个需求没那么明显,但英文品牌词、邮箱、URL 场景很实用。配置一个简单的小写 normalizer,就能让 term 查询做到“Apple”和“apple”都能命中,别等到上线后用户反馈“为什么搜小写搜不到”才后悔。

基于Python+Open CV的手势识别算法设计
伴随着人工智能时代的到来,人机交互的领域也逐渐成为研究的一大方向;其中,手势识别是人机交互领域的一项关键技术,自此手势识别也迎来了一波高潮,近几年无论是在消费领域、电子领域、数码领域、家电领域甚至汽车领域上,都能或多或少的见到手势识别的身影。 手势识别在设计智能高效的人机界面方面具有至关重要的作用, 目前手势识别已应用到手语识别、智能监控、到虚拟现实等各个领域,手势识别的原理都是利用各种传感器(例如红外、摄像头等)对手部的形态进行捕捉并进行建模,形成一个模型信息的序列帧,而后将这些信息序列转换为机器能够识别的相对应指令(例如打开、切换菜单、移动等)来完成控制。 采用Python的集成开发环境Pycharm进行本次课程设计,在Pycharm中进行需要库(模块)的下载,调取电脑摄像头,按帧读取摄像头采集到的头像,形态学处理,图像旋转(由于摄像头采集到的图像是镜像,需要用cv2.flip将摄像头采集到的图像进行处理),选取图片中固定位置作为手势输入,用红线画出手势识别框,基于hsv的肤色检测,进行高斯滤波,找出轮廓,求出图像中手势的凹凸点,手指间角度求取。
努力学习前端的小陈
ArcGIS Pro入门制图教程
地理信息系统 (GIS) 是一种使用地图显示和分析数据的方式。在本教程中,您将学习桌面 GIS 应用程序 ArcGIS Pro 的基础知识。新加坡的一家旅行社希望制作一款宣传册,用于向游客介绍距离市中心热门目的地最近的火车站。该宣传册将与带有文本信息的地图相结合,并在城市的自助设备中出售。您将帮助该旅行社绘制旅游景点的地图,分析其与火车站的距离以及更改地图的外观以使其在视觉上更具吸引力。在 ArcGIS Pro 中,地图和数据通常被组织在一个工程中。开始制作地图之前,您将创建一个工程。
科研online
ArcGIS Pro 布局创建与地图加载全流程解析
本文详细解析了ArcGIS Pro中布局创建与地图加载的全流程。针对从ArcMap转来的用户,重点阐述了布局与地图解耦的核心设计理念,并提供了从新建布局、设置参考比例尺、加载地图框到深度控制与精细化排版的实用技巧,帮助用户高效制作专业地图。
您的账号已被封禁
ArcGIS PRO布局视图避坑指南:地图框添加与专题图制作的5个关键步骤
本文针对ArcGIS PRO用户在布局视图中制作专题图时遇到的常见问题,提供了地图框添加与专题图制作的5个关键步骤避坑指南。从理解布局视图思维、数据框预处理、地图元素协同配置,到深化视觉层次与最终输出检查,系统讲解了如何高效产出严谨美观的专业地图,帮助用户跨越从数据分析到地图输出的最后一公里。
冰炭不同炉
ROS-CV-ImageConverter:将ROS图像转换为OpenCV(cv :: Mat)类型的图像
ROS-CV图像转换器 依存关系 cv_bridge(ROS软件包)
Willis Wang
计算机视觉图像处理-CV2与图像插值算法
用最近邻插值与双线性插值原理完成图像缩放 最近邻插值,是指将目标图像中的点,对应到源图像中后,找到最相邻的整数点,作为插值后的输。缺点:使用最近邻插值算法处理图像放大时,在图象中可能出现明显的块状效应 双线性插值,在两个方向上做三次线性插值。使用双线性插值算法处理图像放大时,在图象中可能出现马赛克 代码 import cv2 img = cv2.imread(’./xiabang.jpg’, cv2.IMREAD_UNCHANGED) #缩放比例 scale_percent = 0.3 width = int(img.shape[1] * scale_percent) height = int
weixin_38697274
基于水平集CV模型的图像分割(Matlab代码)
基于水平集CV模型的图像分割(Matlab代码),全套代码
小宇QAQ
导向滤波(guide_filter)的python实现
导向滤波(guide_filter)的python实现,可以结合暗通道;理论实现比较好的图像去噪效果。
zachzhan_g
ArcGIS Pro 如何新建布局
你是否已经习惯了在ArcGIS中数据视图和布局视图之间来回切换,到了ArcGIS Pro中却找不到二者之间切换的按钮,即使新建布局后却发现地图怎么却是一片空白。从上面的图中可以看到,虽然新建了布局,但是地图还是空白的,如果想要显示地图还需要加载一下,将地图加载进来。在新建的布局上绘制一个框,作为地图显示的范围,绘制后可以看到地图已经完成加载,如下图所示。在菜单栏上选择插入,点击新建布局下拉箭头,选择一个合适的尺寸,如下图所示。点击后完成布局的新建,新建的布局如下图所示。
水经注GIS
ArcGIS Pro数据修复与图层管理实战指南
本文是ArcGIS Pro数据修复与图层管理的实战指南。针对数据源丢失导致的“红色叹号”问题,详细讲解了一键批量修复和进阶手动修复策略,并分享了使用相对路径、打包工程等防患于未然的黄金法则。同时,深入介绍了如何利用图层组进行高效的地图内容组织、比例尺控制与批量操作,帮助用户构建清晰、智能的专业地图,大幅提升GIS项目管理效率。
Tomato
ArcGIS Pro布局设计实战:从空白页面到专业地图输出的完整工作流
本文详细解析了ArcGIS Pro中从“新建布局”开始,到输出专业地图的完整工作流。内容涵盖布局哲学、地图框深度运用、制图元素集成及视觉排版等核心环节,旨在帮助中级用户掌握项目驱动的现代化制图方法,实现从数据到出版级地图的精准转化。
AnjneyMidha
ArcGIS PRO布局视图避坑指南:地图框添加与坐标系设置的5个常见错误
本文针对ArcGIS PRO用户在布局视图中常遇的难题,重点解析了地图框添加与坐标系设置的5个常见错误。从地图框的创建逻辑、坐标系冲突的根源剖析,到地图范围控制、元素联动更新以及打印导出设置,提供了一套完整的避坑指南与实战解决方案,帮助用户高效、精准地完成地图制图与输出工作。
重离子猫猫
ArcGIS Pro布局设计避坑指南:为什么你的地图总是显示空白?
本文深入解析ArcGIS Pro布局设计中地图显示空白的常见问题,提供从基础操作到高级排错的完整解决方案。重点讲解地图框的正确使用方法、布局元素配置技巧,以及多地图框协同工作等进阶功能,帮助用户快速掌握专业地图制作的核心技术。
习翔宇
CV算法(MATLAB)
chan 和 vese 提出的经典CV模型
beastLOVE
GrabCut:使用opencv-python cv2.grabCut交互式剪切图像
GrabCut 使用opencv-python cv2.grabCut交互式剪切图像
Aaron Gary
Opencv-Python图像透视变换cv2.warpPerspective的示例
今天小编就为大家分享一篇关于Opencv-Python图像透视变换cv2.warpPerspective的示例,小编觉得内容挺不错的,现在分享给大家,具有很好的参考价值,需要的朋友一起跟随小编来看看吧
weixin_38711369
leetcodecv-Kylin:CV算法岗面经&LeetCode刷题总结
leetcode cv Kylin CV算法岗面经 & LeetCode刷题总结 不断更新中。。。。 面试&笔试经验 LeetCode
weixin_38499553
基恩士CV-X系列相机控制器用户手册CV-X Series Users Manual_CHS.pdf
基恩士CV-X系列相机控制器用户手册CV-X Series Users Manual_CHS真的很不错,
weixin_43905342
ArcGIS布局视图方向调整与优化技巧
地图布局方向是GIS制图的基础设置,直接影响空间数据的可视化效果。横向(Landscape)和竖向(Portrait)布局通过调整页面长宽比例,可优化不同地理要素的展示方式。在ArcGIS等专业制图软件中,方向设置会联动影响比例尺、图例等核心元素的自动适配逻辑。本文以A4纸张为例,详解通过页面设置、Python脚本批处理等技术手段实现布局方向的高效调整,并针对比例尺失准、图例溢出等典型问题提供工程解决方案。特别适用于带状区域地图制作等需要最大化利用版面空间的场景,可提升40%以上的图面利用率。
塞音菩光
ArcGIS Pro 3.4必学新功能:符号系统与布局视图的可见性联动(含省时技巧)
ArcGIS Pro 3.4引入了符号系统与布局视图的可见性联动功能,通过唯一值符号化和复选框控制,实现原子级要素显示/隐藏。这一创新极大提升了制图效率,支持在符号系统窗格、内容窗格和布局视图中同步操作,特别适合城市规划、环境监测等需要动态展示的场景。
t8u9v0
ArcGIS Pro 布局创建与地图加载全攻略
本文详细解析了ArcGIS Pro中布局与地图分离的设计哲学,并提供了从新建布局到加载地图的完整操作指南。重点介绍了如何通过“插入”选项卡新建布局、选择合适的页面尺寸,以及使用地图框工具将项目中的地图动态链接至布局。文章还涵盖了地图范围控制、比例尺锁定、图例添加等深度定制技巧,帮助用户高效创建专业地图并导出为高质量成果。
milk8
ArcGIS多图布局实战:从数据框管理到批量导出的完整指南
在地理信息系统(GIS)制图领域,将多张地图高效整合到单一版面是提升分析报告专业性与表现力的关键技术。其核心原理在于理解并运用数据框与布局视图的分离机制,通过独立的数据框承载不同区域或专题的地理数据,并在统一的布局视图中进行精确排版与视觉整合。这项技术的核心价值在于实现了制图流程的标准化与自动化,避免了传统拼图方式带来的效率低下与更新困难问题,尤其适用于区域对比、时间序列分析、综合评估报告等需要多视角、多维度展示地理信息的应用场景。本文聚焦于ArcGIS Pro平台,深入剖析了多图布局中数据框范围联动、地图
aaa1231722
monolithic-cv:CV算法的集合
单片-cv 计算机视觉算法转储
晨曦姜
改进的cv图像分割
改进的cv图像分割,对学习cv模型有帮助
a904235765
C++实现基于暗通道与导向滤波的图像去雾算法
资源下载链接为: https://pan.quark.cn/s/1bfadf00ae14 在图像处理领域,图像去雾技术用于消除大气散射导致的模糊,提升图像清晰度和视觉质量。本文将介绍一种基于暗通道和导向滤波的图像去雾算法,并探讨如何使用C++和OpenCV库实现。 暗通道理论由Jia等人于2006年提出。他们发现自然场景中存在一些低亮度像素,通常位于无直射光区域。这些像素被称为暗通道像素,可用于估计大气散射模型中的透射率。具体方法是将图像分块,在每块中找到最暗像素值作为暗通道像素。 大气散射模型是图像去雾的基础,描述了光线在大气中传播时的散射影响。模型公式为: I(x)=T(x)×J(x)+A×(1−T(x)) 其中,T(x)是透射率,J(x)是无雾图像亮度,A是全局大气光。透射率与散射程度成反比,无雾图像亮度反映物体本身色彩。 利用暗通道先验,可以近似估计透射率。假设D(x)为暗通道像素,透射率T(x)可通过迭代公式计算: T k+1 (x)= max(D)+ϵ D(x) +(1− max(D)+ϵ D(x) )×T k (x) 其中,k是迭代次数,ϵ是小常数,用于避免除零。 估计透射率后,使用导向滤波器平滑透射率图,减少噪声和边缘失真。导向滤波是一种自适应局部滤波方法,可保持图像边缘细节,同时进行平滑处理。在图像去雾中,它根据图像梯度信息指导滤波过程,更好地恢复图像清晰度。 通过大气散射模型,可得到去雾后的图像: J out (x)= T(x) I(x)−A×(1−T(x)) +A 在C++中,可借助OpenCV库处理图像数据。首先读取输入图像,然后提取暗通道,估计透射率,应用导向滤波,最终恢复无雾图像。OpenCV提供了丰富的图像处理函数,如cv::split用于分离通道,cv::min用于找最小值,cv::filter2D用于导向滤波,cv::imwrite用于保存
KaiyuanCode
cv模型图像分割matlab源程序
cv模型 matlab 图像分割源码,逻辑清晰,注释详尽。
phoenix01
CV图像分割
从pud找到的CV图像分割代码,代码的通过较少的迭代次数就可以实现图像的分割,对学习CV分割有帮助。
a904235765
ArcGIS Pro 3.0 布局视图实战:5分钟搞定专业地图的图例、比例尺与指北针
本文详细介绍了ArcGIS Pro 3.0布局视图的实战技巧,帮助用户在5分钟内高效添加图例、比例尺与指北针,打造专业地图。通过智能图例、动态比例尺和现代化指北针设计,提升制图效率与美观度,特别适合GIS初学者和从ArcMap迁移的用户。
weixin_30652491
ArcGIS Pro界面突然消失?3种恢复方法+自定义布局技巧
本文针对ArcGIS Pro用户常见的操作界面元素突然消失问题,提供了三种核心恢复方法:通过“视图”功能区一键唤回、利用“重置窗格”命令恢复默认布局,以及通过应用程序设置进行深度恢复。文章还深入讲解了如何通过停靠、分组窗格以及自定义功能区等技巧,打造高效个性化的操作界面,帮助用户从被动解决问题转向主动优化工作环境。
nnn11
深入剖析一个卷积块(ConvBlock)
深入剖析一个卷积块(ConvBlock)
文弱_书生