elasticsearch ngram和edgengram分词器
文章目录
1. Analysis 简介
理解elasticsearch的ngram首先需要了解elasticsearch中的analysis。在此我们快速回顾一下基本原理:
当一个文档被索引时,每个field都可能会创建一个倒排索引(如果mapping的时候没有设置不索引该field)。倒排索引的过程就是将文档通过analyzer分成一个一个的term,每一个term都指向包含这个term的文档集合。当查询query时,elasticsearch会根据搜索类型决定是否对query进行analyze,然后和倒排索引中的term进行相关性查询,匹配相应的文档
analyzer = CharFilters(0个或多个) + Tokenizer(恰好一个) + TokenFilters(0个或多个)
2. index analyzer VS search analyzer
如果mapping
中只设置了一个analyzer,那么这个analyzer
会同时用于索引文档和搜索query
。当然索引文档和对query进行analysis
也可以使用不同的analyzer
一个特殊的情况是有的query是需要被analyzed,有的并不需要。例如match query
会先用search analyzer
进行分析,然后去相应field
的倒排索引进行匹配。而term query
并不会对query内容进行分析,而是直接和相应field的倒排索引去匹配
3. Analyze API
Analyze API是一个有效的方式查看分析后的结果:
POST _analyze
{
"analyzer" : "standard",
"text" : "hello, world"
}
输出的结果如下所示,即[hello, world]
4. Ngram
在机器学习和数据挖掘领域,ngram通常指的是n个词的序列。不过在elasticsearch中,ngram代表的是n个字符的序列。可以把ngram理解成长度为n的滑动窗口,在文档中滑动产生的序列
5. Ngram Tokenizer
POST _analyze
{
"tokenizer": "ngram",
"text": "Quick Fox"
}
ngram分词器默认会产生最小长度为1,最大长度为2的N-grams序列。上述查询语句的输出是
[ Q, Qu, u, ui, i, ic, c, ck, k, "k ", " “, " F”, F, Fo, o, ox, x ]
也可以自定义ngram tokenizer的一些配置:
-
min_gram: 指定产生的最小长度的字符序列,默认为1
-
max_gram: 指定产生的最大长度的字符序列,默认为2
-
token_chars: 指定生成的token应该包含哪些字符.对没有包含进的字符进行分割,默认为[],即保留所有字符
-
- letter - eg: a,b,字
-
- digit - eg: 3,7
-
- whitespace - eg: " ", “\n”
-
- punctuation - eg: !, "
-
- symbol - eg: $,√
定义min_gram
和max_gram
应该按照使用场景来定。使用ngram的一个常见场景就是自动补全。如果单个字符也进行自动补全,那么可能匹配的suggestion太多,导致没有太大意义。
另一个需要考虑的便是性能,产生大量的ngram占用空间更大,搜索时花费的事件也更多。
假如现在需要将ngrams生成的token都转换成小写形式,可以使用如下形式
PUT my_index
{
"settings": {
"analysis": {
"tokenizer": {
"ngram_tokenizer": {
"type": "nGram",
"min_gram": 4,
"max_gram": 4,
"token_chars": [ "letter", "digit" ]
}
},
"analyzer": {
"ngram_tokenizer_analyzer": {
"type": "custom",
"tokenizer": "ngram_tokenizer",
"filter": [
"lowercase"
]
}
}
}
}
}
POST my_index/_analyze
{
"analyzer": "ngram_tokenizer_analyzer",
"text": "Hello, World!"
}
生成的结果序列是[ello, hell, orld, worl]
6. Ngram Token Filter
上述的例子也可以使用Ngram Token Filter
,配上standard的分词器和lower-case
的过滤器。
原文本被standard分词器以whitespace和punctuation分割成token,然后通过lowercase过滤器转换成小写形式,最后通过ngram filter生成长度为4的字符序列
PUT /my_index
{
"settings": {
"analysis": {
"filter": {
"ngram_filter": {
"type": "nGram",
"min_gram": 4,
"max_gram": 4
}
},
"analyzer": {
"ngram_filter_analyzer": {
"type": "custom",
"tokenizer": "standard",
"filter": [
"lowercase",
"ngram_filter"
]
}
}
}
}
}
POST my_index/_analyze
{
"analyzer": "ngram_filter_analyzer",
"text": "Hello, World!"
}
上述mapping也会和ngram tokenizer产生同样的效果,具体实际应用如何选择应该视场景而定。假如想匹配的term中可以包含特殊字符,那么你应该使用ngram tokenizer。因为standard的tokenizer会过滤掉这些特殊字符。
7. Edge Ngram
Edge Ngram和ngram类似,只不过Edge Ngram产生的序列都是从代索引文档的开头延伸出去的。
POST _analyze
{
"tokenizer": "edge_ngram",
"text": "Quick Fox"
}
会产生[ Q, Qu ]
Edge Ngram也有着和ngram相同的配置
-
min_gram: 指定产生的最小长度的字符序列,默认为1
-
max_gram: 指定产生的最大长度的字符序列,默认为2
-
token_chars: 指定生成的token应该包含哪些字符.对没有包含进的字符进行分割,默认为[],即保留所有字符
-
- letter - eg: a,b,字
-
- digit - eg: 3,7
-
- whitespace - eg: " ", “\n”
-
- punctuation - eg: !, "
-
- symbol - eg: $,√
对于如下的mapping
- symbol - eg: $,√
PUT my_index
{
"settings": {
"analysis": {
"analyzer": {
"my_analyzer": {
"tokenizer": "my_tokenizer"
}
},
"tokenizer": {
"my_tokenizer": {
"type": "edge_ngram",
"min_gram": 2,
"max_gram": 10,
"token_chars": [
"letter",
"digit"
]
}
}
}
}
}
POST my_index/_analyze
{
"analyzer": "my_analyzer",
"text": "2 Quick Foxes."
}
产生的token序列为[ Qu, Qui, Quic, Quick, Fo, Fox, Foxe, Foxes ]
参考连接:
https://njucz.github.io/2017/12/20/elasticsearch%20ngram,edgengram%E7%AC%94%E8%AE%B0/
上一篇: 爆囧,好笑好玩的校园