欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

ES 09 - Elasticsearch使用分析器分析索引 + 定制分析器

程序员文章站 2022-07-07 21:38:31
Elasticsearch底层是如何创建索引、分析索引的? 作为全文检索引擎, 它又是如何对文本进行分词的? 分词是否支持自定义? 本篇介绍这些概念. ......

1 索引分析

索引分析: 将文本块按照一定的策略分解, 并建立倒排索引的过程. 这个过程由分析器(analyzers)完成.

1.1 分析器的组成

① 字符过滤器(character filter): 去除html标签, 或转换"&"为"and"等.

② 分词器(tokenizer): 按照某种规律, 如根据空格、逗号等, 将文本块进行分解.

③ 标记过滤器(token filter): 所有被分词器分解的词都将经过token filters的处理, 它可以修改词(如小写化处理)、去掉词(根据某一规则去掉无意义的词, 如"a", "the", "的"等), 增加词(如同义词"jump"、"leap"等).

注意: 人们一般将分析器通称为分词器, 并不是相等的关系, 而是包含的关系.

1.2 倒排索引核心原理-normalization

建立倒排索引时, 会执行 normalization(正常化)操作 —— 将拆分的各个单词进行相应的处理, 以提高搜索时命中相关联的文档的概率.

normalization的方式有: 时态转换, 单复数转换, 同义词转换, 大小写转换等.

比如: 文档中包含 "mom likes small dogs", 在建立索引时通过normalization处理, 通过 "mother liked little dog" 也能搜索到相关的文档.

2 es的默认分析器

(1) es中的默认分析器: standard tokenizer, 标准分析器, 以单词为边界进行分词. 具有如下功能:

standard token filter: 去掉无意义的标签, 如<>, &, - 等.

lowercase token filter: 将所有字母转换为小写字母.

stop token filer(默认被禁用): 移除停用词, 比如"a"、"the"等.

(2) 测试默认分析器:

get _analyze            // es引擎中已有standard分词器, 所以可以不指定index
{
    "analyzer": "standard", 
    "text": "there-is a dog<br/> in house &"
}

3 修改分词器

(1) 创建索引后可以添加新的分词器, 添加之前必须先关闭索引, 添加之后再打开:

// 先关闭索引: 
post address/_close

// 启用english停用词token filter
put address/_settings
{
    "analysis": {
        "analyzer": {
            "my_token_filter": {        // 自定义的分词器名称
                "type": "standard",
                "stopwords": "_english_"
            }
        }
    }
}

// 打开索引: 
post address/_open

(2) 使用具有停词功能的分词器进行分词:

get address/_analyze
{
    "analyzer": "my_token_filter", 
    "text": "there-is a dog<br/> in house &"
}

(3) 返回结果减少了停用词:

{
    "tokens": [
        {
            "token": "dog",
            "start_offset": 11,
            "end_offset": 14,
            "type": "<alphanum>",
            "position": 3
        },
        {
            "token": "br",
            "start_offset": 15,
            "end_offset": 17,
            "type": "<alphanum>",
            "position": 4
        },
        {
            "token": "house",
            "start_offset": 23,
            "end_offset": 28,
            "type": "<alphanum>",
            "position": 6
        }
    ]
}

4 定制分词器

4.1 向索引中添加自定义的分词器

注意: 要先关闭索引, 再添加, 然后再打开索引.

put address/_settings
{
    "analysis": {
        "char_filter": {
            "&_to_and": {
                "type": "mapping",
                "mappings": ["&=> and"]
            }
        },
        "filter": {
            "my_stopwords": {
                "type": "stop",
                "stopwords": ["the", "a"]
            }
        },
        "analyzer": {
            "my_analyzer": {            // 自定义的分析器名称
                "type": "custom",
                "char_filter": ["html_strip", "&_to_and"],  // 跳过html标签, 将&符号转换为"and"
                "tokenizer": "standard",
                "filter": ["lowercase", "my_stopwords"]     // 转换为小写
            }
        }
    }
}

4.2 测试自定义分析器

get address/_analyze
{
    "analyzer": "my_analyzer", 
    "text": "there-is a dog<br/> in house &"
}

响应结果中已经对大写单词、html标签, 以及"&"做了处理. 鉴于篇幅所限, 这里省去.

4.3 向映射中添加自定义的分析器

put address/_mapping/province
{
    "properties": {
        "content": {
            "type": "text",
            "analyzer": "my_analyzer"
        }
    }
}

此时查看mapping信息:

get address/_mapping

发现自定义的分析器已经配置到province上了:

{
  "address": {
    "mappings": {
      "province": {
        "properties": {
          "content": {
            "type": "text",
            "analyzer": "my_analyzer"
          },
          "description": {
            "type": "text"
          }
        }
      }
    }
  }
}

版权声明

作者: ma_shoufeng(马瘦风)

出处: 博客园

您的支持是对博主的极大鼓励, 感谢您的阅读.

本文版权归博主所有, 欢迎转载, 但未经博主同意必须保留此段声明, 且在文章页面明显位置给出原文链接, 否则博主保留追究相关人员法律责任的权利.