Elasticsearch 倒排索引 + 分词

原文链接：http://aoyouzi.iteye.com/blog/215151

 

 

es使用称为倒排索引的结构达到快速全文搜索的目的。

 

一个倒排索引包含一系列不同的单词，这些单词出现在任何一个文档，

对于每个单词，对应着所有它出现的文档。

 

比如说，我们有2个文档，每个文档有一个conteng字段。

内容如下：

“ The quick brown fox jumped over the lazy dog”

“ Quick brown foxes leap over lazy dogs in summer”

 

为了创建倒排索引，

我们首先对每个字段进行分词，我们称之为terms或者tokens,创建了一些列有序列表，

然后列举了每个单词所出现的文档，结果如下：

 

Term      Doc_1  Doc_2

-------------------------

Quick   |       |  X

The     |   X   |

brown   |   X   |  X

dog     |   X   |

dogs    |       |  X

fox     |   X   |

foxes   |       |  X

in      |       |  X

jumped  |   X   |

lazy    |   X   |  X

leap    |       |  X

over    |   X   |  X

quick   |   X   |

summer  |       |  X

the     |   X   |

------------------------

现在，如果我们想搜索"quick brown",我们只需要找到每个单词出现的文档。

 

Term      Doc_1  Doc_2

-------------------------

brown   |   X   |  X

quick   |   X   |

------------------------

Total   |   2   |  1

 

两个文档都匹配，但是第一个文档有更高的匹配度，

如果我们采用一个简单的相似算法，我们可以说，第一个文档比第2个文档有更高的匹配度。

也更相关。

 

 

但是，仍然有一些问题。

 

"Quick"和"quick"看起来是不同的单词，但是用户通常认为是一样的。

 

"fox"和"foxes"更相似，还有"dog"和"dogs"，具有共同的词根。

 

"jumped"和"leap"，尽管不具备相同的词根，意思上是一样的。它们是同义词。

 

对于以上的索引，一个搜索"+Quick + fox"不可能匹配任何文档。

 

单词"Quick" 和单词 "fox"必须在同一个文档里以满足查询要求，

但是第一个文档包括"quick fox" 而第2个文档包含 "Quick foxes".

 

我们的用户有理由希望两个文档都匹配，我们可以做的更好。

 

如果我们把单词归一化到标准格式，我们就可以达到上面的目标。

这种情况下，虽然单词不是完全一致，但是也足够相似保证相关性。比如：

 

 

"Quick" 可以小写为 "quick".

"foxes" 可以提取词根成为 "fox".

类似的 "dogs" 可以成为 "dog".

"jumped" 和 "leap" 是同义词，可以索引为一个单词 "jump".

 

那么，现在的索引就是:

 

Term      Doc_1  Doc_2

-------------------------

brown   |   X   |  X

dog     |   X   |  X

fox     |   X   |  X

in      |       |  X

jump    |   X   |  X

lazy    |   X   |  X

over    |   X   |  X

quick   |   X   |  X

summer  |       |  X

the     |   X   |  X

------------------------

 

我们的搜索 "+Quick +fox" 仍然失败,因为我们不再有Quick在索引里，

尽管如此，如果我们采用同样的归一化规则，

我们可以用在查询字符串上，它就变为 "+quick +fox",

这样就可以匹配到文档。

 

这一点非常重要，你只能找到那些在你的索引里出现的单词，所以，索引过的文本和查询字符串都需要遵循

同一种归一化规则。

 

分词和归一化叫做分析http://my.oschina.net/qiangzigege/blog/265360

 

 

 

 

 

 

什么叫分析过程？

1）将文本块分词，以倒排索引的方式

2）归一化到标准形式来提高可搜索性。

 

这个工作的执行者叫做分析器，一个分析器包含以下3个功能：

1）字母过滤

首先，字符串依次通过任何一个字符过滤器，

过滤器的工作是清洗字符串，也就是说先清洗再分词。

一个字符过滤器可以去除HTML字符，也可以转换"&"变为"and".

2)分词

下一步，字符串被分词为很多个单词，一个简单的分词器也许依靠空格或者标点符号来分词。

3)单词过滤

最后，每个单词传给单词过滤器，它们可以将单词小写或者删除单词比如a,and,the,etc.

或者增加单词比如jump和leap.

 

es提供了很多字符串过滤器，分词器和单词过滤器。

这些单元可以组合起来使用，后面再说。

 

内置的分析器

尽管如此，es也包含了很多内置的分词器，你可以直接使用。

 

我们列举了最重要的一些，演示区别。

所用的文本基于：

"Set the shape to semi-transparent by calling set_trans(5)"

 

标准分析器

标准分析器是es默认的分析器,如果文本可能是各种语言，总的来说选择标准分析器是没错的。

它把文本分成单词(由Unicode决定)，移除大部分标点符号，

最终，将所有单词小写化，这样，结果如下：

 

 

set, the, shape, to, semi, transparent, by, calling, set_trans, 5

PS:先清洗，再分词，再归一化。

 

简单analyzer

这个分析器将文本分词的规则是每个字符是不是一个letter,

然后将所有单词小写化，结果如下：

 

set, the, shape, to, semi, transparent, by, calling, set, trans

 

空格analyzer

依靠空格来分词，不将单词小写化，

结果如下：

Set, the, shape, to, semi-transparent, by, calling, set_trans(5)

 

语言分析器

特定语言分析器是可用的，可以处理特殊字符。

比如，英语分析器附带很多英语过滤单词集合，这些集合包括没啥意义的单词。

那分析器就会去掉这些单词，可以对英语单词进行提取词干，

这是因为英语分析器知道英语的语法规则。

 

结果如下：

set, shape, semi, transpar, call, set_tran, 5

注意："transparent", "calling", and "set_trans" 已经归一化到词根形式。

 

什么时候用分析器

当我们索引一个文档，它的整个文档被分析成单词，单词用来创建倒排索引。

尽管如下，当我们搜索全文字段，我们也需要将查询字符串进行同样的分析过程。

实际上也就是说，你之前如何对全文做索引的，这个时候也要对查询字符串做同样的归一化处理。这样才可以

保证可以查出来数据。

 

后面说全文搜索，

当你查询一个全文字段，查询将对查询字符串应用同样的分析器来产生一系列分词后的单词。

 

当你查询一个具体的字段，查询就不会对查询字符串进行分析，仅仅搜索具体的值。

 

现在你就理解了之前的：

date字段包含了一个具体的值：一个单词 "2014-09-15".

_all字段是一个全文字段，所以分析器已经把日期分成3个单词: "2014", "09" and "15".

当我们在_all字段里搜索2014，有12个结果，因为都包含2014这个单词。

 

GET /_search?q=2014              # 12 results

 

当我们在_all字段里搜索2014-09-15, 首先会把查询字符串分词为"2014", "09" and "15".

仍然包含了12个tweets,因为都包含2014.

GET /_search?q=2014-09-15        # 12 results !

 

当我们查询date字段，值为2014-09-15, 搜索会寻找具体的日期，结果只有1个：

GET /_search?q=date:2014-09-15   # 1  result

 

当我们查询date字段，值为2014,就找不到文档。

GET /_search?q=date:2014         # 0  results !

 

 

测试分析器

如果你是一个新手，有时会很难理解分词的具体原理和存储索引的过程。

(不看源码你永远不可能知道，just read the fuc*ing source code please!!!)

为了更好的理解怎样运行的，你可以使用分析API来看文本如何分析的。

在查询字符串参数里指定你想用哪个分析器，body里指定分析的文本。

 

GET /_analyze?analyzer=standard

Text to analyze

 

结果如下：

{

   "tokens": [

      {

         "token":        "text",

         "start_offset": 0,

         "end_offset":   4,

         "type":         "<ALPHANUM>",

         "position":     1

      },

      {

         "token":        "to",

         "start_offset": 5,

         "end_offset":   7,

         "type":         "<ALPHANUM>",

         "position":     2

      },

      {

         "token":        "analyze",

         "start_offset": 8,

         "end_offset":   15,

         "type":         "<ALPHANUM>",

         "position":     3

      }

   ]

}

 

这些单词就是真实的被存储在索引里的单词。

position表明单词出现的顺序，

start_offset 和 end_offset 表明 字符在原始文本里的位置。

 

分析API对于理解es的索引很有用。

 

指定分析器

当es发现有需要索引的String字段，自动认为是全文字符串字段，用标准分析器来分析。

 

有的时候你可能不想要这个分析器，纳尼？

也许你想采用一个不同的分析器，因为你觉得它更合适。

也许你还希望一个string字段就是一个字段，不需要认为是全文字段，比如说字符串类型的userid和内部身份。

http://my.oschina.net/qiangzigege/blog/265553

 

 

 

 

 

索引里的每个文档有一个type,

每一个type有它自己的映射模式，一个映射指定了type里的字段，每个字段的数据类型，并且字段如何被es处理。

一个映射也被用来配置元数据。

 

我们会后续详细讨论映射。

 

核心简单字段类型

 

es支持下列简单的字段类型：

 

String: string

 

Whole number: byte, short, integer, long

 

Floating point: float, double

 

Boolean: boolean

 

Date: date

 

当你索引一个文档，而这个文档包含了一个新的字段，es会动态映射此字段，规则如下：

 

JSON type:                Field type:

 

Boolean: true or false    "boolean"

 

Whole number: 123         "long"

 

Floating point: 123.45    "double"

 

String, valid date: "2014-09-15"  "date"

 

String: "foo bar"          "string"

 

这也就意味着，如果你索引 “123”，就映射成字符串，而不是long.

尽管如此，如果这个字段已经映射成long,es将尝试按此转换，失败则抛出异常。

 

查看映射

使用/_mapping来查看已有的映射关系。

比如查看index:gb  type:tweet的映射

GET /gb/_mapping/tweet

结果：

{

   "gb": {

      "mappings": {

         "tweet": {

            "properties": {

               "date": {

                  "type": "date",

                  "format": "dateOptionalTime"

               },

               "name": {

                  "type": "string"

               },

               "tweet": {

                  "type": "string"

               },

               "user_id": {

                  "type": "long"

               }

            }

         }

      }

   }

}

 

定制字段的映射

 

字段最重要的属性就是type,

 

{

    "number_of_clicks":

    {

        "type": "integer"

    }

}

string类型的字段，默认，认为是全文搜索，

也就是说，值会传递给分析器，搜索之前也会将查询字符串进行全文分词再搜索。

 

字符串字段最重要的2个映射关系是index和analyser.

 

index

index属性决定字符串如何被索引，有3个值：

1 analyzed

先分词，再索引，全文搜索

 

2 not_analyzed

索引这个字段，这样可以被搜索，但是直接索引，不分词。

 

3 no

不要索引这个字段，这个字段也不会被搜出来。

 

string字段默认是analyzed.

 

下面阐述了不分词的做法

{

    "tag": {

        "type":     "string",

        "index":    "not_analyzed"

    }

}

其它简单的字段类型-long, double, date etc ，

也可以接收index参数，不过只可以取值no ,not_analyzed.

 

analyzer

对于需要分词的string字段，analyzer属性决定使用哪个分词器，默认，使用standard分词器。

但是你可以设置为一个内置的分词器，比如whitespace,simple,english.

 

{

    "tweet": {

        "type":     "string",

        "analyzer": "english"

    }

}

 

更新映射

你可以在创建索引时指定映射，另外，你可以使用/_mapping来修改映射或者增加映射。

 

如果一个字段已经在映射里存在，这也许意味着这个字段的数据已经被索引了，如果你想这个字段的映射，

已经索引过的数据就会出错。

 

我们可以通过增加一个新的字段来修改映射，但是我们不能修改已经存在的字段从分词到不分词。

 

 

删除gb索引

DELETE /gb

 

然后创建一个索引，指定tweet字段使用english分词器。

 

PUT /gb

{

  "mappings": {

    "tweet" : {

      "properties" : {

        "tweet" : {

          "type" :    "string",

          "analyzer": "english"

        },

        "date" : {

          "type" :   "date"

        },

        "name" : {

          "type" :   "string"

        },

        "user_id" : {

          "type" :   "long"

        }

      }

    }

  }

}

这就创建了一个带映射关系的索引。

 

下面修改映射，增加一个新的不分词的字段tag到tweet映射中。

 

PUT /gb/_mapping/tweet

{

  "properties" : {

    "tag" : {

      "type" :    "string",

      "index":    "not_analyzed"

    }

  }

}

 

测试映射

可以使用分词API来测试映射，

 

GET /gb/_analyze?field=tweet

Black-cats

 

GET /gb/_analyze?field=tag

Black-cats

前者2个分词，后者一个分词。

http://my.oschina.net/qiangzigege/blog/269856

 

 

 

 

 

除了简单的数据类型，JSON还有null值，数组和对象，es都支持。

 

多值字段：

有可能我们想我们的标签字段包含好几个标签，可以用数组：

{ "tag": [ "search", "nosql" ]}

这没有什么特别的，任何字段可以包含0,1或者多个值，这跟一个全文字段产生多个分词道理是一样的。

 

这意味着，一个数组的所有值必须是同样的数据类型，你不能混杂两种数据类型，

如果你通过索引一个数组而创建了一个新的字段，es将使用第一个值的数据类型来决定整个字段的数据类型。

 

数组的元素没有顺序，你不能说第一个元素和最后一个元素，就是一个集合。

 

空字段

数组，可以为空，事实上，Lucene是没有办法存储空值的，所以，一个没有值的字段被认为是一个空的字段。

 

以下四种字段可以认为是空的，不会被索引：

"empty_string":             "",

"null_value":               null,

"empty_array":              [],

"array_with_null_value":    [ null ]

 

多层对象

最后一个JSON数据类型是对象object,比如哈希，字典和数组。

 

数据对象嵌套是常见的，比如：

 

{

    "tweet":            "Elasticsearch is very flexible",

    "user": {

        "id":           "@johnsmith",

        "gender":       "male",

        "age":          26,

        "name": {

            "full":     "John Smith",

            "first":    "John",

            "last":     "Smith"

        }

    }

}

 

内部对象的映射

es会探测到新的对象字段并且映射为object类型，

映射如下：

{

  "gb": {

    "tweet": {

      "properties": {

        "tweet":            { "type": "string" },

        "user": {

          "type":             "object",

          "properties": {

            "id":           { "type": "string" },

            "gender":       { "type": "string" },

            "age":          { "type": "long"   },

            "name":   {

              "type":         "object",

              "properties": {

                "full":     { "type": "string" },

                "first":    { "type": "string" },

                "last":     { "type": "string" }

              }

            }

          }

        }

      }

    }

  }

}

 

内部对象如何被索引?

Lucene不知道内部对象，一个Lucene文档包含一个平级的k/v结构。

为了让es索引内部对象，我们的文档会转化如下：

{

    "tweet":            [elasticsearch, flexible, very],

    "user.id":          [@johnsmith],

    "user.gender":      [male],

    "user.age":         [26],

    "user.name.full":   [john, smith],

    "user.name.first":  [john],

    "user.name.last":   [smith]

}

Lucene仅仅索引简单的值，不是复杂的结构。

 

内部对象数组

 

最后，思考下，一个内部对象数组如何被索引，

比如说如下：

 

{

    "followers": [

        { "age": 35, "name": "Mary White"},

        { "age": 26, "name": "Alex Jones"},

        { "age": 19, "name": "Lisa Smith"}

    ]

}

这个文档将被转化如下的结构

 

{

    "followers.age":    [19, 26, 35],

    "followers.name":   [alex, jones, lisa, smith, mary, white]

}

那么{age: 35} 和 {name: Mary White} 已经丢失了

Is there a follower who is 26 years old?

这个可以回答

 

Is there a follower who is 26 years old and who is called Alex Jones?

这个问题就无法回答。

后续再讨论这个问题。http://my.oschina.net/qiangzigege/blog/270948