Elasticsearch中的切词怎么实现的?

在搜索引擎技术原理这篇文章中写道，搜索引擎中有一个分词，切词的步骤，就是使用Analyzer来实现的。这篇文章将对Analyzer分词器进行铺开讲解。

Analysis与Analyzer分词器

•Analysis - 文本分析是把全文本转换一系列单词 (term/token)的过程，也叫分词•Analysis 是通过 Analyzer来实现的•可使用 Elasticsearch 内置的分析器/或者按需定制化分析器•除了在数据写入时转换词条，匹配 Query 语句时候也需要用相同的分析器对查询语句进行分析

Analyzer的组成

•分词器是专门处理分词的组件，Analyzer 由三部分组成，分别入下：

1.Character Filters ：针对原始文本处理，例如去除html2.Tokenizer：按照原则切分为单词3.Token Filter：将切分的单词进行加工,将单词从大写转换为小写，删除 stopwords,增加同义词

Elasticsearch内置的分词器

•Standard Analyzer：默认分词器，按词切分，小写处理•Simple Analyzer：按照非字母切分(符号被过滤)，小写处理•Stop Analyzer：小写处理，停用词过滤(the, a, is)•Whitespace Analyzer：按照空格切分，不转小写•Keyword Analyzer：不分词，直接将输入当做输出•Patter Analyzer：正则表达式，默认 \W+ (非字符分割) •Language：提供共了30多种常见语言的分词器•Customer Analyzer：自定义分词器

_analyzer API简单介绍

关于Analyzer的几种用法如下

//指定analyzer进行测试GET _analyze{  "analyzer": "standard",                           #指定Analyzer分词器  "text" : "Mastering Elasticsearch, elasticsearch in Action"       #使用分词器要拆分的文本}
//指定索引字段进行测试AnalyzerPOST bulk_index/_analyze                            #对指定的索引进行分词器拆分{     "field": "title",                                 #标题  "text": "Mastering Elasticsearch"                 #要拆分的文本}
//自定义分词器进行测试POST _analyze{  "tokenizer": "standard",                            "filter": ["lowercase"],  "text": "Mastering Elasticsearch"}

Standard Analyzer分词器

上面又讲到 Standard Analyzer是Elasticsearch默认的分词器，按词切分，主要是按照词汇空格去切分，然后转小写处理

实例

//standardGET _analyze{  "analyzer": "standard",                               //指定分词器  "text": "3 running Quick brown-foxes leap over lazy dogs in the summer evening."          //要拆分的文本}

结果如下 运行结果可以看到，我们的text都被拆分成了一个个单词，并进行转小写处理

Simple Analyzer分词器

simple analyzer分词器按非字母划分，非字母的都被去掉，并且进行转小写处理。

实例

//SimpleGET _analyze{  "analyzer": "simple",  "text": "3 running Quick brown-foxes leap over lazy dogs in the summer evening."}

上面的测试，下面效果可以看到，Simple会把非字母的都去掉，3 running 中的 3 已经被去掉了，然后再进行了一个转小写处理

Stop Analyzer

Stop Analyzer分词器会将文本进行转小写处理，然后过滤掉停用词(the, a, is...)

实例

//StopGET _analyze{  "analyzer": "stop",  "text": "3 running Quick brown-foxes leap over lazy dogs in the summer evening."}

运行结果如下图所示，将所有文本进行了转小写处理，然后过滤掉了停用词 (3 in the)

Whitespace Analyzer分词

Whitespace分词器是按照空格切分，然后不转小写

实例

//whitespaceGET _analyze{  "analyzer": "whitespace",  "text": "中华 人民 共 和国 3 running Quick brown-foxes leap over lazy dogs in the summer evening."}

可以看到如下图所示，按照空格拆分后的文本，没有进行小写转换

Keyword Analyzer 分词

keyword即不会进行分词，而是按照源文本信息当做输出

实例

//KeywordGET _analyze{  "analyzer": "keyword",  "text": "中华 人民 共 和国 3 running Quick brown-foxes leap over lazy dogs in the summer evening."}

可以看到如下图所示，没有拆分字符，也没有转小写处理和停用词过滤，而是按照源文件信息输出

Pattern Analyzer分词

Patter Analyzer是通过正则表达式进行分词，默认是 \W+ ，非字符的符号进行分割。

实例

//PatternGET _analyze{  "analyzer": "pattern",  "text": "中华 人民 共 和国 3 running Quick brown-foxes leap over lazy dogs in the summer evening."}

可以看到如下图所示，pattern analyzer对非字符的符号进行了分割，然后进行了转小写处理，我们文本中的 中华人民共和国和 brown-foxes中的 - 连接符，不是字符，所以pattern对他们进行了分割。

Language Analyzer

Elasticsearch为不同国家语言的输入提供了Language Analyzer的一个分词器我们可以在其中指定分词的语言来进行分词

实例

//Language


    
GET _analyze{  "analyzer": "english",  "text": "3 running Quick brown-foxes leap over lazy dogs in the summer evening."}

如下图所示运行结果，由 english 来进行分词后，把 running 转换成了 run，然后foxes转换为了 fox，evening转换为了 even，还把所有的词转换为了小写，并有停用词过滤功能，把 in the 过滤掉了

ICU Analyzer

ICU Analyzer需要通过插件的形式获取 ICU ANalyzer提供了 Unicode 的支持，更好的支持亚洲语言，所以在中文分词上ICU Analyzer用的比较普遍 ./elasticsearch-plugin install analysis-icu 安装完成后重启Elasticsearch后查看插件

curl -XGET 'http://192.168.31.215:9201/_cat/plugins?v'name          component    versionelastic_node1 analysis-icu 7.4.0

实例

//我们先看标准的 _analyzeGET _analyze{  "analyzer": "standard",  "text": "他说的却是在理！"}

标准的_analyze运行结果如下，标准的_analyze分词器是把每个词单独分开了

//icu_analyzer我们再来看icu_analyzer


    
GET _analyze{  "analyzer": "icu_analyzer",  "text": "他说的确实在理！"}

分词结果如下，说的和确实放在了一起，要比其它分词器好多了

IK 中文分词器

IK中文分词器支持自定义词库，支持热更新分词字典 IK分词器项目地址：https://github.com/medcl/elasticsearch-analysis-ik IK分词器版本地址：https://github.com/medcl/elasticsearch-analysis-ik/releases

1.安装IK分词器

方法一在线安装：#使用elastic用户来进行安装#安装的IK分词器版本要和Elasticsearch版本一致[elastic@elastic elastic_node1]$ ./bin/elasticsearch-plugin install https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v7.4.0/elasticsearch-analysis-ik-7.4.0.zip
方法二离线安装：[elastic@elastic elastic_node1]$ mkdir plugins/analysis-ik[elastic@elastic elastic_node1]$ cd plugins/analysis-ik#然后将下载的zip包解压到analysis-ik目录即可[elastic@elastic analysis-ik]$ unzip -o  elasticsearch-analysis-ik-7.4.0.zip -d /usr/local/elastic_node1/plugins/analysis-ik/

2.安装完成后需要重启Elasticsearch 重启过程略

3.查看插件

[root@elastic elastic_node1]# curl -XGET -u elastic:26tBktGolYCyZD2pPISW  'http://192.168.31.215:9201/_cat/plugins?v'name          component    versionelastic_node1 analysis-icu 7.4.0elastic_node1 analysis-ik  7.4.0

4.实例 自 IK分词插件v5.0.0 起移除名为 ik 的analyzer和tokenizer,请分别使用 ik_smart 和 ik_max_word。

//ik_max_wordGET _analyze{  "analyzer": "ik_max_word",  "text": "他说的确实在理！"}
//ik_smartGET _analyze{  "analyzer": "ik_smart",  "text": "他说的确实在理！"}

☆ END ☆