Elasticsearch(10) --- 內建分詞器、中文分詞器
Elasticsearch(10) --- 內建分詞器、中文分詞器
這篇部落格主要講：分詞器概念、ES內建分詞器、ES中文分詞器。
一、分詞器概念
1、Analysis 和 Analyzer
Analysis： 文字分析是把全文字轉換一系列單詞(term/token)的過程，也叫分詞。Analysis是通過Analyzer來實現的。
當一個文件被索引時，每個Field都可能會建立一個倒排索引（Mapping可以設定不索引該Field）。
倒排索引的過程就是將文件通過Analyzer分成一個一個的Term,每一個Term都指向包含這個Term的文件集合。
當查詢query時，Elasticsearch會根據搜尋型別決定是否對query進行analyze，然後和倒排索引中的term進行相關性查詢，匹配相應的文件。
2 、Analyzer組成
分析器（analyzer）都由三種構件塊組成的：character filters ， tokenizers ， token filters。
1) character filter 字元過濾器
在一段文字進行分詞之前，先進行預處理，比如說最常見的就是，過濾html標籤（<span>hello<span> --> hello），& --> and（I&you --> I and you）2) tokenizers 分詞器
英文分詞可以根據空格將單詞分開,中文分詞比較複雜,可以採用機器學習演算法來分詞。
3) Token filters Token過濾器
將切分的單詞進行加工。大小寫轉換（例將“Quick”轉為小寫），去掉詞（例如停用詞像“a”、“and”、“the”等等），或者增加詞（例如同義詞像“jump”和“leap”）。
三者順序：Character Filters--->Tokenizer--->Token Filter
三者個數：analyzer = CharFilters（0個或多個） + Tokenizer(恰好一個) + TokenFilters(0個或多個)
3、Elasticsearch的內建分詞器
Standard Analyzer - 預設分詞器，按詞切分，小寫處理
Simple Analyzer - 按照非字母切分(符號被過濾), 小寫處理
Stop Analyzer - 小寫處理，停用詞過濾(the,a,is)
Whitespace Analyzer - 按照空格切分，不轉小寫
Keyword Analyzer - 不分詞，直接將輸入當作輸出
Patter Analyzer - 正則表示式，預設\W+(非字元分割)
Language - 提供了30多種常見語言的分詞器
Customer Analyzer 自定義分詞器
4、建立索引時設定分詞器
PUT new_index
{
"settings": {
"analysis": {
"analyzer": {
"std_folded": {
"type": "custom",
"tokenizer": "standard",
"filter": [
"lowercase",
"asciifolding"
]
}
}
}
},
"mappings": {
"properties": {
"title": {
"type": "text",
"analyzer": "std_folded" #指定分詞器
},
"content": {
"type": "text",
"analyzer": "whitespace" #指定分詞器
}
}
}
}二、ES內建分詞器
這裡講解下常見的幾個分詞器：Standard Analyzer、Simple Analyzer、whitespace Analyzer。
1、Standard Analyzer(預設)
1）示例
standard 是預設的分析器。它提供了基於語法的標記化（基於Unicode文字分割演算法），適用於大多數語言
POST _analyze
{
"analyzer": "standard",
"text": "Like X 國慶放假的"
}執行結果
2）配置
標準分析器接受下列引數：
- max_token_length ： 最大token長度，預設255
- stopwords ： 預定義的停止詞列表，如
_english_或 包含停止詞列表的陣列，預設是_none_ - stopwords_path ： 包含停止詞的檔案路徑
PUT new_index
{
"settings": {
"analysis": {
"analyzer": {
"my_english_analyzer": {
"type": "standard", #設定分詞器為standard
"max_token_length": 5, #設定分詞最大為5
"stopwords": "_english_" #設定過濾詞
}
}
}
}
}2、Simple Analyzer
simple 分析器當它遇到只要不是字母的字元，就將文字解析成term，而且所有的term都是小寫的。
POST _analyze
{
"analyzer": "simple",
"text": "Like X 國慶放假 的"
}
執行結果
3、Whitespace Analyzer
POST _analyze
{
"analyzer": "whitespace",
"text": "Like X 國慶放假 的"
}返回
三、中文分詞
中文的分詞器現在大家比較推薦的就是 IK分詞器，當然也有些其它的比如 smartCN、HanLP。
這裡只講如何使用IK做為中文分詞。
1、IK分詞器安裝
開源分詞器 Ik 的github：https://github.com/medcl/elasticsearch-analysis-ik
注意 IK分詞器的版本要你安裝ES的版本一致，我這邊是7.1.0那麼就在github找到對應版本，然後啟動命令
./bin/elasticsearch-plugin install https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v7.1.0/elasticsearch-analysis-ik-7.1.0.zip執行結果
注意 安裝完外掛後需重啟Es，才能生效。
2、IK使用
IK有兩種顆粒度的拆分：
ik_smart: 會做最粗粒度的拆分
ik_max_word: 會將文字做最細粒度的拆分
1) ik_smart 拆分
GET /_analyze
{
"text":"中華人民共和國國徽",
"analyzer":"ik_smart"
}執行結果
2）ik_max_word 拆分
GET /_analyze
{
"text":"中華人民共和國國徽",
"analyzer":"ik_max_word"
}執行結果
參考
1、Elasticsearch Analyzers
2、Elasticsearch 分詞器
3、Elasticsearch拼音分詞和IK分詞的安裝及使用
我相信，無論今後的道路多麼坎坷，只要抓住今天，遲早會在奮鬥中嚐到人生的甘甜。抓住人生中的一分一秒，勝過虛度中的一月一年！(15）<