Elasticsearch(10) --- 內置分詞器、中文分詞器

Elasticsearch(10) --- 內置分詞器、中文分詞器

這篇博客主要講：分詞器概念、ES內置分詞器、ES中文分詞器。

1、分詞器概念

一、Analysis 和 Analyzer

Analysis： 文本分析是把全文本轉換一系列單詞(term/token)的過程，也叫分詞。Analysis是經過Analyzer來實現的。

當一個文檔被索引時，每一個Field均可能會建立一個倒排索引（Mapping能夠設置不索引該Field）。

倒排索引的過程就是將文檔經過Analyzer分紅一個一個的Term,每個Term都指向包含這個Term的文檔集合。

當查詢query時，Elasticsearch會根據搜索類型決定是否對query進行analyze，而後和倒排索引中的term進行相關性查詢，匹配相應的文檔。

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 字符過濾器

在一段文本進行分詞以前，先進行預處理，好比說最多見的就是，過濾html標籤（<span>hello<span> --> hello），& --> and（I&you --> I and you）

2) tokenizers 分詞器

英文分詞能夠根據空格將單詞分開,中文分詞比較複雜,能夠採用機器學習算法來分詞。

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」轉爲小寫），去掉詞（例如停用詞像「a」、「and」、「the」等等），或者增長詞（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(剛好一個) + TokenFilters(0個或多個)

三、Elasticsearch的內置分詞器

• Standard Analyzer - 默認分詞器，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，直接將輸入看成輸出

• Patter Analyzer - 正則表達式，默認\W+(非字符分割)

• Language - 提供了30多種常見語言的分詞器

• Customer Analyzer 自定義分詞器

四、建立索引時設置分詞器

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
            }
        }
    }
}

2、ES內置分詞器

這裏講解下常見的幾個分詞器：Standard Analyzer、Simple Analyzer、whitespace Analyzer。

一、Standard Analyzer(默認)

1）示例

standard 是默認的分析器。它提供了基於語法的標記化（基於Unicode文本分割算法），適用於大多數語言

POST _analyze
{
  "analyzer": "standard",
  "text":     "Like X 國慶放假的"
}

運行結果

2）配置

標準分析器接受下列參數：

• max_token_length ： 最大token長度，默認255
• stopwords ： 預約義的中止詞列表，如_english_或 包含中止詞列表的數組，默認是 _none_
• stopwords_path ： 包含中止詞的文件路徑

PUT new_index
{
  "settings": {
    "analysis": {
      "analyzer": {
        "my_english_analyzer": {
          "type": "standard",       #設置分詞器爲standard
          "max_token_length": 5,    #設置分詞最大爲5
          "stopwords": "_english_"  #設置過濾詞
        }
      }
    }
  }
}

二、Simple Analyzer

simple 分析器當它遇到只要不是字母的字符，就將文本解析成term，並且全部的term都是小寫的。

POST _analyze
{
  "analyzer": "simple",
  "text":     "Like X 國慶放假 的"
}

運行結果

三、Whitespace Analyzer

POST _analyze
{
  "analyzer": "whitespace",
  "text":     "Like X 國慶放假 的"
}

返回

3、中文分詞

中文的分詞器如今你們比較推薦的就是 IK分詞器，固然也有些其它的好比 smartCN、HanLP。

這裏只講如何使用IK作爲中文分詞。

一、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，而後啓動命令

./bin/elasticsearch-plugin install https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v7.1.0/elasticsearch-analysis-ik-7.1.0.zip

運行結果

注意 安裝完插件後需重啓Es，才能生效。

二、IK使用

IK有兩種顆粒度的拆分：

ik_smart: 會作最粗粒度的拆分

ik_max_word: 會將文本作最細粒度的拆分

1) ik_smart 拆分

GET /_analyze
{
  "text":"中華人民共和國國徽",
  "analyzer":"ik_smart"
}

運行結果

2）ik_max_word 拆分

GET /_analyze
{
  "text":"中華人民共和國國徽",
  "analyzer":"ik_max_word"
}

運行結果

參考

一、Elasticsearch Analyzers

二、Elasticsearch 分詞器

三、Elasticsearch拼音分詞和IK分詞的安裝及使用

我相信，不管從此的道路多麼坎坷，只要抓住今天，早晚會在奮鬥中嚐到人生的甘甜。抓住人生中的一分一秒，賽過虛度中的一月一年！(15）