ElasticSearch 分析器 & 分词器
-
分析
当在搜索操作期间处理查询时,分析模块会分析任何索引中的内容。该模块由分析器,分词器,令牌过滤器和字符过滤器组成。如果未定义分析器,则默认情况下,内置分析器,令牌,过滤器和分词器会在分析模块中注册。在以下示例中,我们使用标准分析器,当未指定其他分析器时使用。它将基于语法分析句子,并产生句子中使用的单词。POST _analyze { "analyzer": "standard", "text": "Today's weather is beautiful" }
运行上面的代码后,我们得到如下所示的响应:{ "tokens" : [ { "token" : "today's", "start_offset" : 0, "end_offset" : 7, "type" : "", "position" : 0 }, { "token" : "weather", "start_offset" : 8, "end_offset" : 15, "type" : "", "position" : 1 }, { "token" : "is", "start_offset" : 16, "end_offset" : 18, "type" : "", "position" : 2 }, { "token" : "beautiful", "start_offset" : 19, "end_offset" : 28, "type" : "", "position" : 3 } ] }
-
配置标准分析
我们可以为标准分析仪配置各种参数,以满足我们的自定义要求。在以下示例中,我们将标准分析器配置为max_token_length为5。为此,我们首先使用具有max_length_token参数的分析器创建索引。PUT index_4_analysis { "settings": { "analysis": { "analyzer": { "my_english_analyzer": { "type": "standard", "max_token_length": 5, "stopwords": "_english_" } } } } }
接下来,我们对分析器应用如下文本。请注意,令牌的样子不会出现,因为它的开头有两个空格,结尾有两个空格。对于“is”一词,在其开头有一个空格,在其结尾有一个空格。将它们全部取而代之,它变成4个带空格的字母,但这并不构成一个单词。至少在开头或结尾应有一个非空格字符,以使其成为要计数的单词。POST index_4_analysis/_analyze { "analyzer": "my_english_analyzer", "text": "Today's weather is beautiful" }
运行上面的代码后,我们得到如下所示的响应:{ "tokens" : [ { "token" : "today", "start_offset" : 0, "end_offset" : 5, "type" : "", "position" : 0 }, { "token" : "s", "start_offset" : 6, "end_offset" : 7, "type" : "", "position" : 1 }, { "token" : "weath", "start_offset" : 8, "end_offset" : 13, "type" : "", "position" : 2 }, { "token" : "er", "start_offset" : 13, "end_offset" : 15, "type" : "", "position" : 3 }, { "token" : "beaut", "start_offset" : 19, "end_offset" : 24, "type" : "", "position" : 5 }, { "token" : "iful", "start_offset" : 24, "end_offset" : 28, "type" : "", "position" : 6 } ] }
下表列出了各种分析仪的列表及其说明-分析器 说明 Standard analyzer (standard) stopwords和max_token_length设置可以为这个分析器设置。默认情况下,stopwords列表为空,max_token_length为255。 Simple analyzer (simple) 这个分析器由小写的记号分析器组成。 Whitespace analyzer (whitespace) 该分析器由空白标记器组成。 Stop analyzer (stop) 可以配置stopwords和stopwords_path。默认情况下,stopwords初始化为英文停止词,stopwords_path包含包含停止词的文本文件的路径。 可以配置stopwords和stopwords_path。默认情况下,停用词被初始化为英语停用词,而stopwords_path包含带有停用词的文本文件的路径。 -
分词器
分词器用于从Elasticsearch中的文本生成令牌。可以通过考虑空格或其他标点符号将文本分解为标记。Elasticsearch有很多内置的分词器,可以在定制分析器中使用。下面显示了一个分词器的示例,该分词器在遇到非字母的字符时将文本分解为多个词,但也会将所有词都小写,如下所示-POST _analyze { "tokenizer": "lowercase", "text": "It Was a Beautiful Weather 5 Days ago." }
运行上面的代码后,我们得到如下所示的响应:{ "tokens" : [ { "token" : "it", "start_offset" : 0, "end_offset" : 2, "type" : "word", "position" : 0 }, { "token" : "was", "start_offset" : 3, "end_offset" : 6, "type" : "word", "position" : 1 }, { "token" : "a", "start_offset" : 7, "end_offset" : 8, "type" : "word", "position" : 2 }, { "token" : "beautiful", "start_offset" : 9, "end_offset" : 18, "type" : "word", "position" : 3 }, { "token" : "weather", "start_offset" : 19, "end_offset" : 26, "type" : "word", "position" : 4 }, { "token" : "days", "start_offset" : 29, "end_offset" : 33, "type" : "word", "position" : 5 }, { "token" : "ago", "start_offset" : 34, "end_offset" : 37, "type" : "word", "position" : 6 } ] }
分词器的列表及其说明如下表所示-分词器 说明 Standard tokenizer (standard) 这是基于基于语法的标记器构建的,max_token_length可以为这个标分词器配置。 Edge NGram tokenizer (edgeNGram) 像min_gram, max_gram, token_chars这样的设置可以为这个标记器设置。 Keyword tokenizer (keyword) 这将生成整个输入作为输出,buffer_size可以为此设置。 Letter tokenizer (letter) 这将捕获整个单词,直到遇到一个非字母。