关于java:Elasticsearch-Analyzer-内置分词器

篇次要介绍一下 Elasticsearch 中 Analyzer 分词器的形成和一些 Es 中内置的分词器以及如何应用它们

es 提供了 analyze api 能够不便咱们疾速的指定某个分词器而后对输出的 text 文本进行分词帮忙咱们学习和试验分词器

POST _analyze
{
  "analyzer": "standard",
  "text": "The 2 QUICK Brown-Foxes jumped over the lazy dog's bone."
}

[the, 2, quick, brown, foxes, jumped, over, the, lazy, dog's, bone]

在 ES 中有很重要的一个概念就是 分词 ，ES 的全文检索也是基于分词联合倒排索引做的。所以这一文咱们来看下何谓之分词。如何分词。

分词器是专门解决分词的组件，在很多中间件设计中每个组件的职责都划分的很分明，繁多职责准则，当前改的时候好扩大。
分词器由三局部组成。

Character Filters : 次要对原文本做解决, 例如去除 html 标签
Tokenizer : 依照规定把文本切分为单词, 也就是分词
Token Filters : 将切分后的单词进行加工解决, 小写, 删除 stopwords 进展词, 减少同义词 , 扩大一些

分词场景:

数据写入 index 的时候进行分词
query 查问时候须要对查问文本进行分词

在 es 中有不少内置分词器

Standard Analyzer : 默认分词器, 按 Unicode 文本宰割算法拆分 , 转化为小写 , 反对中文 (然而中文依照每个文字拆分, 没啥意义)
Simple Analyzer : 依照非字母切分并且转化为小写
Stop Analyzer : 和 simple 一样然而多了过滤停用词 (the a is) 默认应用 stop token filter 的 english 预约义
Whitespace Analyzer : 每当遇到空格的时候会进行分词 , 不会转小写
Keyword Analyzer : 不分词间接将输出当做输入
Patter Analyzer : 正则表达式
Language : 语言分词器 30 多种
Customer Analyzer : 自定义分词器

Standard 是 es 中默认的分词器 , 它是依照 Unicode 文本宰割算法去对文本进行分词的

POST _analyze
{
  "analyzer": "standard",
  "text": "The 2 QUICK Brown-Foxes jumped over the lazy dog's bone."
}

[the, 2, quick, brown, foxes, jumped, over, the, lazy, dog's, bone]

3.1 Definition

包含了转小写的 token filter 和 stop token filter 去除进展词

Tokenizer

[Standard Tokenizer]

Token Filters

[Standard Token Filter] : 没用只是作为保留的 token filter (The standard token filter currently does nothing. It remains as a placeholder in case some filtering function needs to be added in a future version.)
[Lower Case Token Filter] : 转小写的 token filter
[Stop Token Filter] : 进展词 token filter 默认是没有开启

3.2 Configuration

max_token_length : 最大的分词长度, 如果超过此长度则间接分词 default 255
stopwords : 预约义的进展词列表如: englisth 或者进展词数组 [] 默认 none 不设置
stopwords_path : 蕴含进展词的文件门路

3.3 试验

// 应用 自定义的分词器 基于 standard
PUT my_index
{
  "settings": {
    "analysis": {
      "analyzer": {
        "my_english_analyzer": {
          "type": "standard", 
          "max_token_length": 5, // 最大词数
          "stopwords": "_english_" // 开启过滤进展词 应用 englisth 语法
        }
      }
    }
  }
}


GET my_index/_analyze
{
  "analyzer": "my_english_analyzer",
  "text": "The hellogoodname jack"
}
// 能够看到 最长 5 个字符 就须要进行分词了, 并且进展词 the 没有了
["hello", "goodn", "ame", "jack"]

简略的分词器分词规定就是遇到非字母的就分词, 并且转化为小写,(lowercase tokennizer)

POST _analyze
{
  "analyzer": "simple",
  "text": "The 2 QUICK Brown-Foxes jumped over the lazy dog's bone."
}

[the, quick, brown, foxes, jumped, over, the, lazy, dog, s, bone]

4.1 Definition

Tokenizer

Lower Case Tokenizer

4.2 Configuation

无配置参数

4.3 试验

simple analyzer 分词器的实现就是如下

PUT /simple_example
{
  "settings": {
    "analysis": {
      "analyzer": {
        "rebuilt_simple": {
          "tokenizer": "lowercase",
          "filter": []}
      }
    }
  }
}

stop analyzer 和 simple analyzer 一样, 只是多了过滤 stop word 的 token filter , 并且默认应用 english 进展词规定

POST _analyze
{
  "analyzer": "stop",
  "text": "The 2 QUICK Brown-Foxes jumped over the lazy dog's bone."
}
// 能够看到 非字母进行分词 并且转小写 而后 去除了进展词
[quick, brown, foxes, jumped, over, lazy, dog, s, bone]

5.1 Definition

Tokenizer

Lower Case Tokenizer : 转小写的

Token filters

Stop Token Filter : 过滤进展词默认应用规定 english

5.2 Configuration

stopwords : 指定分词的规定默认 english , 或者分词的数组
stopwords_path : 指定分词进展词文件

5.3 试验

如下就是对 Stop Analyzer 的实现 , 先转小写后进行进展词的过滤

PUT /stop_example
{
  "settings": {
    "analysis": {
      "filter": {
        "english_stop": {
          "type":       "stop",
          "stopwords":  "_english_" 
        }
      },
      "analyzer": {
        "rebuilt_stop": {
          "tokenizer": "lowercase",
          "filter": ["english_stop"]
        }
      }
    }
  }
}

设置 stopwords 参数指定过滤的进展词列表

PUT my_index
{
  "settings": {
    "analysis": {
      "analyzer": {
        "my_stop_analyzer": {
          "type": "stop",
          "stopwords": ["the", "over"]
        }
      }
    }
  }
}

POST my_index/_analyze
{
  "analyzer": "my_stop_analyzer",
  "text": "The 2 QUICK Brown-Foxes jumped over the lazy dog's bone."
}

[quick, brown, foxes, jumped, lazy, dog, s, bone]

空格分词器, 顾名思义遇到空格就进行分词, 不会转小写

POST _analyze
{
  "analyzer": "whitespace",
  "text": "The 2 QUICK Brown-Foxes jumped over the lazy dog's bone."
}

[The, 2, QUICK, Brown-Foxes, jumped, over, the, lazy, dog's, bone.]

6.1 Definition

Tokenizer

Whitespace Tokenizer

6.2 Configuration

无配置

6.3 试验

whitespace analyzer 的实现就是如下, 能够依据理论状况进行增加 filter

PUT /whitespace_example
{
  "settings": {
    "analysis": {
      "analyzer": {
        "rebuilt_whitespace": {
          "tokenizer": "whitespace",
          "filter": []}
      }
    }
  }
}

很非凡它不会进行分词, 怎么输出就怎么输入

POST _analyze
{
  "analyzer": "keyword",
  "text": "The 2 QUICK Brown-Foxes jumped over the lazy dog's bone."
}

// 留神 这里并没有进行分词 而是原样输入
[The 2 QUICK Brown-Foxes jumped over the lazy dog's bone.]

7.1 Definition

Tokennizer

Keyword Tokenizer

7.2 Configuration

无配置

7.3 试验

rebuit 如下就是 Keyword Analyzer 实现

PUT /keyword_example
{
  "settings": {
    "analysis": {
      "analyzer": {
        "rebuilt_keyword": {
          "tokenizer": "keyword",
          "filter": []}
      }
    }
  }
}

正则表达式进行拆分 , 留神正则匹配的是标记, 就是要被分词的标记 默认是依照 \w+ 正则分词

POST _analyze
{
  "analyzer": "pattern",
  "text": "The 2 QUICK Brown-Foxes jumped over the lazy dog's bone."
}
// 默认是 依照 \w+ 正则
[the, 2, quick, brown, foxes, jumped, over, the, lazy, dog, s, bone]

8.1 Definition

Tokennizer

Pattern Tokenizer

Token Filters

Lower Case Token Filter
Stop Token Filter (默认未开启)

8.2 Configuration

`pattern`	A Java regular expression, defaults to `\W+`.
`flags`	Java regular expression.
`lowercase`	转小写默认开启 `true`.
`stopwords`	进展词过滤默认 none 未开启 , Defaults to `_none_`.
`stopwords_path`	进展词文件门路

8.3 试验

Pattern Analyzer 的实现就是如下

PUT /pattern_example
{
  "settings": {
    "analysis": {
      "tokenizer": {
        "split_on_non_word": {
          "type":       "pattern",
          "pattern":    "\\W+" 
        }
      },
      "analyzer": {
        "rebuilt_pattern": {
          "tokenizer": "split_on_non_word",
          "filter": ["lowercase"]
        }
      }
    }
  }
}

提供了如下这么多语言分词器 , 其中 english 也在其中

arabic, armenian, basque, bengali, bulgarian, catalan, czech, dutch, english, finnish, french, galician, german, hindi, hungarian, indonesian, irish, italian, latvian, lithuanian, norwegian, portuguese, romanian, russian, sorani, spanish, swedish, turkish.

GET _analyze
{
  "analyzer": "english",
  "text": "The 2 QUICK Brown-Foxes jumped over the lazy dog's bone."
}
[2, quick, brown, foxes, jumped, over, lazy, dog, bone]

10. Customer Analyzer

没啥好说的就是当提供的内置分词器不满足你的需要的时候 , 你能够联合如下 3 局部

Character Filters : 次要对原文本做解决, 例如去除 html 标签
Tokenizer : 依照规定把文本切分为单词, 也就是分词
Token Filters : 将切分后的单词进行加工解决, 小写, 删除 stopwords 进展词, 减少同义词 , 扩大一些

PUT my_index
{
  "settings": {
    "analysis": {
      "analyzer": {
        "my_custom_analyzer": {
          "type": "custom",
          "char_filter": ["emoticons"],
          "tokenizer": "punctuation", 
          "filter": [
            "lowercase",
            "english_stop" 
          ]
        }
      },
      "tokenizer": {
        "punctuation": { 
          "type": "pattern",
          "pattern": "[.,!?]"
        }
      },
      "char_filter": {
        "emoticons": { 
          "type": "mapping",
          "mappings": [":) => _happy_",
            ":(=> _sad_"]
        }
      },
      "filter": {
        "english_stop": { 
          "type": "stop",
          "stopwords": "_english_"
        }
      }
    }
  }
}

POST my_index/_analyze
{
  "analyzer": "my_custom_analyzer",
  "text":     "I'm a :) person, and you?"
}

[i'm, _happy_, person, you]

本篇次要介绍了 Elasticsearch 中的一些内置的 Analyzer 分词器, 这些内置分词器可能不会罕用, 然而如果你能好好梳理一下这些内置分词器, 肯定会对你了解 Analyzer 有很大的帮忙, 能够帮忙你了解 Character Filters , Tokenizer 和 Token Filters 的用途.

有机会再聊聊一些中文分词器如 IKAnalyzer, ICU Analyzer ,Thulac 等等.. 毕竟开发中中文分词器用到更多些

欢送大家拜访集体博客 Johnny 小屋
欢送关注集体公众号

关于java:Elasticsearch-Analyzer-内置分词器

Elasticsearch Analyzer 内置分词器

前置常识

1.Analyzer

2.Elasticsearch 内置分词器

3. Standard Analyzer

3.1 Definition

3.2 Configuration

3.3 试验

4. Simple Analyzer

4.1 Definition

4.2 Configuation

4.3 试验

5. Stop Analyzer

5.1 Definition

5.2 Configuration

5.3 试验

6. Whitespace Analyzer

6.1 Definition

6.2 Configuration

6.3 试验

7. Keyword Analyzer

7.1 Definition

7.2 Configuration

7.3 试验

8. Patter Analyzer

8.1 Definition

8.2 Configuration

8.3 试验

9. Language Analyzer

10. Customer Analyzer

总结