ElasticSearch学习（五）： 分词器

1、什么是Analysis 

        顾名思义，文本分析就是把全文本转换成一系列单词（term/token）的过程，也叫分词。

        在 ES 中，Analysis 是通过分词器（Analyzer） 来实现的，可使用 ES 内置的分析器或者按需定制化分析器。

2、分词器的组成：

        再简单了解了 Analysis 与 Analyzer 之后，让我们来看下分词器的组成：

   分词器Analyzer是专门处理分词的组件，分词器由以下三部分组成：

1. Character Filters：针对原始文本处理，比如去除 html 标签；
2. Tokenizer：按照规则将文本切分为单词，比如按照空格切分；
3. Token Filters：将切分的单词进行加工，比如大写转小写，删除 stopwords，增加同义语。

执行流程如下：

      从图中可以看出，从左到右次经过 Character Filters，Tokenizer 以及 Token Filters，这个顺序比较好理解，一个文本进来肯定要先对文本数据进行处理，再去分词，最后对分词的结果进行过滤。

其中，ES 内置了许多分词器：

• 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
• Pattern Analyzer - 正则表达式，默认 \W+
• Language - 提供了 30 多种常见语言的分词器
• Customer Analyzer - 自定义分词器

3、Analyzer API

3.1、直接指定 Analyzer 进行测试

GET _analyze
{"analyzer": "standard","text" : "Mastering Elasticsearch , elasticsearch in Action"
}

3.2、指定索引的字段进行测试

POST user/_analyze
{"field": "address","text": "北京市"
}

3.3、自定义分词进行测试

POST _analyze
{"tokenizer": "standard","filter": ["lowercase"],"text": "Mastering Elasticesearch"
}

4、ES分词器

4.1、Stamdard Analyzer

1.  默认分词器
2. 按词切分(基于词典)
3. 切分后全部转换为小写
4. 保留StopWords(停止词，如英文的in a the 等)

        它是 ES 默认的分词器，它会对输入的文本按词的方式进行切分，切分好以后会进行转小写处理，默认的 stopwords 是关闭的。

        stopwords说明：

        在信息检索中，停用词是为节省存储空间和提高搜索效率，处理文本时自动过滤掉某些字或词，这些字或词即被称为Stop Words（停用词）。停用词大致分为两类：

        一类是语言中的功能词，这些词极其普遍而无实际含义，比如“the”、“is“、“which“、“on”等。

        另一类是词汇词，比如'want'等，这些词应用广泛，但搜索引擎无法保证能够给出真正相关的搜索结果，难以缩小搜索范围，还会降低搜索效率。实践中，通常把这些词从问题中过滤，从而节省索引的存储空间、提高搜索性能。

        但是在实际语言环境中，停用词有时也有用的。比如，莎士比亚的名句：“To be or not to be.”所有的词都是停用词。特别当停用词和通配符(*)同时使用的时候，问题就来了：“the”、“is“、“on”还是停用词？

 4.1.1、英文分词

GET _analyze
{"analyzer": "standard","text": "In 2022, Java is the best language in the world."
}

结果：

        可以看出是按词切分的方式对输入的文本进行了转换，比如对 Java 做了转小写，对一些停用词也没有去掉，比如 in。

        其中 token 为分词结果；start_offset 为起始偏移；end_offset 为结束偏移；position 为分词位置。

{"tokens" : [{"token" : "in","start_offset" : 0,"end_offset" : 2,"type" : "","position" : 0},{"token" : "2022","start_offset" : 3,"end_offset" : 7,"type" : "","position" : 1},{"token" : "java","start_offset" : 9,"end_offset" : 13,"type" : "","position" : 2},{"token" : "is","start_offset" : 14,"end_offset" : 16,"type" : "","position" : 3},{"token" : "the","start_offset" : 17,"end_offset" : 20,"type" : "","position" : 4},{"token" : "best","start_offset" : 21,"end_offset" : 25,"type" : "","position" : 5},{"token" : "language","start_offset" : 26,"end_offset" : 34,"type" : "","position" : 6},{"token" : "in","start_offset" : 35,"end_offset" : 37,"type" : "","position" : 7},{"token" : "the","start_offset" : 38,"end_offset" : 41,"type" : "","position" : 8},{"token" : "world","start_offset" : 42,"end_offset" : 47,"type" : "","position" : 9}]
}

4.1.2、中文分词

        中文分词的效果，只是将中文语句分解为单个中文文字，没有词的概念，因此

Stamdard Analyzer分词器无法应对中文分词 。

GET _analyze
{"analyzer": "standard","text" : "北京市"
}

分词结果：

{"tokens" : [{"token" : "北","start_offset" : 0,"end_offset" : 1,"type" : "","position" : 0},{"token" : "京","start_offset" : 1,"end_offset" : 2,"type" : "","position" : 1},{"token" : "市","start_offset" : 2,"end_offset" : 3,"type" : "","position" : 2}]
}

4.2、Simple Analyzer

1.  使用非英文字母进行分词；
2. 分词后，非英文字母被删除；
3. 切分后全部转换为小写；
4. 保留StopWords。

4.2.1、英文分词示例

GET _analyze
{"analyzer": "simple","text": "In 2022, Java is the best language in the world."
}

英文分词效果： （非英文字母被删除）

{"tokens" : [{"token" : "in","start_offset" : 0,"end_offset" : 2,"type" : "word","position" : 0},{"token" : "java","start_offset" : 9,"end_offset" : 13,"type" : "word","position" : 1},{"token" : "is","start_offset" : 14,"end_offset" : 16,"type" : "word","position" : 2},{"token" : "the","start_offset" : 17,"end_offset" : 20,"type" : "word","position" : 3},{"token" : "best","start_offset" : 21,"end_offset" : 25,"type" : "word","position" : 4},{"token" : "language","start_offset" : 26,"end_offset" : 34,"type" : "word","position" : 5},{"token" : "in","start_offset" : 35,"end_offset" : 37,"type" : "word","position" : 6},{"token" : "the","start_offset" : 38,"end_offset" : 41,"type" : "word","position" : 7},{"token" : "world","start_offset" : 42,"end_offset" : 47,"type" : "word","position" : 8}]
}

4.2.3、中文分词示例

        中文分词的效果，其对于连接在一起的中文语句不做任何切分，完整输出，该分词器无法应对中文分词。

GET _analyze
{"analyzer": "simple","text" : "北京市"
}# 分词后的效果：
{"tokens" : [{"token" : "北京市","start_offset" : 0,"end_offset" : 3,"type" : "word","position" : 0}]
}

4.3、Whitespace Analyzer

它非常简单，根据名称也可以看出是按照空格进行切分的。

1. 使用空白字符进行分词；
2. 切分后不做大小写处理；
3. 保留StopWords。

4.3.1、英文分词

        可以看出，只是按照空格进行切分，2022 数字还是在的，Java 的首字母还是大写的，in 还是保留的。

GET _analyze
{"analyzer": "whitespace","text": "In 2022, Java is the best language in the world."
}

结果：

{"tokens" : [{"token" : "In","start_offset" : 0,"end_offset" : 2,"type" : "word","position" : 0},{"token" : "2022,","start_offset" : 3,"end_offset" : 8,"type" : "word","position" : 1},{"token" : "Java","start_offset" : 9,"end_offset" : 13,"type" : "word","position" : 2},{"token" : "is","start_offset" : 14,"end_offset" : 16,"type" : "word","position" : 3},{"token" : "the","start_offset" : 17,"end_offset" : 20,"type" : "word","position" : 4},{"token" : "best","start_offset" : 21,"end_offset" : 25,"type" : "word","position" : 5},{"token" : "language","start_offset" : 26,"end_offset" : 34,"type" : "word","position" : 6},{"token" : "in","start_offset" : 35,"end_offset" : 37,"type" : "word","position" : 7},{"token" : "the","start_offset" : 38,"end_offset" : 41,"type" : "word","position" : 8},{"token" : "world.","start_offset" : 42,"end_offset" : 48,"type" : "word","position" : 9}]
}

4.3.2、中文分词

        中文分词的效果，依然只会针对空白字符进行分词，无空白字符的串会被完整输出，该分词器无法应对中文分词。

GET _analyze
{"analyzer": "whitespace","text" : "北京市"
}

结果：

{"tokens" : [{"token" : "北京市","start_offset" : 0,"end_offset" : 3,"type" : "word","position" : 0}]
}

4.4、Stop Analyzer

1. 使用非英文字母进行分词
2. 分词后，非英文字母被删除
3. 切分后全部转换为小写
4. 删除StopWords

4.4.1、英文分词示例

        相较于刚才提到的 Simple Analyzer：删除了非英文字母，多了 stop 过滤，stop 就是会把 the，a，is 等修饰词去除。

GET _analyze
{"analyzer": "stop","text": "In 2022, Java is the best language in the world."
}

结果：

{"tokens" : [{"token" : "java","start_offset" : 9,"end_offset" : 13,"type" : "word","position" : 1},{"token" : "best","start_offset" : 21,"end_offset" : 25,"type" : "word","position" : 4},{"token" : "language","start_offset" : 26,"end_offset" : 34,"type" : "word","position" : 5},{"token" : "world","start_offset" : 42,"end_offset" : 47,"type" : "word","position" : 8}]
}

4.4.2、中文分词示例

        中文分词的效果，其对于连接在一起的中文语句不做任何切分，完整输出，该分词器无法应对中文分词。

GET _analyze
{"analyzer": "stop","text" : "北京市"
}# 結果：
{"tokens" : [{"token" : "北京市","start_offset" : 0,"end_offset" : 3,"type" : "word","position" : 0}]
}

4.5、Keyword Analyzer

        它其实不做分词处理，只是将输入作为 Term 输出。

4.6、Pattern Analyzer

        它可以通过正则表达式的方式进行分词，默认是用 \W+ 进行分割的，也就是非字母进行切分的，由于运行结果和 Stamdard Analyzer 一样，就不展示了。

4.7、Language Analyzer

        ES 为不同国家语言的输入提供了 Language Analyzer 分词器，在里面可以指定不同的语言，

我们用 english 进行分词看下：

        可以看出 language 被改成了 languag，同时它也是有 stop 过滤器的，比如 in,is 等词也被去除了。

GET _analyze
{"analyzer": "english","text": "In 2022, Java is the best language in the world."
}

结果：

{"tokens" : [{"token" : "2022","start_offset" : 3,"end_offset" : 7,"type" : "","position" : 1},{"token" : "java","start_offset" : 9,"end_offset" : 13,"type" : "","position" : 2},{"token" : "best","start_offset" : 21,"end_offset" : 25,"type" : "","position" : 5},{"token" : "languag","start_offset" : 26,"end_offset" : 34,"type" : "","position" : 6},{"token" : "world","start_offset" : 42,"end_offset" : 47,"type" : "","position" : 9}]
}

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！