「这是我参与2022首次更文挑战的第3天,活动详情查看:2022首次更文挑战」。
前言
我又出现了,这次不是更新 JVM 系列,毕竟要有时间嘛,所以我想在讲个其他系列的,正好最近了解了一下 ElasticSearch,刚好来分享一下。
我们都知道,ElasticSearch 有着非常优秀的检索文章的能力。并且我相信大多数人,都知道,这都是得益于它本身的倒排索引数据结构,大大提升了检索的性能。
但是呢,知道了这个数据结构,我们都表示明白了为什么那么快,但还是有点云里雾里。在倒排索引的内部组成有两部分重要组成,单词词典和倒排列表。
本篇的文章,就是带着大家了解,单词词典中的“单词”怎么来的!
Analysis 分词
首先解释一下,什么是 Analysis ? 可以把它理解为将文本转换成一系列单词(term/tokem)的过程(Analysis)。那么是怎么实现的?
在 ElasticSearch 中,Analysis 是通过 Analyzer 实现的。
那么又有问题了。
- 它的组成是什么?
- Analyzer 中间做了什么?
Analyzer 分词器
首先,它的组成是是什么?
- Character Filters 。简单理解一下,就是针对原始文本处理,例如去除 Html,增删替换字符串,可以配置多个。
- Tokenizer。将原始文本按照规则分为单词)
- Token Filters。将切分后的单词进行加工,小写处理,删除停用词等等,可以配置多个。
还是有点迷,那么它中间做了什么呢?我们举个栗子,看下图
针对 <p>Mastering ElasticSearch & ElasticSearch in Action</p>
。这句话,经过中间的 Analyzer。变成了 Master、Action、ElasticSearch、ElasticSearch 四个词。可能还是感知不强。我们实践一下(左边执行语句,右边结果)
- 第一步,感受一下什么 Character Filter,使用自带的 Character Filter 去除 Html
我们通过自带的 html_strip 去除了 p 标签。
- 第二步,非常关键,将句子拆分成一个个词
通过指定切词器为 standard ,把原先的一句话分开了。但是还是有点瑕疵。就是像 in 这种词高频出现的还在,已经现在词还有时态,像 Matering 、大小写等。
- 第三步,去除时态、stopword 词、全小写
以上出现每个部分的都是 ES 本身自带的。现在应该很清楚这三部分了吧。
结尾
ElasticSearch 的 Analyzer 是分为三部分的,其中我们的 char_filter 和 filter 是可以指定多个的(在指定的时候你发现它是个数组形式也可以猜出多个),并且也可以不指定。但是 tokenizer 是必需要有的。
这里简单了解了一下基本的部分,那么如何自定义呢?如何指定我们自定义的分词器了,我们下一篇揭晓,博主努力更新中。这里推荐张超大大写的《ElasticSearch 源码解析与优化实战》。
下期预告:双亲委派模型的应用或者是自定义分词器,也可能是其他,哈哈。
扩展
内置的几个 Analyizer
下面的 ELasticSearch 自带的
名称 | 简介 |
---|---|
Standard Analyzer | 默认分词器,按词切分,小写处理,并支持删除停止词 |
Simple Analyzer | 当遇到非字母的字符时切分。小写处理。 |
Whitespace Analyzer | 每当遇到任何空白字符时切分词。没有小写处理。 |
Stop Analyzer | simple 增强,支持删除停止词。 |
Keyword Analyzer | 不切,原文直接输出 |
Pattern Analyzer | 使用正则表达式将文本分割,默认非字符分割(\W+)。小写处理,删除停止字。 |
Language Analyzers | 这里不是指一个叫做 Language 分词器,这里表示的 Elasticsearch提供了许多语言特定的分词器,比如 english 或 french。 |
Fingerprint Analyzer | 这个比较特殊,官方是表示它可以生成用于重复检测的指纹,我还没碰到过 |
analyze api
相信上面也看到我一直使用这个 api,它特别好用。这是一个便于我们查询切词器结果的 api,可以帮我们快速排查问题,比如如果某些词搜不到,就可以通过这个 api 快速定位是不是切词产生的问题。
-
直接指定分词器查看分词结果
GET _analyze { "analyzer": "standard", "text": "<p>Mastering ElasticSearch & ElasticSearch in Action</p>" } 复制代码
-
指定索引的字段查看该字段分词结果,可以用于得知咱们字段写入到单词词典中是那些词
POST news/_analyze { "field": "title", "text": ["他说的确实在理"] } 复制代码
-
自定义分词器进行测试,查看结果。
POST _analyze { "tokenizer": "keyword", "filter": ["lowercase"], "text": ["Mastering English"] } 复制代码