欢迎访问我的博客查看原文：http://wangnan.tech
一些概念
Token（词元）
全文搜索引擎会用某种算法对要建索引的文档进行分析， 从文档中提取出若干Tokenizer(分词器)
Tokenizer(分词器)
这些算法叫做Tokenizer(分词器)
Token Filter(词元处理器)
这些Token会被进一步处理， 比如转成小写等， 这些处理算法被称为TokenFilter(词元处理器)
Term(词)
被处理后的结果被称为Term(词)
Character Filter(字符过滤器)
文本被Tokenizer处理前可能要做一些预处理， 比如去掉里面的HTML标记， 这些处理的算法被称为Character Filter(字符过滤器)
Analyzer(分析器)
这整个的分析算法被称为Analyzer(分析器)
Analyzer（分析器）由Tokenizer（分词器）和Filter（过滤器）组成
图片
ES中的分词器
ES内置分析器
- standard analyzer
- simple analyzer
- stop analyzer
- keyword analyzer
- pattern analyzer
- language analyzers
- snowball analyzer
- custom analyzer
ES内置分析器
- standard tokenizer
- edge ngram tokenizer
- keyword tokenizer
- letter analyzer
- lowercase analyzer
- ngram analyzers
- whitespace analyzer
- pattern analyzer
- uax email url analyzer
- path hierarchy analyzer
ES内置过滤器
- standard filter
- ascii folding filter
- length filter
- lowercase filter
- ngram filter
- edge ngram filter
- porter stem filter
- shingle filter
- stop filter stop
- word delimiter filter
- stemmer token filter
- stemmer override filter
- keyword marker filter
- keyword repeat filter
- kstem filter
- snowball filter
- phonetic filter
- synonym filter
- compound word filter
- reverse filter
- elision filter
- truncate filter
- unique filter
- pattern capture filter
- pattern replace filter
- trim filter
- limit token count filter
- hunspell filter
- common grams filter
- normalization filter
ES内置的character filter
- mapping char filter 根据配置的映射关系替换字符
- html strip char filter 去掉HTML元素
- pattern replace char filter 用正则表达式处理字符串
自定义分析器
ES允许用户通过配置文件elasticsearch.yml自定义分析器Analyzer
index:
analysis:
analyzer:
myAnalyzer:
tokenizer: standard
filter: [standard, lowercase, stop]
也可以使用第三方分析器，比如IKAnalyzer
IKAnalyzer
IK简介
IK Analyzer是一个开源的，基于java语言开发的轻量级的中文分词工具包。从2006年12月推出1.0版开始， IKAnalyzer已经推出了4个大版本。最初，它是以开源项目Luence为应用主体的，结合词典分词和文法分析算法的中文分词组件。从3.0版本开 始，IK发展为面向Java的公用分词组件，独立于Lucene项目，同时提供了对Lucene的默认优化实现。在2012版本中，IK实现了简单的分词 歧义排除算法，标志着IK分词器从单纯的词典分词向模拟语义分词衍化。
IK Analyzer 2012特性
1.采用了特有的“正向迭代最细粒度切分算法“，支持细粒度和智能分词两种切分模式；
2.在系统环境：Core2 i7 3.4G双核，4G内存，window 7 64位， Sun JDK 1.6_29 64位 普通pc环境测试，IK2012具有160万字/秒（3000KB/S）的高速处理能力。
3.2012版本的智能分词模式支持简单的分词排歧义处理和数量词合并输出。
4.采用了多子处理器分析模式，支持：英文字母、数字、中文词汇等分词处理，兼容韩文、日文字符
5.优化的词典存储，更小的内存占用。支持用户词典扩展定义。特别的，在2012版本，词典支持中文，英文，数字混合词语。
安装
- 通过git clone https://github.com/medcl/elasticsearch-analysis-ik，下载分词器源码
- 执行命令：mvn clean package，打包生成elasticsearch-analysis-ik-1.2.5.jar
- 将这个jar拷贝到ES_HOME/plugins/analysis-ik目录下面，如果没有该目录，则先创建该目录
- ES_HOME/config/elasticsearch.yml文件在文件最后加入如下内容：
index:
analysis:
analyzer:
ik:
alias: [ik_analyzer]
type: org.elasticsearch.index.analysis.IkAnalyzerProvider
ik_max_word:
type: ik
use_smart: false
ik_smart:
type: ik
use_smart: true
index.analysis.analyzer.default.type: ik
测试
- 创建一个索引，名为index。
curl -XPUT http://localhost:9200/index
- 为索引index创建mapping
curl -XPOST http://localhost:9200/index/fulltext/_mapping -d'
{
"fulltext": {
"_all": {
"analyzer": "ik"
},
"properties": {
"content": {
"type" : "string",
"boost" : 8.0,
"term_vector" : "with_positions_offsets",
"analyzer" : "ik",
"include_in_all" : true
}
}
}
}'
- 测试
curl 'http://localhost:9200/index/_analyze?analyzer=ik&pretty=true' -d '
{
"text":"世界如此之大"
}'
4.显示结果
{
"tokens" : [ {
"token" : "text",
"start_offset" : 4,
"end_offset" : 8,
"type" : "ENGLISH",
"position" : 1
}, {
"token" : "世界",
"start_offset" : 11,
"end_offset" : 13,
"type" : "CN_WORD",
"position" : 2
}, {
"token" : "如此",
"start_offset" : 13,
"end_offset" : 15,
"type" : "CN_WORD",
"position" : 3
}, {
"token" : "之大",
"start_offset" : 15,
"end_offset" : 17,
"type" : "CN_WORD",
"position" : 4
} ]
}
欢迎关注我的微信订阅号:
欢迎关注我的开发者头条独家号搜索：269166