Elasticsearch 中文搜索时遇到几个问题:
当搜索关键词如：“人民币”时，如果分词将“人民币”分成“人”，“民”，“币”三个单字，那么搜索该关键词会匹配到很多包含该单字的无关内容,但是如果将该词分词成一个整词“人民币”，搜索单字如“人”字又不会匹配到包含“人民币”关键词的内容,怎么解决这个问题,既保证覆盖度又保证准确度?
搜索“RMB”时只会匹配到包含“RMB”关键词的内容，实际上，“RMB”和“人民币”是同义词，我们希望用户搜索“RMB”和“人民币”可以相互匹配，ES同义词怎么配置？
用户搜索拼音: 如"baidu",或者拼音首字母"bd",怎么匹配到"百度"这个关键词,又如用户输入"摆渡"这个词也能匹配到"百度"关键词,中文拼音匹配怎么做到?
怎么保证搜索关键词被正确分词,通常我们会采用自定义词典来做,那么怎么获取自定义词典?
接下来从以下几点讲一下怎么ES中文分词
中文分词器
ES 分词流程之 analysis,analyzer,filter,tokenizer
ES内置分词器
自定义analyzer
ES同义词功能实现
ES拼写纠错
ES自定义词典获取
停用词
1.IK 分词器
1，Elasticsearch中文分词我们采用Ik分词，ik有两种分词模式，ik_max_word,和ik_smart模式;
ik_max_word 和 ik_smart 什么区别?
ik_max_word: 会将文本做最细粒度的拆分，比如会将“中华人民共和国国歌”拆分为“中华人民共和国,中华人民,中华,华人,人民共和国,人民,人,民,共和国,共和,和,国国,国歌”，会穷尽各种可能的组合；
ik_smart: 会做最粗粒度的拆分，比如会将“中华人民共和国国歌”拆分为“中华人民共和国,国歌”。
索引时，为了提供索引的覆盖范围，通常会采用ik_max_word分析器，会以最细粒度分词索引，搜索时为了提高搜索准确度，会采用ik_smart分析器，会以粗粒度分词
字段mapping设置如下：
"author": {"type":"string","analyzer":"ik","search_analyzer":"ik_smart"}
2.Elasticsearch之分析（analysis）和分析器（analyzer）
analysis索引分析模块充当analyzer分析器的可配置注册表,通过analyzer对文档索引阶段的字段和搜索String进行处理,自定义analyzer时,通常需要character filter tokenizer token filters来完成
2.1 character filter 字符过滤器
首先字符串经过过滤器（character filter），他们的工作是在分词前处理字符串。字符过滤器能够去除HTML标记，例如把“”变成“a
2.2 tokenizer 分词器
英文分词可以根据空格将单词分开,中文分词比较复杂,可以采用机器学习算法来分词
2.2 token filters 表征过滤器
最后，每个词都通过所有表征过滤（token filters），他可以修改词（例如将“Quick”转为小写），去掉词（例如停用词像“a”、“and”、“the”等等），或者增加词（例如同义词像“a”、“and”、“the”等等）或者增加词（例如同义词像“jump”和“leap”）。
2.3 ES分词流程
character filter-->>tokenizer-->>token filters
2.5 自定义analyzer
官网example:
index : analysis : analyzer : myAnalyzer2 :type: custom tokenizer : myTokenizer1 filter : [myTokenFilter1, myTokenFilter2] char_filter : [my_html] position_increment_gap: 256 tokenizer : myTokenizer1 :type: standard max_token_length : 900 filter : myTokenFilter1 :type: stop stopwords : [stop1, stop2, stop3, stop4] myTokenFilter2 :type: length min : 0 max : 2000 char_filter : my_html :type: html_strip escaped_tags : [xxx, yyy] read_ahead : 1024
2.6 分词mapping设置
通常为了保证索引时覆盖度和搜索时准确度,索引分词器采用ik_max_word,搜索分析器采用ik_smart模式
"content": {"type":"string","analyzer":"ik_max_word","search_analyzer":"ik_smart"}
1.7 如果更改了mapping分词器,需要重新索引数据才能生效
POST /_reindex{"source": {"index":"twitter"},"dest": {"index":"new_twitter"}}
因为倒排索引中的数据是索引时由分词器来处理的,如果分词器有变化,那么搜索时query关键词即使和doc中关键词相同,但是因为分词器的原因,分出来的词会出现不匹配的情况,因此当mapping或者分词器字典同义词词典等发生变化时,需要reindex索引数据
1.8 分词测试
http://127.0.0.1:9200/index/_analyze?analyzer=ik_max_word&pretty=true&text=中国驻洛杉矶
1.8 更改别名,不重启服务切换索引
POST /_aliases{"actions": [ {"remove": {"index":"oldindex","alias":"alias_oldindex"} }, {"add": {"index":"newindex","alias":"alias_oldindex"} } ] }
2 同义词
2.1 建议同义词词典
elasticsearch /config/analysis 下建议同义词词典文件pro_synonym.txt,采用UTF-8编码,写入内容
同义词内容格式 ,注意标点符号使用英文符号
启航 => 起航 : "=>"左边的词全部会被右边的词替换
启航,起航 :使用","英文逗号分隔,两个词是互等的,分词时会同时分成两个词进行索引或者检索,如"启航"会被分成"启航","起航"两个词分别建立索引或者去倒排索引检索
自定义添加同义词通过ik分词器
"settings": {"analysis": {"filter": {"my_synonym_filter": {"type":"synonym","synonyms_path":"analysis/pro_synonym.txt"} },"analyzer": {"ik_syno_max_word": {"tokenizer":"ik","filter":"my_synonym_filter"},"ik_syno_smart": {"tokenizer":"ik_smart","filter":"my_synonym_filter"} } } }
想查看同义词效果或者测试分词效果
http://192.168.0.100:9200/index/_analyze?analyzer=ik_max_word&pretty=true&text=启航
3 Suggest分词
suggest词需要对拼音前缀，全拼，中文进行前缀匹配，例如：“百度”一词，键入"baidu","bd","百"都必须匹配到，因此在索引的时候需要一词分多个分词器来索引保存，中文采用单字分词，拼音首字母和全拼需要自定义analyzer来索引。
Elasticsearch Suggest setting mapping设置参考如下
{"mappings": {"suggest": {"properties": {"full_pinyin": {"type":"completion","analyzer":"full_pinyin_analyzer","payloads":true,"preserve_separators":false,"preserve_position_increments":true,"max_input_length":50},"prefix_pinyin": {"type":"completion","analyzer":"prefix_pinyin_analyzer","search_analyzer":"standard","payloads":true,"preserve_separators":false,"preserve_position_increments":true,"max_input_length":50},"suggestText": {"type":"completion","analyzer":"standard","payloads":true,"preserve_separators":false,"preserve_position_increments":true,"max_input_length":50} } } },"settings": {"index": {"analysis": {"filter": {"_pattern": {"type":"pattern_capture","preserve_original":"1","patterns": ["([0-9])","([a-z])"] },"full_pinyin": {"keep_first_letter":"false","keep_none_chinese_in_first_letter":"false","type":"pinyin","keep_original":"false","keep_full_pinyin":"true"},"prefix_pinyin": {"keep_first_letter":"true","none_chinese_pinyin_tokenize":"false","type":"pinyin","keep_original":"false","keep_full_pinyin":"false"} },"analyzer": {"full_pinyin_analyzer": {"filter": ["lowercase","full_pinyin"],"tokenizer":"standard"},"prefix_pinyin_analyzer": {"filter": ["lowercase","prefix_pinyin"],"tokenizer":"standard"} } } } }}
4 中文拼音搜索
1.关于搜索关键词会将不相关词搜索出来
解决单字搜索的一种方案
问题：搜索时，搜索牙膏，需检索出包含“牙膏”二字的内容，过滤掉包含“牙”或者“膏”的内容，但是搜索单字“牙”或者“膏”时需要将牙膏匹配出来
方案：加入单字字典，ik_max_word分词时，会把所有形式分出来,因此单字字典，此分词模式下会将单字索引起来，ik_smart会按照最粗粒度分词，搜索关键词时不会匹配单字内容
索引和搜索采用不同分词器 "analyzer": "ik", "search_analyzer": "ik_smart"
过程：更改mapping，searchAnalyzer=ik_smart,reindex，reindex现有数据参考资料
POST /_reindex{"source": {"index":"twitter"},"dest": {"index":"new_twitter"}}
部分内容有待完善
作者：sudop
链接：https://www.jianshu.com/p/914f102bc174
来源：
著作权归作者所有，任何形式的转载都请联系作者获得授权并注明出处。