ES 分词器和自定义分词器

 

1.analysis 和 analyzer

analysis是指把全文本转换成一系列单词(term/token)的过程，也叫分词。

analysis是通过分词器analyzer来实现的。

 

2.ES 自带分词器

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 Analyze——不分词，直接将输入当作输出
Patter Analyzer——正则表达式，默认\W+(非字符分隔)
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

# 直接指定分词器进行测试
GET /_analyze
{
    "analyzer":"standard",
    "text":"master elasticsearch!"
}

#指定索引的字段进行测试
POST books/_analyze
{
    "field":"standard",
    "text":"master elasticsearch!"
}

#自定义分词器进行测试
POST /_analyze
{
    "tokenizer":"standard",
    "filter":["lowercase"],
    "text":"master elasticsearch!"
}

中文分词器
# IK

https://github.com/medcl/elasticsearch-analysis-ik

# 清华大学开发的中文分词器

https://github.com/thunlp/THULAC

 

mapping 中配置自定义analyzer
es自带分词器无法满足需求时，可以自定义分词器，通过组合不同的组件实现，
包括三个组件：
1.character filter
对文本进行处理，增加、删除、替换字符，可以配置多个，数组的形式
自带的有：html strip(去除html标签),mapping（字符串替换）,pattern replace（正则匹配替换）
2.tokenizer
分词器
3.token filter
对分词器tokenizer输出的单词term，进行增加、修改、删除
自带的有：lowercase,stop,synonym

# 过滤html 标签
POST _analyze
{
	"tokenizer":"keyword",
	"char_filter":["html_strip"],
	"text":"hello world"
}

# 字符转换
POST _analyze
{
	"tokenizer":"standard",
	"char_filter":[
			{
				"type":"mapping",
				"mapping":["- => _"]
			}
		],
	"text":"123-456-789,i-love-u"
}

# 替换表情符号
POST _analyze
{
	"tokenizer":"standard",
	"char_filter":[
		{
			"type":"mapping",
			"mapping":[":) => happy"]
		}
	],
	"text":"i am felling :),i-love-u"
}


# 正则表达式
POST _analyze
{
	"tokenizer":"standard",
	"char_filter":[
		{
			"type":"pattern_replace",
			"pattern":"http://(.*)",
			"replacement":"$1"
		}
	],
	"text":"http://www.elastic.co"
}

 

# 路径分词器，按照一级一级的目录切成不同term
POST _analyze
{
	"tokenizer":"path_hierarchy",
	"text":"/user/ymruan/a/b/c/d/e"
}


# stop 过滤
POST _analyze
{
	"tokenizer":"whitespace",
	"filter":["lowercase","stop"],
	"text":["The rain in spain falls mainly on the plain."]
}

设置索引的settings
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":{
				"emotions":{
					"type":"mapping",
					"mappings":[
						":) => happy"
					]
				}
			},
			"filter":{
				"english_stop":{
					"type":"stop",
					"stopwords":"_english_"
				}
			}
		}
	}
}

# 使用上面自己定义的分词器
POST my_index/_analyze
{
	"analyzer":"my_custom_analyzer",
	"text":"i am a :) person,and you ?"
}