07_ElasticSearch：倒排序索引与分词Analysis

一、 倒排索引是什么？

倒排索引是 Elasticsearch 中非常重要的索引结构，是从文档单词到文档 ID 的映射过程

1.1 通过示例，简单理解下

就拿专栏文章来说，我们平时在各大平台根据关键词检索时，使用到的技术就有“倒排序索引”。

ID	作者	文章标题	内容
1	author1	系统学习es	系统学习es， 倒排序索引
2	author2	学习mysql	mysql， 正排序索引

假设我们的文章的储存结果如上，对于关系型数据库mysql来说，普通的索引结构就是“id->题目->内容”，在我们搜索的时候，如果我们知道id或者题目，那么检索效率是很高效的，因为“id”、“题目”是很方便创建索引的。

索引	内容
1	系统学习es， 倒排序索引
系统学习es	系统学习es， 倒排序索引
2	mysql， 正排序索引
学习mysql	mysql， 正排序索引

         正排序索引如上表

但是当我们只有一个检索关键词，比如需求是搜索到与“倒排序索引”相关的文章时，在索引结构是“id->题目->内容”时，就只能对“题目”和“内容”进行全文扫描了，当数量级上去后，效率是没办法接受的！对于这类的搜索，关系型数据库的索引就很难应付了，适合使用全文搜索的倒排索引。

那么倒排序索引的结构是怎样的呢？简单来讲就是“以内容的关键词”建立索引，映射关系为“内容的关键词->ID”。这样的话，我们只需要在“关键词”中进行检索，效率肯定更快。

Token 元	文档ID=1	文档ID=2
系统	1
学习	1	1
es	1
mysql		1
倒排序	1
正排序		1
索引	1	1

         倒排序索引如上表

1.2 核心组成

倒排序索引包含两个部分：

》单词词典：记录所有文档单词，记录单词到倒排列表的关联关系

》倒排列表：记录单词与对应文档结合，由倒排索引项组成

倒排索引项：

》文档

》词频 TF - 单词在文档中出现的次数，用于相关性评分

》位置（Position）- 单词在文档中分词的位置，用于phrase query

》偏移（Offset）- 记录单词开始结束的位置，实现高亮显示

二、倒排索引是怎么工作的？

主要包括2个过程：1、创建倒排索引；2、倒排索引搜索

2.1 创建倒排索引

还是使用上面的例子。先对文档的内容进行分词，形成一个个的 token，也就是 单词，然后保存这些 token 与文档的对应关系。结果如下：

Token 元	文档ID=1	文档ID=2
系统	1
学习	1	1
es	1
mysql		1
倒排序	1
正排序		1
索引	1	1

2.2 倒排索引搜索

搜索示例1：“学习索引”

先分词，得到两个Token：“学习”、“索引”

然后去倒排索引中进行匹配

这2个Token在2个文档中都匹配，所以2个文档都会返回，而且分数相同。

搜索示例2：“学习es”

同样，2个文档都匹配，都会返回。但是文档1的相关性评分会高于文档2，因为文档1匹配了两个Token，而文档2只匹配了一个Token【学习】。

通过上面的讲解，我们学习了解了：倒排序索引是什么及其工作流程。其中有一个非常重要的环节——对文档进行分词，得到Token。那么这个分词过程，是怎样进行的呢？

三、Analysis 进行分词

一个tokenizer（分词器）接收一个字符流，将之分割为独立的tokens（词元，通常是独立
的单词），然后输出tokens流。
例如，whitespace tokenizer遇到空白字符时分割文本。它会将文本"Quick brown fox!"分割
为[Quick,brown,fox]]。
该tokenizer（分词器）还负责记录各个term（词条）的顺序或position位置（用于phrase短
语和word proximity词近邻查询），以及term（词条）所代表的原始word（单词）的start
（起始）和end（结束）的character offsets（字符偏移量）（用于高亮显示搜索的内容）。
Elasticsearch提供了很多内置的分词器，可以用来构建customanalyzers（自定义分词器）。

Analysis：即文本分析，是把全文本转化为一系列单词（term/token）的过程，也叫分词；在Elasticsearch 中可通过内置分词器实现分词，也可以按需定制分词器。

3.1 Analyzer 由三部分组成

• Character Filters：原始文本处理，如去除 html
• Tokenizer：按照规则切分为单词
• Token Filters：对切分单词加工、小写、删除 stopwords，增加同义词

3.2 Analyzer 分词过程简介

1）字符过滤器 character filter

首先，字符串按顺序通过每个字符过滤器 。他们的任务是在分词前整理字符串。一个字符过滤器可以用来去掉HTML，或者将 & 转化成 and。

2）分词器 tokenizer

其次，字符串被 分词器 分为单个的词条。一个 whitespace的分词器遇到空格和标点的时候，可能会将文本拆分成词条。

3）令牌过滤器token filter

最后，词条按顺序通过每个 token 过滤器 。这个过程可能会改变词条，例如，lowercase token filter 小写化（将ES转为es）、stop token filter 删除词条（例如， 像 a， and， the 等无用词），或者synonym token filter 增加词条（例如，像 jump 和 leap 这种同义词）。

3.3 自定义分析器

#1、定义名为“custom_analyzer”的自定义分析器：大写转为小写
PUT tehero_index
{
  "settings": {
    "analysis": {
      "analyzer": {
        "custom_analyzer": {
          "type": "custom",
          "tokenizer": "standard",
          "filter": [
            "lowercase"
          ]
        }
      }
    }
  },
# 2、该字段my_text使用custom_analyzer分析器
  "mappings": {
    "_doc": {
      "properties": {
        "my_text": {
          "type": "text",
          "analyzer": "custom_analyzer"
        }
      }
    }
  }
}

3.4 测试分词

# 要引用此分析器，analyzeAPI必须指定索引名称。
# 直接使用分析器
GET tehero_index/_analyze 
{
  "analyzer": "custom_analyzer",
  "text":"关注我,间隔系统学ES"
}
# 通过字段使用
GET tehero_index/_analyze
{
  "field": "my_text",
  "text": "关注我,间隔系统学ES"
}

从analyzeAPI 的输出可以看出，分析器不仅将搜索词转换为Token，而且还记录 每个Token的顺序或相对位置（用于短语查询或单词接近性查询），以及每个Token的开始和结束字符偏移量原始文字中的字词（用于突出显示搜索摘要）。

3.5 ik分词安装

代码库
https://gitcode.net/mirrors/medcl/elasticsearch-analysis-ik

直接把下周压缩包放到es的安装目录 plugings下

Analyzer: ik_smart , ik_max_word , Tokenizer: ik_smart , ik_max_word

ik_max_word：细颗粒度分词

ik_max_word: 会将文本做最细粒度的拆分，比如会将“关注我系统学习ES”拆分为“关注，我，系统学，系统，学习，es”，会穷尽各种可能的组合，适合 Term Query；

ik_smart：粗颗粒度分词

ik_smart: 会做最粗粒度的拆分，比如会将“关注我系统学习ES”拆分为“关注，我，系统，学习，es”，适合 Phrase 查询。

建议：一般情况下，为了提高搜索的效果，需要这两种分词器配合使用。既建索引时用 ik_max_word 尽可能多的分词，而搜索时用 ik_smart 尽可能提高匹配准度，让用户的搜索尽可能的准确。比如一个常见的场景，就是搜索"进口红酒"的时候，尽可能的不要出现口红相关商品或者让口红不要排在前面。

在简单学习了解了Ik分词后，我们就可以去学习es的全文查询了。

POST /full_text_index/_analyze
{
  "analyzer": "ik_max_word",
  "text": "关注我,间隔系统学编程"
}

POST /full_text_index/_analyze
{
  "analyzer": "ik_smart",
  "text": "关注我,间隔系统学编程"
}

maxworkd 效果

{
  "tokens" : [
    {
      "token" : "关注",
      "start_offset" : 0,
      "end_offset" : 2,
      "type" : "CN_WORD",
      "position" : 0
    },
    {
      "token" : "我",
      "start_offset" : 2,
      "end_offset" : 3,
      "type" : "CN_CHAR",
      "position" : 1
    },
    {
      "token" : "间隔",
      "start_offset" : 4,
      "end_offset" : 6,
      "type" : "CN_WORD",
      "position" : 2
    },
    {
      "token" : "系统学",
      "start_offset" : 6,
      "end_offset" : 9,
      "type" : "CN_WORD",
      "position" : 3
    },
    {
      "token" : "系统",
      "start_offset" : 6,
      "end_offset" : 8,
      "type" : "CN_WORD",
      "position" : 4
    },
    {
      "token" : "学",
      "start_offset" : 8,
      "end_offset" : 9,
      "type" : "CN_CHAR",
      "position" : 5
    },
    {
      "token" : "编程",
      "start_offset" : 9,
      "end_offset" : 11,
      "type" : "CN_WORD",
      "position" : 6
    }
  ]
}

smart 效果

{
  "tokens" : [
    {
      "token" : "关注",
      "start_offset" : 0,
      "end_offset" : 2,
      "type" : "CN_WORD",
      "position" : 0
    },
    {
      "token" : "我",
      "start_offset" : 2,
      "end_offset" : 3,
      "type" : "CN_CHAR",
      "position" : 1
    },
    {
      "token" : "间隔",
      "start_offset" : 4,
      "end_offset" : 6,
      "type" : "CN_WORD",
      "position" : 2
    },
    {
      "token" : "系统学",
      "start_offset" : 6,
      "end_offset" : 9,
      "type" : "CN_WORD",
      "position" : 3
    },
    {
      "token" : "编程",
      "start_offset" : 9,
      "end_offset" : 11,
      "type" : "CN_WORD",
      "position" : 4
    }
  ]
}