一、 analysis与analyzer
analysis：
文本分析，是将全文本转换为一系列单词的过程，也叫分词。analysis是通过analyzer(分词器)来实现的，可以使用Elasticearch内置的分词器，也可以自己去定制一些分词器。除了在数据写入时将词条进行转换，那么在查询的时候也需要使用相同的分析器对语句进行分析。
analyzer(分词器)：
由三部分组成：
- Character Filter：将文本中html标签剔除掉。
- Tokenizer：按照规则进行分词，在英文中按照空格分词
- Token Filter：将切分的单词进行加工，小写，删除 stopwords(停顿词，a、an、the、is等),增加同义词
1.1 内置的分词器
| 分词器名称 | 处理过程 |
|---|---|
| Standard Analyzer | 默认的分词器，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, this) |
| Whitespace Analyzer | 按照空格切分，不转小写 |
| Keyword Analyzer | 不分词，直接将输入当做输出 |
| Pattern Analyzer | 正则表达式，默认是\W+(非字符串分隔) |
1.2 内置分词器使用示例
- Standard Analyzer
GET _analyze
{
"analyzer": "standard",
"text": "2 Running quick brown-foxes leap over lazy dog in the summer evening"
}
- Simple Analyzer
GET _analyze
{
"analyzer": "simple",
"text": "2 Running quick brown-foxes leap over lazy dog in the summer evening"
}
......
1.3 中文分词
中文分词在所有搜索引擎中都是一个很大的难点，中文的句子应该是切分成一个个的词，但是一句中文，在不同的上下文，其实是不同的理解，例如以下：
这个苹果，不大好吃/这个苹果，不大，好吃
1.3.1 IK分词器
IK分词器支持自定义词库，支持更新分词字典，地址为https://github.com/medcl/elasticsearch-analysis-ik
安装步骤：
1. 下载zip包，下载路径为：https://github.com/medcl/elasticsearch-analysis-ik/releases
2. 在Elasticsearch的plugins目录下创建名为analysis-ik的目录，将下载好的zip包解压在该目录下
3. 再dos命令进入Elasticsearch的bin目录下，执行elasticsearch-plugin.bat list即可查看到该插件
IK分词插件对应的分词器有以下几种：
- ik_smart
- ik_max_word
1.3.2 HanLP分词器
安装步骤：
1. 下载zip包，下载路径：，密码i0o7
2. 在Elasticsearch的plugins目录下创建名为analysis-hanlp目录，将下载好的zip包解压到该目录下
3. 下载词库，地址为：https://github.com/hankcs/HanLP/releases
4. 将analysis-hanlp目录下的data目录删除掉，然后将词库data-for-1.7.5.zip解压到analysis-hanlp目录下
5. 将第二步解压目录下的config文件夹中两个文件hanlp.properties和hanlp-remote.xml拷贝到Elasticsearch安装目录中config目录下analysis-hanlp文件夹中（analysis-hanlp目录需手动自己创建）
6. 将课件中hanlp文件夹中提供的六个文件(可自己定义)拷贝到$ES_HOME\plugins\analysis-hanlp\data\dictionary\custom 目录下。
HanLP对应的分词器如下：
- hanlp：默认的
- hanlp_standard：标准分词
- hanlp_index：索引分词
- hanlp_nlp：nlp分词
- hanlp_n_short：N-最短路分词
- hanlp_speed：极速词典分词
1.3.3 pingyin分词器
安装步骤：
1. 下载ZIP包，下载路径为：https://github.com/medcl/elasticsearch-analysis-pinyin/releases
2. 在Elasticsearch的plugins目录下创建名为 analysis-pinyin 的目录，将下载好的zip包解压在该目录下.
1.4 中文分词演示
ik_smart
GET _analyze
{
"analyzer": "ik_smart",
"text": ["剑桥分析公司多位高管对卧底记者说，他们确保了唐纳德·特朗普在总统大选中获胜"]
}
hanlp
GET _analyze
{
"analyzer": "hanlp",
"text": ["剑桥分析公司多位高管对卧底记者说，他们确保了唐纳德·特朗普在总统大选中获胜"]
}
hanlp_standard
GET _analyze
{
"analyzer": "hanlp_standard",
"text": ["剑桥分析公司多位高管对卧底记者说，他们确保了唐纳德·特朗普在总统大选中获胜"]
}
1.5 分词的实际应用
在如下列举了很多的分词器，那么在实际中该如何使用？
1.5.1 设置mapping
想要使用分词器，先要指定我们想要对哪个字段使用何种，如下所示：
PUT customers
{
"mappings": {
"properties": {
"content": {
"type": "text",
"analyzer": "hanlp_nlp"
}
}
}
}
1.5.2 插入数据
PUT customers/_bulk
{"index":{"_id": 1}}
{"content":"如不能登录，请在百端登录百度首页，点击【登录遇到问题】，进行找回密码操作"}
{"index":{"_id": 2}}
{"content":"网盘客户端访问隐藏空间需要输入密码方可进入。"}
{"index":{"_id": 3}}
{"content":"剑桥的网盘不好用"}
1.5.3 查询
GET customers/_search
{
"query": {
"match": {
"content": "密码"
}
}
}
1.6 拼音分词器
在查询的过程中我们可能需要使用拼音来进行查询，在中文分词器中我们介绍过pinyin分词器，那么在实际工作中该如何使用呢？
1.6.1 设置settings
PUT /medcl
{
"settings" : {
"analysis" : {
"analyzer" : {
"pinyin_analyzer" : {
"tokenizer" : "my_pinyin"
}
},
"tokenizer" : {
"my_pinyin" : {
"type" : "pinyin",
"keep_separate_first_letter" : false,
"keep_full_pinyin" : true,
"keep_original" : true,
"limit_first_letter_length" : 16,
"lowercase" : true,
"remove_duplicated_term" : true
}
}
}
}
}
可用参数：
- "keep_separate_first_letter" true，刘德华 -> l,d,h false，刘德华 -> ldh
- "keep_full_pinyin" true, 刘德华 -> liu,de,hua
- "keep_joined_full_pinyin" true，刘德华 -> liudehau
- "keep_original" true,刘德华 -> 刘德华
- "limit_first_letter_length" 16, 费拉基米尔伊里奇 -> feilajimieryiliq全拼的长度限制
- "lowercase" 转小写
- "remove_duplicated_term" true，删除重复的拼音项，刘德华的liu与柳岩的liu，只保留一个
如上所示，我们基于现有的拼音分词器定制了一个名为 pinyin_analyzer 这样一个分词器。可用的参数可以参照：https://github.com/medcl/elasticsearch-analysis-pinyin
1.6.2 设置mapping
PUT medcl/_mapping
{
"properties": {
"name": {
"type": "keyword",
"fields": {
"pinyin": {
"type": "text",
"analyzer": "pinyin_analyzer",
"boost": 10
}
}
}
}
}
1.6.3 数据的插入
POST medcl/_bulk
{"index":{}}
{"name": "刘德华"}
{"index":{}}
{"name": "张学友"}
{"index":{}}
{"name": "四大天王"}
{"index":{}}
{"name": "柳岩"}
{"index":{}}
{"name": "angel baby"}
1.6.4 查询
GET medcl/_search
{
"query": {
"match": {
"name.pinyin": "ldh"
}
}
}
1.7 中文、拼音混合查找
1.7.1 设置settings
PUT goods
{
"settings": {
"analysis": {
"analyzer": {
"hanlp_standard_pinyin":{
"type": "custom",
"tokenizer": "hanlp_standard",
"filter": ["my_pinyin"]
}
},
"filter": {
"my_pinyin": {
"type" : "pinyin",
"keep_separate_first_letter" : false,
"keep_full_pinyin" : true,
"keep_original" : true,
"limit_first_letter_length" : 16,
"lowercase" : true,
"remove_duplicated_term" : true
}
}
}
}
}
1.7.2 mappings设置
PUT goods/_mapping
{"properties": {
"content": {
"type": "text",
"analyzer": "hanlp_standard_pinyin"
}
}
}
1.7.3 添加数据
POST goods/_bulk
{"index":{}}
{"content":"如不能登录，请在百端登录百度首页，点击【登录遇到问题】，进行找回密码操作"}
{"index":{}}
{"content":"网盘客户端访问隐藏空间需要输入密码方可进入。"}
{"index":{}}
{"content":"剑桥的网盘不好用"}
1.7.4 查询
GET goods/_search
{
"query": {
"match": {
"content": "caozuo"
}
},
"highlight": {
"pre_tags": "",
"post_tags": "",
"fields": {
"content": {}
}
}
}