原创

触类旁通Elasticsearch:分析

版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://wxy0327.blog.csdn.net/article/details/86693408

目录

一、什么是分析

二、分析文档

三、分析API

四、分析器、分词器、分词过滤器

1. 内置分析器

2. 分词器

3. 分词过滤器

五、N元语法、侧边N元语法、滑动窗口

七、IK中文分词插件


《Elasticsearch In Action》学习笔记。

一、什么是分析

        分析(analysis)是在文档被发送并加入倒排索引之前,ES在其主体上进行的操作。在文档被加入索引之前,ES让每个被分析字段经过一系列的处理步骤。

  • 字符过滤:使用字符过滤器转变字符。
  • 文本切分为分词:将文本切分为单个或多个分词。
  • 分词过滤:使用分词过滤器转变每个分词。
  • 分词索引:将这些分词存储到索引中。

        图1展示了将文本“share your experience with NoSql & big data technologies”进行分析的整个流程。

图1 标准模块定制分析器分析流程概览

 

(1)字符过滤
        字符过滤将特定的字符序列转变为其它的字符序列。图1中使用特定过滤器将&替换为“and”。

(2)切分为分词
        Lucene处理的是被称为分词(token)的数据。分词是从文本片段生成的,可能会产生任意数量(甚至是0)的分词。例如,标准英文分词器根据空格、换行和破折号等字符,将文本分割为分词。图1中,这种行为表现为将字符串“share your experience with NoSql and big data technologies”分割为分词share、your、experience、with、NoSql、and、big、data和technologies。

(3)分词过滤
        一旦文本被转换为分词,ES将会对每个分词运用分词过滤器(token filter)。这些分析过滤器可以将一个分词作为输入,然后根据需要进行修改、添加或删除。图1给出的例子中,有3种分词过滤器:第一个将分析转为小写,第二个删除停用词“and”,第三个将词条“tools”作为“technologies”的同义词进行添加。

(4)分词索引
        当分词经过零个或多个分词过滤器,它们将被发送到Lucene进行文档的索引,这些分词组成了倒排索引。

        零个或多个字符过滤器、一个分词器、零个或多个分词过滤器组成了一个分析器(analyzer)。搜索在索引中执行之前,根据所使用的查询类型,分析同样可以运用到搜索的文本。如match、match_phrase在搜索之前会对文本执行分析步骤,而term和terms则不会。

二、分析文档

        有以下两种方式指定字段所使用的分析器:

  • 创建索引时,为特定的索引进行设置。
  • 在ES配置文件中,设置全局分析器。

(1)在索引创建时增加分析器

        下面的代码在创建myindex索引时定制了分析器,为所有的分析步骤指定了定制的部分。

curl -XPUT '172.16.1.127:9200/myindex?pretty' -H 'Content-Type: application/json' -d '
{
  "settings": {
    "number_of_shards": 2,                      # 主分片数
    "number_of_replicas": 1,                    # 副本数
    "index": {
      "analysis": {                             # 索引的分析设置
        "analyzer": {                           # 在分析器对象中设置定制分析器
          "myCustomAnalyzer": {                 # 定制名为myCustomAnalyzer的分析器
            "type": "custom",                   # 分析器类型为定制
            "tokenizer": "myCustomTokenizer",   # 使用名为myCustomTokenizer的分析器对文本进行分词
            "filter": [                         # 指定文本需要经过两个分词过滤器myCustomFilter1和myCustomFilter2
              "myCustomFilter1",
              "myCustomFilter2"
            ],
            "char_filter": [                    # 设置定制的字符过滤器myCustomCharFilter,它会在其它分析步骤之前运行
              "myCustomCharFilter"
            ]
          }
        },
        "tokenizer": {
          "myCustomTokenizer": {
            "type": "letter"                    # 设置定制分析器的类型为letter
          }
        },
        "filter": {
          "myCustomFilter1": {
            "type": "lowercase"                 # 定制两个分词过滤器,一个是转为小写,一个使用kstem进行词干处理
          },
          "myCustomFilter2": {
            "type": "kstem"
          }
        },
        "char_filter": {
          "myCustomCharFilter": {               # 定制的字符过滤器,将字符翻译为其它映射
            "type": "mapping",
            "mappings": [
              "ph=>f",
              "u=>you"
            ]
          }
        }
      }
    }
  },
  "mappings": {
    "_doc": {
      "properties": {
        "description": {                        
          "type": "text",
          "analyzer": "myCustomAnalyzer"        # 为description字段指定myCustomAnalyzer分析器
        },
      "name": {
          "type": "text",
          "analyzer": "standard",               # 为name字段指定standard分析器
          "fields": {
            "raw": {
              "index": false,                   # 保留不做分析的原始文本,通过name.raw引用
              "type": "text"
            }
          }
        }
      }
    }
  }
}'

(2)在ES配置文件中添加分析器
        在ES配置文件中指定分析器,需要重启ES才能生效。下面的例子在elasticsearch.yml配置文件中设置分析器。这里的定制分析器和前面的一样,不过是在YAML里设置的。

index:
  analysis:
    analyzer:
      myCustomAnalyzer:
        type: custom
        tokenizer: myCustomTokenizer
        filter: [myCustomFilter1, myCustomFilter2]
        char_filter: myCustomCharFilter
    tokenizer:
      myCustomTokenizer:
        type: letter
    filter:
      myCustomFilter1:
        type: lowercase
      myCustomFilter2:
        type: kstem
     char_filter:
       myCustomCharFilter:
         type: mapping
         mappings: ["ph=>f", "u =>you"]

三、分析API

        当跟踪信息是如何在ES索引中存储的时候,使用分析API来测试分析的过程是十分有用的。分析API允许向ES发送任何文本,指定所使用的分析器、分词器或者分词过滤器,然后获取分析后的分词。下面的代码使用标准分析器分析了文本“share your experience with NoSql & big data technologies”。

curl -X GET "172.16.1.127:9200/_analyze?pretty" -H 'Content-Type: application/json' -d'
{
  "analyzer" : "standard",
  "text" : "share your experience with NoSql & big data technologies"
}'

        结果返回:

{
  "tokens" : [
    {
      "token" : "share",
      "start_offset" : 0,
      "end_offset" : 5,
      "type" : "<ALPHANUM>",
      "position" : 0
    },
    {
      "token" : "your",
      "start_offset" : 6,
      "end_offset" : 10,
      "type" : "<ALPHANUM>",
      "position" : 1
    },
    {
      "token" : "experience",
      "start_offset" : 11,
      "end_offset" : 21,
      "type" : "<ALPHANUM>",
      "position" : 2
    },
    {
      "token" : "with",
      "start_offset" : 22,
      "end_offset" : 26,
      "type" : "<ALPHANUM>",
      "position" : 3
    },
    {
      "token" : "nosql",
      "start_offset" : 27,
      "end_offset" : 32,
      "type" : "<ALPHANUM>",
      "position" : 4
    },
    {
      "token" : "big",
      "start_offset" : 35,
      "end_offset" : 38,
      "type" : "<ALPHANUM>",
      "position" : 5
    },
    {
      "token" : "data",
      "start_offset" : 39,
      "end_offset" : 43,
      "type" : "<ALPHANUM>",
      "position" : 6
    },
    {
      "token" : "technologies",
      "start_offset" : 44,
      "end_offset" : 56,
      "type" : "<ALPHANUM>",
      "position" : 7
    }
  ]
}

        分析API中最为重要的输出是token键。输出是一组这样的映射列表,代表了处理后的分词。实际上,就是这些分词将会被写入到索引中。上例中的文本分析后获得8个分词。该例使用了标准的分析器,每个分词被转为小写,每个句子结尾的标点也被去除。

(1)选择分析器
        可以通过analyzer参数引用分析器的名字:

curl -X GET "172.16.1.127:9200/get-together/_analyze?pretty" -H 'Content-Type: application/json' -d'
{
  "analyzer" : "myCustomAnalyzer",
  "text" : "share your experience with NoSql & big data technologies"
}'

(2)通过组合即兴创建分析器
        可以尝试分词器和分词过滤器的组合。例如,使用空白分词器(按照空白来切分文本),然后使用小写和反转分词过滤器,可以这样做:

curl -X GET "172.16.1.127:9200/_analyze?pretty" -H 'Content-Type: application/json' -d'
{
  "tokenizer" : "whitespace",
  "filter" : ["lowercase", "reverse"],
  "text" : "share your experience with NoSql & big data technologies"
}'

        将得到如下分词:erahs, ruoy, ecneirepxe, htiw, lqson, &, gib, atad, seigolonhcet

(3)基于某个字段映射的分析
        ES允许基于所创建的映射字段来进行分析:

curl -X GET "172.16.1.127:9200/get-together/_analyze?pretty" -H 'Content-Type: application/json' -d'
{
  "field" : "description",
  "text" : "share your experience with NoSql & big data technologies"
}'

        ES自动使用与description字段关联的分析器进行文本分析。该特性需要指定一个索引,因为ES需要从索引中获取特定字段的映射。

(4)使用词条向量API来学习索引词条
        可以使用_termvector端点获取词条的更多信息。使用改端点可以了解词条,了解它们在文档中、索引中出现的频率,以及出现在文档中的位置。

curl '172.16.1.127:9200/get-together/_doc/2/_termvector?pretty=true'

        结果返回:

{
  "_index" : "get-together",
  "_type" : "_doc",
  "_id" : "2",
  "_version" : 6,
  "found" : true,
  "took" : 35,
  "term_vectors" : {
    "description" : {                           # 返回词条信息
      "field_statistics" : {                    # 该字段中词条统计数据
        "sum_doc_freq" : 249,                   # 该字段中所有词条的文档频率之和
        "doc_count" : 16,                       # 包含这个字段的文档数量
        "sum_ttf" : 267                         # 字段中所有词条频率之和
      },
      "terms" : {                               # 包含字段description中所有词条的对象
        "about" : {                             # 属于结果数据的词条
          "term_freq" : 1,                      # 词条在字段中出现的次数
          "tokens" : [                          # 词条在字段中的位置
            {
              "position" : 5,
              "start_offset" : 27,
              "end_offset" : 32
            }
          ]
        },
        "and" : {
          "term_freq" : 1,
          "tokens" : [
            {
              "position" : 10,
              "start_offset" : 71,
              "end_offset" : 74
            }
          ]
        },
      
      ...
      
      }
    }
  }
}

        可以指定需要统计数据的字段:

curl '172.16.1.127:9200/get-together/_doc/2/_termvector?pretty=true' -H 'Content-Type: application/json' -d '
{
  "fields": [
    "description",
    "tags"
  ],
  "term_statistics": true
}'

        下面是响应的一部分,只显示了一个词条,结构和之前的代码样例相同。

"about" : {                                     # 展示信息的词条
  "doc_freq" : 6,                               # 出现这个词条的文档数
  "ttf" : 6,                                    # 索引中该词条的总词频
  "term_freq" : 1,
  "tokens" : [
    {
      "position" : 5,
      "start_offset" : 27,
      "end_offset" : 32
    }
  ]
}

四、分析器、分词器、分词过滤器

1. 内置分析器

(1)标准分析器
        标准分析器(standard analyzer)是ES默认的文本分析器,包括标准分词器、标准分词过滤器、小写转换分词过滤器和停用词分词过滤器。

(2)简单分析器
        简单分析器(simple analyzer)只使用小写转换分词器。这意味着在非字母处进行分词,并将分词自动转为小写。

(3)空白分析器
        空白分析器(whitespace analyzer)只根据空白将文本切分为若干分词。

(4)停用词分析器
        停用词分析器(stop analyzer)和简单分析器的行为很像,只是在分词流中额外地过滤了停用词。

(5)关键词分析器
        关键词分析器(keyword analyzer)将整个字段当做一个单独的分词。最好是将index设置为false,而不是在映射中使用关键词分析器。

(6)模式分析器
        模式分析器(pattern analyzer)允许指定一个分词切分的模式。但由于需要指定模式,更有意义的做法是使用定制分析器,组合现有的模式分词器和所需的分词过滤器。

(7)语言和多语言分析器
        ES支持许多能直接使用的特定语言分析器。

(8)雪球分析器
        雪球分析器(snowball analyzer)除了使用标准的分词器和分词过滤器,也使用了小写分词过滤器和停用词过滤器。它还使用了雪球词干器对文本进行词干提取。

2. 分词器

(1)标准分词器
        标准分词器(standard tokenizer)是一个基于语法的分词器,它处理Unicode文本的切分,分词默认的最大长度是255。它也移除了逗号和句号这样的标点符号。

curl -X GET "172.16.1.127:9200/_analyze?pretty" -H 'Content-Type: application/json' -d'
{
  "tokenizer" : "standard",
  "text" : "I have, potatoes."
}'

        切分后的分词是I、have和potatoes。

(2)关键词分词器
        关键词分词器(keyword tokenizer)将整个文本作为单个分词,提供给分词过滤器。

curl -X GET "172.16.1.127:9200/_analyze?pretty" -H 'Content-Type: application/json' -d'
{
  "tokenizer" : "keyword",
  "text" : "Hi, there."
}'

        唯一的分词是Hi, there.。

(3)字母分词器
        字母分词器(letter tokenizer)根据非字母的符号,将文本切分省分词。

curl -X GET "172.16.1.127:9200/_analyze?pretty" -H 'Content-Type: application/json' -d'
{
  "tokenizer" : "letter",
  "text" : "Hi, there."
}'

        分词是Hi和there。

(4)小写分词器
        小写分词器(lowercase tokenizer)结合了常规的字母分词器和小写分词过滤器的行为。通过一个单独的分词器来实现的主要原因是,一次进行两项操作会获得更好的性能。

curl -X GET "172.16.1.127:9200/_analyze?pretty" -H 'Content-Type: application/json' -d'
{
  "tokenizer" : "lowercase",
  "text" : "Hi, there."
}'

        分词是hi和there。

(5)空白分词器
        空白分词器(whitespace tokenizer)通过空白来分隔不同的分词,空白包括空格、制表符、换行等。该分词器不会删除任何标点符号。

curl -X GET "172.16.1.127:9200/_analyze?pretty" -H 'Content-Type: application/json' -d'
{
  "tokenizer" : "whitespace",
  "text" : "Hi, there."
}'

        分词是Hi,和there.。(6)模式分词器
        模式分词器(pattern tokenizer)允许指定一个任意的模式,将文本切分为分词。被指定的模式应该匹配间隔符号。下面代码创建一个定制分析器,它在出现文本.-.的地方将分词断开。

curl -XPUT '172.16.1.127:9200/pattern?pretty' -H 'Content-Type: application/json' -d '
{
  "settings": {
    "index": {
      "analysis": {
        "tokenizer": {
          "pattern1": {
            "type": "pattern",
            "pattern": "\\.-\\."
          }
        }
      }
    }
  }
}'

curl -X GET "172.16.1.127:9200/pattern/_analyze?pretty" -H 'Content-Type: application/json' -d'
{
  "tokenizer" : "pattern1",
  "text" : "breaking.-.some.-.text"
}'

        分词是breaking、some和text。

(7)UAX URL 电子邮件分词器
        UAX URL 电子邮件分词器(UAX URL email tokenizer)将电子邮件和URL都作为单独的分词进行保留。

curl -X GET "172.16.1.127:9200/_analyze?pretty" -H 'Content-Type: application/json' -d'
{
  "tokenizer" : "uax_url_email",
  "text" : "john.smith@example.com http://example.com?q=bar"
}'

        结果返回:

{
  "tokens" : [
    {
      "token" : "john.smith@example.com",
      "start_offset" : 0,
      "end_offset" : 22,
      "type" : "<EMAIL>",
      "position" : 0
    },
    {
      "token" : "http://example.com?q=bar",
      "start_offset" : 23,
      "end_offset" : 47,
      "type" : "<URL>",
      "position" : 1
    }
  ]
}

(8)路径层次分词器
        路径层次分词器(path hierarchy tokenizer)允许以特定方式索引文件系统的路径。

curl -X GET "172.16.1.127:9200/_analyze?pretty" -H 'Content-Type: application/json' -d'
{
  "tokenizer" : "path_hierarchy",
  "text" : "/usr/local/var/log/elasticsearch.log"
}'

        分词是/usr、/usr/local、/usr/local/var、/usr/local/var/log和/usr/local/var/log/elasticsearch.log。

3. 分词过滤器

(1)标准分词过滤器
        标准分词过滤器(standard token filter)实际上什么事情都不做。

(2)小写分词过滤器
        小写分词过滤器(lowercase token filter)将任何经过的分词转为小写。

curl -X GET "172.16.1.127:9200/_analyze?pretty" -H 'Content-Type: application/json' -d'
{
  "tokenizer" : "keyword",
  "filter" : ["lowercase"],
  "text" : "HI THERE!"
}'

        分词是hi there!(3)长度分词过滤器
        长度分词过滤器(length token filter)将长度超出最短和最长限制范围的单词过滤掉。例如,如果将min设置为2,max设置为8,任何小于2个字符和任何大于8个字符的分词将被移除。

curl -XPUT '172.16.1.127:9200/length?pretty' -H 'Content-Type: application/json' -d '
{
  "settings": {
    "index": {
      "analysis": {
        "filter": {
          "my-length-filter": {
            "type": "length",
            "max": 8,
            "min": 2
          }
        }
      }
    }
  }
}'

curl -X GET "172.16.1.127:9200/length/_analyze?pretty" -H 'Content-Type: application/json' -d'
{
  "tokenizer" : "standard",
  "filter" : ["my-length-filter"],
  "text" : "a small word and a longerword"
}'

        分词结果是small、word和and。

(4)停用词分词过滤器
        停用词分词过滤器(stop token filter)将停用词从分词流中移除。可以指定停用词列表:

curl -XPUT '172.16.1.127:9200/stopwords?pretty' -H 'Content-Type: application/json' -d'
{
  "settings": {
    "index": {
      "analysis": {
        "analyzer": {
          "stop1": {
            "type": "custom",
            "tokenizer": "standard",
            "filter": [
              "my-stop-filter"
            ]
          }
        },
        "filter": {
          "my-stop-filter": {
            "type": "stop",
            "stopwords": [
              "the",
              "a",
              "an"
            ]
          }
        }
      }
    }
  }
}'

        为了从某个文件读取停用词列表,可以使用相对于配置文件的相对路径或是绝对路径。每个单词应该在新的一行上,文件必须是UTF-8编码。

curl -XPUT '172.16.1.127:9200/stopwords?pretty' -H 'Content-Type: application/json' -d'
{
  "settings": {
    "index": {
      "analysis": {
        "analyzer": {
          "stop1": {
            "type": "custom",
            "tokenizer": "standard",
            "filter": [
              "my-stop-filter"
            ]
          }
        },
        "filter": {
          "my-stop-filter": {
            "type": "stop",
            "stopwords_path": "stopwords.txt"
          }
        }
      }
    }
  }
}'

(5)截断分词过滤器、修剪分词过滤器、限制分词数量过滤器

  • 截断分词过滤器(truncate token filter)允许通过定制配置中的length参数,截断超过一定长度的分词。默认截断多于10个字符的部分。
  • 修剪分词过滤器(trim token filter)删除一个分词中的所有空白部分。
  • 限制分词数量过滤器(limit token count token filter)限制了某个字段可包含分词的最大数量。例如,如果创建了一个定制的分词数量过滤器,限制是8,那么分词流中只有前8个分词会被索引。这个设置使用max_token_count参数,默认是1。

(6)颠倒分词过滤器
        颠倒分词过滤器(reverse token filter)允许处理一个分词流,并颠倒每个分词。

curl -X GET "172.16.1.127:9200/_analyze?pretty" -H 'Content-Type: application/json' -d'
{
  "tokenizer" : "standard",
  "filter" : ["reverse"],
  "text" : "Reverse token filter"
}'

        分词结果是esreveR、nekot和retlif。

(7)唯一分词过滤器
        唯一分词过滤器(unique token filter)只保留唯一的分词,它保留第一个匹配分词的元数据,而将其后出现的重复删除。

curl -X GET "172.16.1.127:9200/_analyze?pretty" -H 'Content-Type: application/json' -d'
{
  "tokenizer" : "standard",
  "filter" : ["unique"],
  "text" : "foo bar foo bar baz"
}'

        分词结果是foo、bar和baz。

(8)ASCII折叠分词过滤器
        ASCII折叠分词过滤器(ASCII folding token filter)将不是普通ASCII字符的Unicode字符转化为ASCII中等同的字符,前提是这种等同存在。

curl -X GET "172.16.1.127:9200/_analyze?pretty" -H 'Content-Type: application/json' -d'
{
  "tokenizer" : "standard",
  "filter" : ["asciifolding"],
  "text" : "ünicode"
}'

        分词结果是unicode。

(9)同义词分词过滤器
        同义词分词过滤器(synonym token filter)在分词流中的同样位移处,使用关键词的同义词取代原始分词。例如“I own that automobile”和两个同义词“automobile”、“car”。如果不使用同义词分词过滤器:

curl -X GET "172.16.1.127:9200/_analyze?pretty" -H 'Content-Type: application/json' -d'
{
  "analyzer" : "standard",
  "text" : "I own that automobile"
}'

        分词结果是i、own、that和automobile。

        为了指定“automobile”的同义词,可以像下面这样定义定制分析器:

curl -XPUT '172.16.1.127:9200/syn-test?pretty' -H 'Content-Type: application/json' -d'
{
  "settings": {
    "index": {
      "analysis": {
        "analyzer": {
          "synonyms": {
            "type": "custom",
            "tokenizer": "standard",
            "filter": [
              "my-synonym-filter"
            ]
          }
        },
        "filter": {
          "my-synonym-filter": {
            "type": "synonym",
            "expand": true,
            "synonyms": [
              "automobile=>car"
            ]
          }
        }
      }
    }
  }
}'

        当使用这个分析器时,可以看到在结果中automobile分词已被替换为car:

curl -X GET "172.16.1.127:9200/syn-test/_analyze?pretty" -H 'Content-Type: application/json' -d'
{
  "analyzer" : "synonyms",
  "text" : "I own that automobile"
}'

        返回结果为:

{
  "tokens" : [
    {
      "token" : "I",
      "start_offset" : 0,
      "end_offset" : 1,
      "type" : "<ALPHANUM>",
      "position" : 0
    },
    {
      "token" : "own",
      "start_offset" : 2,
      "end_offset" : 5,
      "type" : "<ALPHANUM>",
      "position" : 1
    },
    {
      "token" : "that",
      "start_offset" : 6,
      "end_offset" : 10,
      "type" : "<ALPHANUM>",
      "position" : 2
    },
    {
      "token" : "car",
      "start_offset" : 11,                      # 注意start_offset和end_offset使用的是automobile的数据
      "end_offset" : 21,
      "type" : "SYNONYM",
      "position" : 3
    }
  ]
}

        这个例子配置了同义词分词过滤器,让其使用同义词来取代分词,但是也可以使用这个过滤器将synonym分词额外添加到分词集合中。在这种情况下,应该使用automobile,car来替换automobile=>car。

五、N元语法、侧边N元语法、滑动窗口

        N元语法是将一个单词切分为多个子单词。

(1)一元语法过滤器
        “spaghetti”的一元语法(1-grams)是s、p、a、g、h、e、t、t、i。

(2)二元语法过滤器
        如果将字符串切分为二元语法(bigrams,意味着两个字符的尺寸),会获得如下分词:sp、pa、ag、gh、he、et、tt、ti。

(3)三元语法过滤器
        如果使用3个字符的尺寸(trigrams,被称为三元语法),将得到的分词是:spa, pag, agh, ghe, het, ett, tti。

(4)设置min_gram和max_gram
        当使用这个分析器的时候,需要设置两个不同的尺寸:一个设置所想生成的最小的N元语法(设置min_gram),另一个设置所想生成的最大的N元语法(设置max_gram)。使用前面的例子,如果min_gram为2,max_gram为3,将获得两个先前例子的合并的分词集合:sp、spa、pa、pag、ag、agh、gh、ghe、he、het、et、ett、tt、tti、ti。

(5)侧边N元语法过滤器
        侧边N元语法仅仅从前端的边缘开始构建N元语法。在“spaghetti”的例子中,如果min_gram为2,max_gram为6,那么将获得如下分词:sp、spa、spag、spagh、spaghe。(6)N元语法的设置

curl -XPUT '172.16.1.127:9200/ng?pretty' -H 'Content-Type: application/json' -d'
{
  "settings": {
    "number_of_shards": 1,
    "number_of_replicas": 0,
    "index": {
      "analysis": {
        "analyzer": {
          "ng1": {
            "type": "custom",
            "tokenizer": "standard",
            "filter": [                         # 配置一个分析器,颠倒、侧边N元语法和再次颠倒
              "reverse",
              "ngf1",
              "reverse"
            ]
          }
        },
        "filter": {
          "ngf1": {
            "type": "edge_ngram",               # 设置侧边N元语法分词过滤器的最小尺寸和最大尺寸
            "min_gram": 2,
            "max_gram": 6
          }
        }
      }
    }
  }
}'

curl -X GET "172.16.1.127:9200/ng/_analyze?pretty" -H 'Content-Type: application/json' -d'
{
  "analyzer" : "ng1",
  "text" : "spaghetti"
}'

        结果返回:

{
  "tokens" : [
    {
      "token" : "ti",
      "start_offset" : 0,
      "end_offset" : 9,
      "type" : "<ALPHANUM>",
      "position" : 0
    },
    {
      "token" : "tti",
      "start_offset" : 0,
      "end_offset" : 9,
      "type" : "<ALPHANUM>",
      "position" : 0
    },
    {
      "token" : "etti",
      "start_offset" : 0,
      "end_offset" : 9,
      "type" : "<ALPHANUM>",
      "position" : 0
    },
    {
      "token" : "hetti",
      "start_offset" : 0,
      "end_offset" : 9,
      "type" : "<ALPHANUM>",
      "position" : 0
    },
    {
      "token" : "ghetti",
      "start_offset" : 0,
      "end_offset" : 9,
      "type" : "<ALPHANUM>",
      "position" : 0
    }
  ]
}

(7)滑动窗口分词过滤器
        ES有一个过滤器被称为滑动窗口分词过滤器(shingles),和N元语法以及侧边N元语法沿用了同样的方式。滑动窗口分词过滤器基本上是分词级别的N元语法,而不是字符级别的N元语法。

curl -XPUT '172.16.1.127:9200/shingle?pretty' -H 'Content-Type: application/json' -d '
{
  "settings": {
    "index": {
      "analysis": {
        "analyzer": {
          "shingle1": {
            "type": "custom",
            "tokenizer": "standard",
            "filter": [
              "shingle-filter"
            ]
          }
        },
        "filter": {
          "shingle-filter": {
            "type": "shingle",
            "min_shingle_size": 2,              # 设置最小和最大的滑动窗口尺寸
            "max_shingle_size": 3,
            "output_unigrams": false            # 不保留原始的单个分词
          }
        }
      }
    }
  }
}'

curl -X GET "172.16.1.127:9200/shingle/_analyze?pretty" -H 'Content-Type: application/json' -d'
{
  "analyzer" : "shingle1",
  "text" : "foo bar baz"
}'

        返回结果为:

{
  "tokens" : [
    {
      "token" : "foo bar",
      "start_offset" : 0,
      "end_offset" : 7,
      "type" : "shingle",
      "position" : 0
    },
    {
      "token" : "foo bar baz",
      "start_offset" : 0,
      "end_offset" : 11,
      "type" : "shingle",
      "position" : 0,
      "positionLength" : 2
    },
    {
      "token" : "bar baz",
      "start_offset" : 4,
      "end_offset" : 11,
      "type" : "shingle",
      "position" : 1
    }
  ]
}

七、IK中文分词插件

(1)安装

/home/elasticsearch/elasticsearch-6.4.3/bin/elasticsearch-plugin install https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v6.4.3/elasticsearch-analysis-ik-6.4.3.zip
# 重启ES
/home/elasticsearch/elasticsearch-6.4.3/bin/elasticsearch -d

(2)测试

curl -XPOST http://172.16.1.127:9200/index/fulltext/1?pretty -H 'Content-Type:application/json' -d'
{"content":"美国留给伊拉克的是个烂摊子吗"}'

curl -XPOST http://172.16.1.127:9200/index/fulltext/2?pretty -H 'Content-Type:application/json' -d'
{"content":"公安部:各地校车将享最高路权"}'

curl -XPOST http://172.16.1.127:9200/index/fulltext/3?pretty -H 'Content-Type:application/json' -d'
{"content":"中韩渔警冲突调查:韩警平均每天扣1艘中国渔船"}'

curl -XPOST http://172.16.1.127:9200/index/fulltext/4?pretty -H 'Content-Type:application/json' -d'
{"content":"中国驻洛杉矶领事馆遭亚裔男子枪击 嫌犯已自首"}'


curl -XPOST http://172.16.1.127:9200/index/fulltext/_search?pretty  -H 'Content-Type:application/json' -d'
{
    "query" : { "match" : { "content" : "中国" }},
    "highlight" : {
        "pre_tags" : ["<tag1>", "<tag2>"],
        "post_tags" : ["</tag1>", "</tag2>"],
        "fields" : {
            "content" : {}
        }
    }
}
'

 

文章最后发布于: 2019-01-29 18:09:59
展开阅读全文
0 个人打赏
私信求帮助

没有更多推荐了,返回首页

©️2019 CSDN 皮肤主题: 大白 设计师: CSDN官方博客

分享到微信朋友圈

×

扫一扫,手机浏览