返回
最新动态
【9种】ElasticSearch分词器详解，一文get！！！｜ 博学谷狂野架构师
2024-10-31 21:17

img

【9种】ElasticSearch分词器详解，一文get！！！｜ 博学谷狂野架构师

  • 作者: 博学谷狂野架构师
  • GitHub：GitHub地址 （有我精心准备的130本电子书PDF）

    只分享干货、不吹水，让我们一起加油！😄

概述

分词器的主要作用将用户输入的一段文本，按照一定逻辑，分析成多个词语的一种工具

什么是分词器

顾名思义，文本分析就是把全文本转换成一系列单词（term/token）的过程，也叫分词。在 ES 中，Analysis 是通过分词器（Analyzer） 来实现的，可使用 ES 内置的分析器或者按需定制化分析器。

举一个分词简单的例子：比如你输入 ，会自动帮你分成两个单词，一个是 ，另一个是 ，可以看出单词也被转化成了小写的。

图片

分词器的构成

分词器是专门处理分词的组件，分词器由以下三部分组成：

组成部分
character filter

接收原字符流，通过添加、删除或者替换操作改变原字符流

例如：去除文本中的html标签，或者将罗马数字转换成阿拉伯数字等。一个字符过滤器可以有

tokenizer

简单的说就是将一整段文本拆分成一个个的词。

例如拆分英文，通过空格能将句子拆分成一个个的词，但是对于中文来说，无法使用这种方式来实现。在一个分词器中,tokenizeer

token filters

将切分的单词添加、删除或者改变

例如将所有英文单词小写，或者将英文中的停词删除等，在中，不允许将的或者改变。同时，在一个分词器中，可以有零个或者多个.

分词顺序

图片

同时 Analyzer 三个部分也是有顺序的，从图中可以看出，从上到下依次经过 ， 以及 ，这个顺序比较好理解，一个文本进来肯定要先对文本数据进行处理，再去分词，最后对分词的结果进行过滤。

索引和搜索分词

文本分词会发生在两个地方：

  • ：当索引文档字符类型为时，在建立索引时将会对该字段进行分词。
  • ：当对一个类型的字段进行全文检索时，会对用户输入的文本进行分词。
配置分词器

默认ES使用，如果默认的分词器无法符合你的要求，可以自己配置

分词器测试

可以通过API来测试分词的效果。

image-20220808135231869

指定分词器
使用地方

分词器的使用地方有两个：

  • 创建索引时
  • 进行搜索时
创建索引时指定分词器

如果设置手动设置了分词器，ES将按照下面顺序来确定使用哪个分词器：

  • 先判断字段是否有设置分词器，如果有，则使用字段属性上的分词器设置
  • 如果设置了，则使用该设置的分词器
  • 如果上面两个都未设置，则使用默认的分词器
字段指定分词器

为title属性指定分词器

设置默认分词器
搜索时如何确定分词器

在搜索时，通过下面参数依次检查搜索时使用的分词器：

  • 搜索时指定参数
  • 创建mapping时指定字段的属性
  • 创建索引时指定的
  • 查看创建索引时字段指定的属性
  • 如果上面几种都未设置，则使用默认的分词器。
指定analyzer

搜索时指定analyzer查询参数

指定字段analyzer
指定默认default_seach
内置分词器

es在索引文档时，会通过各种类型 对text类型字段做分析，

不同的 会有不同的分词结果，内置的分词器有以下几种，基本上内置的 包括 在内，对中文的分词都不够友好，中文分词需要安装其它

分析器描述分词对象结果standard标准分析器是默认的分析器，如果没有指定，则使用该分析器。它提供了基于文法的标记化(基于 Unicode 文本分割算法，如 Unicode 标准附件 # 29所规定) ，并且对大多数语言都有效。The 2 QUICK Brown-Foxes jumped over the lazy dog’s bone.[ the, 2, quick, brown, foxes, jumped, over, the, lazy, dog’s, bone ]simple简单分析器将文本分解为任何非字母字符的标记，如数字、空格、连字符和撇号、放弃非字母字符，并将大写字母更改为小写字母。The 2 QUICK Brown-Foxes jumped over the lazy dog’s bone.[ the, quick, brown, foxes, jumped, over, the, lazy, dog, s, bone ]whitespace空格分析器在遇到空白字符时将文本分解为术语The 2 QUICK Brown-Foxes jumped over the lazy dog’s bone.[ The, 2, QUICK, Brown-Foxes, jumped, over, the, lazy, dog’s, bone. ]stop停止分析器与简单分析器相同，但增加了删除停止字的支持。默认使用的是 停止词。The 2 QUICK Brown-Foxes jumped over the lazy dog’s bone.[ quick, brown, foxes, jumped, over, lazy, dog, s, bone ]keyword不分词，把整个字段当做一个整体返回The 2 QUICK Brown-Foxes jumped over the lazy dog’s bone.[The 2 QUICK Brown-Foxes jumped over the lazy dog’s bone.]pattern模式分析器使用正则表达式将文本拆分为术语。正则表达式应该匹配令牌分隔符，而不是令牌本身。正则表达式默认为 (或所有非单词字符)。The 2 QUICK Brown-Foxes jumped over the lazy dog’s bone.[ the, 2, quick, brown, foxes, jumped, over, the, lazy, dog, s, bone ]多种西语系 arabic, armenian, basque, bengali, brazilian, bulgarian, catalan, cjk, czech, danish, dutch, english等等一组旨在分析特定语言文本的分析程序。
中文扩展分析器

中文分词器最简单的是ik分词器，还有jieba分词，哈工大分词器等

分词器描述分词对象结果ik_smartik分词器中的简单分词器，支持自定义字典，远程字典学如逆水行舟，不进则退[学如逆水行舟,不进则退]ik_max_wordik_分词器的全量分词器，支持自定义字典，远程字典学如逆水行舟，不进则退[学如逆水行舟,学如逆水,逆水行舟,逆水,行舟,不进则退,不进,则,退]

词语分词

标准分词器（Standard Tokenizer）

根据standardUnicode文本分段算法的定义，将文本划分为多个单词边界的上的术语

它是 ES 默认的分词器，它会对输入的文本按词的方式进行切分，切分好以后会进行转小写处理，默认的 stopwords 是关闭的。

图片

使用案例

下面使用 Kibana 看一下它是怎么样进行工作的

原始内容
测试分词

在 Kibana 的开发工具（Dev Tools）中指定 Analyzer 为 ，并输入文本 ，然后我们运行一下：

image-20220808105014779

可以看出是按照空格、非字母的方式对输入的文本进行了转换，比如对 做了转小写，对一些停用词也没有去掉，比如 ，其中 为分词结果； 为起始偏移； 为结束偏移； 为分词位置。

可配置项
选项描述max_token_length最大令牌长度。如果看到令牌超过此长度，则将其max_token_length间隔分割。默认为255。stopwords预定义的停用词列表，例如english或包含停用词列表的数组。默认为none。stopwords_path包含停用词的文件的路径。
简单分词器（Letter Tokenizer）

当simple分析器遇到非字母的字符时，它会将文本划分为多个术语，它小写所有术语，对于中文和亚洲很多国家的语言来说是无用的

图片

它只包括了 的 ，它会按照非字母切分，非字母的会被去除，最后对切分好的做转小写处理，然后接着用刚才的输入文本，分词器换成 来进行分词，运行结果如下：

使用案例
原始内容
测试分词

image-20220808105857762

空白分词器（Whitespace Tokenizer）

它非常简单，根据名称也可以看出是按照空格进行切分的

该whitespace分析仪将文本分为方面每当遇到任何空白字符，和上面的分词器不同，空白分词器默认并不会将内容转换为小写。

图片

使用案例
原始内容
测试分词

image-20220808110235685

电子邮件分词器（UAX URL Email Tokenizer）

此分词器主要是针对email和url地址进行关键内容的标记。

使用案例
原始内容
测试分词
可配置项

最大令牌长度。如果看到令牌超过此长度，则将其max_token_length间隔分割。默认为255

经典分词器（Classic Tokenizer）

可对首字母缩写词，公司名称，电子邮件地址和互联网主机名进行特殊处理，但是，这些规则并不总是有效，并且此关键词生成器不适用于英语以外的大多数其他语言

特点
  • 它最多将标点符号拆分为单词，删除标点符号，但是，不带空格的点被认为是查询关键词的一部分
  • 此分词器可以将邮件地址和URL地址识别为查询的term（词条）
使用案例
原始内容
测试分词

image-20220808111755030

可配置项

最大令牌长度。如果看到令牌超过此长度，则将其max_token_length间隔分割。默认为255。

结构化文本分词

关键词分词器（Keyword Tokenizer）

它其实不做分词处理，只是将输入作为 Term 输出

关键词分词器其实是执行了一个空操作的分析，它将任何输入的文本作为一个单一的关键词输出。

图片

使用案例
原始内容
测试分词

会发现前后内容根本没有发生改变，这也是这个分词器的作用，有些时候我们针对一个需要分词查询的字段进行查询的时候，可能并不希望查询条件被分词，这个时候就可以使用这个分词器，整个查询条件作为一个关键词使用

image-20220808112235674

正则分词器（Pattern Tokenizer）

模式标记器使用 Java正则表达式。使用JAVA的正则表达式进行词语的拆分。

它可以通过正则表达式的方式进行分词，默认是用 进行分割的，也就是非字母的符合进行切分的。

图片

使用案例
原始内容
测试分词

image-20220808112737629

可配置项

正则分词器有以下的选项

选项描述pattern正则表达式flags正则表达式标识lowercase是否使用小写词汇stopwords停止词的列表。stopwords_path定义停止词文件的路径。
路径分词器（Path Tokenizer）

可以对文件系统的路径样式的请求进行拆分，返回被拆分各个层级内容。

使用案例
原始内容
测试分词

image-20220808113500717

可配置项
选项描述delimiter用作路径分隔符的字符replacement用于定界符的可选替换字符buffer_size单次读取到术语缓冲区中的字符数。默认为1024。术语缓冲区将以该大小增长，直到所有文本都被消耗完为止。建议不要更改此设置。reverse正向还是反向获取关键词skip要忽略的内容
语言分词（Language Analyzer）

ES 为不同国家语言的输入提供了 分词器，在里面可以指定不同的语言

支持语种

支持如下语种：

关键字语种arabic美 /ˈærəbɪk/ 阿拉伯语armenian美 /ɑːrˈmiːniən/ 亚美尼亚语basque美 /bæsk,bɑːsk/ 巴斯克语bengali美 /beŋˈɡɑːli/ 孟加拉语brazilian美 /brəˈzɪliən/ 巴西语bulgarian美 /bʌlˈɡeriən/ 保加利亚语catalan美 /ˈkætəlæn/ 加泰罗尼亚语cjk中日韩统一表意文字czech美 /tʃek/ 捷克语danish美 /ˈdeɪnɪʃ/ 丹麦语dutch美 /dʌtʃ/ 荷兰语english美 /ˈɪŋɡlɪʃ/ 英语estonian美 /eˈstoʊniən/ 爱沙尼亚语finnish美 /ˈfɪnɪʃ/ 芬兰语french美 /frentʃ/ 法语galician美 /ɡəˈlɪʃn/ 加里西亚语german美 /ˈdʒɜːrmən/ 德语greek美 /ɡriːk/ 希腊语hindi美 /ˈhɪndi/ 北印度语hungarian美 /hʌŋˈɡeriən/ 匈牙利语indonesian美 /ˌɪndəˈniːʒn/ 印度尼西亚语irish美 /ˈaɪrɪʃ/ 爱尔兰语italian美 /ɪˈtæliən/ 意大利语latvian美 /ˈlætviən/ 拉脱维亚语lithuanian美 /ˌlɪθuˈeɪniən/ 立陶宛语norwegian美 /nɔːrˈwiːdʒən/ 挪威语persian/‘pɜːrʒən/ 波斯语portuguese美 /ˌpɔːrtʃʊˈɡiːz/ 葡萄牙语romanian美 /ro’menɪən/ 罗马尼亚语russian美 /ˈrʌʃn/ 俄语sorani索拉尼语spanish美 /ˈspænɪʃ/ 西班牙语swedish美 /ˈswiːdɪʃ/ 瑞典语turkish美 /ˈtɜːrkɪʃ/ 土耳其语thai美 /taɪ/ 泰语
使用案例

下面我们使用英语进行分析

原始内容
测试分词

image-20220808114216744

自定义分词器

当内置的分词器无法满足需求时，可以创建类型的分词器。

配置参数
参数描述tokenizer内置或定制的tokenizer.(必须)char_filter内置或定制的char_filter(非必须)filter内置或定制的token filter(非必须)position_increment_gap当值为文本数组时，设置改值会在文本的中间插入假空隙。设置该属性，对与后面的查询会有影响。默认该值为100.
创建索引

上面的示例中定义了一个名为的分词器

该分词器的为，为，为,定义了两个分别为：和

使用案例
原始内容
测试分词

image-20220808140137712

中文分词器

IKAnalyzer

IKAnalyzer是一个开源的，基于java的语言开发的轻量级的中文分词工具包

从2006年12月推出1.0版开始，IKAnalyzer已经推出了3个大版本，在 2012 版本中，IK 实现了简单的分词歧义排除算法，标志着 IK 分词器从单纯的词典分词向模拟语义分词衍化

使用IK分词器

IK提供了两个分词算法:

  • ik_smart：最少切分。
  • ik_max_word：最细粒度划分。
ik_smart
使用案例
原始内容
测试分词

image-20220808115450647

ik_max_word
使用案例
原始内容
测试分词

image-20220808115513668

自定义词库

我们在使用IK分词器时会发现其实有时候分词的效果也并不是我们所期待的

问题描述

例如我们输入“传智教育的教学质量是杠杠的”，但是分词器会把“传智教育”进行拆开，分为了“传”，“智”，“教育”，但我们希望的是“传智教育”可以不被拆开。

image-20220808115543696

解决方案

对于以上的问题，我们只需要将自己要保留的词，加到我们的分词器的字典中即可

编辑字典内容

进入elasticsearch目录中，创建我们自己的字典文件，并添加内容：

扩展字典

进入我们的elasticsearch目录 ：，打开文件，进行如下配置：

再次测试

重启ElasticSearch，再次使用kibana测试

可以发现，现在我们的词汇”传智教育”就不会被拆开了，达到我们想要的效果了

image-20220808134046401

本文由教研团队发布。

    以上就是本篇文章【【9种】ElasticSearch分词器详解，一文get！！！｜ 博学谷狂野架构师】的全部内容了，欢迎阅览 ！ 文章地址：http://dfvalve.xrbh.cn/quote/2946.html 
     行业      资讯      企业新闻      行情      企业黄页      同类资讯      网站地图      返回首页 迅博思语资讯移动站 http://keant.xrbh.cn/ , 查看更多