Elasticsearch实战(五)-倒排索引与分词

原创

公众号JavaEdge 2022-03-14 14:50:20 ©著作权

文章标签 analyzer 分词器自定义 文章分类 代码人生

©著作权归作者所有：来自51CTO博客作者公众号JavaEdge的原创作品，请联系作者获取转载授权，否则将追究法律责任

1 倒排索引

1.1 书的目录和索引

正排索引即目录页，根据页码去找内容
倒排索引即索引页，根据关键词去找对应页码

1.2 搜索引擎

正排索引
文档Id =》文档内容、单词的关联关系

倒排索引
单词 =》文档Id的关联关系

左：正排索引 =》右：倒排索引 Elasticsearch实战(五)-倒排索引与分词_分词器_03

倒排索引查询流程

查询包含"搜索引擎”的文档

通过倒排索引获得"搜索引擎”对应的文档Id有1和3
通过正排索引查询1和3的完整内容
返回最终结果

1.3 倒排索引的组成

1.3.1 单词词典( Term Dictionary )

倒排索引的重要组成

记录所有文档的单词，一般都比较大
记录单词到倒排列表的关联信息

单词字典的实现一般是用B+ Tree ,示例如下

Elasticsearch实战(五)-倒排索引与分词_分词器_04

1.3.2 倒排列表( Posting List )

记录了单词对应的文档集合，由倒排索引项( Posting )组成。

倒排索引项( Posting )主要包含如下信息：

文档Id ,用于获取原始信息
单词频率( TF, Term Frequency )，记录该单词在该文档中的出现次数，用于后续相关性算分
位置( Position)
记录单词在文档中的分词位置(多个) , 用于做词语搜索( Phrase Query )
偏移( Offset )
记录单词在文档的开始和结束位置,用于做高亮显示

案例

以搜索引擎为例

Elasticsearch实战(五)-倒排索引与分词_自定义_05

单词字典与倒排列表整合在一起的结构

ES存储的是JSON格式文档，其中包含多个字段，每个字段都有自己的倒排索引。

2 分词

将文本转换成一系列单词的过程，也称文本分析，在 ES 里称为 Analysis。

比如文本【JavaEdge 是最硬核的公众号】，分词结果是【JavaEdge、硬核、公众号】

2.1 Analyzer-分词器

分词器是 ES 专门处理分词的组件，组成如下：

2.1.1 Character Filters

在Tokenizer之前对原始文本进行处理,比如增加、删除或替换字符等。

针对原始文本进行处理，比如去除 html 特殊标记符，自带的如下：

HTML Strip 去除 html 标签和转换 html 实体
Mapping 进行字符替换操作
Pattern Replace 进行正则匹配替换

会影响后续tokenizer解析的postion和offset信息

Elasticsearch实战(五)-倒排索引与分词_analyzer_07

2.1.2 Tokenizer

将原始文本按照一定规则切分为单词，内置：

standard 按单词进行分割
letter 按非字符类进行分割
whitespace 按空格进行分割
UAX URL Email 按 standard 分割，但不会分割邮箱和 url
NGram 和 Edge NGram 连词分割
Path Hierachy 按文件路径进行分割

示例：

POST _analyze
{
  "tokenizer":"path_hierarchy",
  "text":"/one/two/three"
}

Elasticsearch实战(五)-倒排索引与分词_自定义_08

2.1.3 Token Filters

针对 tokenizer 处理的单词进行再加工，比如转小写、删除或新增等处理，内置：

lowercase 将所有 term 转换为小写
stop 删除 stop words
NGram 和 Edge NGram 连词分割
Synonym 添加近义词的 term

示例

// filter 可以有多个
POST _analyze
{
  "text":"a Hello world!",
  "tokenizer":"standard",
  "filter":[
  "stop", // 把 a 去掉了
  "lowercase",// 小写
  {
    "type":"ngram",
    "min_gram":"4",
    "max_gram":"4"
  }
  ]
}
// 得到 hell、ello、worl、orld

Elasticsearch实战(五)-倒排索引与分词_分词器_09

分词器的调用顺序

Elasticsearch实战(五)-倒排索引与分词_analyzer_10

3 Analyze API

ES 提供了一个测试分词的 API 接口，方便验证分词效果，endpoint 是 _analyze：

3.1 指定 analyzer

request

POST _analyze
{
  "analyzer":"standard", # 分词器
  "text":" JavaEdge 公众号" # 测试文本
}

response

{
  "tokens" : [
    {
      "token" : "java", # 分词结果
      "start_offset" : 1, # 起始偏移
      "end_offset" : 5, # 结束偏移
      "type" : "<ALPHANUM>",
      "position" : 0 # 分词位置
    },
    {
      "token" : "edge",
      "start_offset" : 6,
      "end_offset" : 10,
      "type" : "<ALPHANUM>",
      "position" : 1
    }
  ]
}

Elasticsearch实战(五)-倒排索引与分词_分词器_11

3.2 指定索引中的字段

POST  测试的索引/_analyze  
{
  "field":"username", # 测试字段
  "text":"hello world" # 测试文本
}

Elasticsearch实战(五)-倒排索引与分词_analyzer_12

3.3 自定义分词器

POST _analyze
{
  "tokenizer":"standard",
  "filter":["lowercase"], # 自定义
  "text":"hello world"
}

之前的默认分词器大写
自定义小写分词器

4 内置分词器

Standard Analyzer

默认分词器，按词切分，支持多语言，小写处理

Simple Analyzer

按照非字母切分，小写处理

Elasticsearch实战(五)-倒排索引与分词_自定义_15

Whitespace Analyzer

按空格切分

Stop Analyzer

Stop Word 指语气助词等修饰性词语，比如 the、an、的、这等等，特性是相比 Simple Analyzer 多 Stop Word 处理

Elasticsearch实战(五)-倒排索引与分词_分词器_17

keyword Analyzer

不分词，直接将输入作为一个单词输出

Elasticsearch实战(五)-倒排索引与分词_analyzer_18

Pattern Analyzer

通过正则表达式自定义分隔符，默认 \W+，即非字词的符号为分隔符

Elasticsearch实战(五)-倒排索引与分词_自定义_19

Language Analyzer

提供了 30+ 常见语言的分词器

5 中文分词

将一个汉字序列切分成一个个单独的词。在英文中，单词之间是以空格作为自然分界符，汉语中词没有一个形式上的分界符。而且中文博大精深，上下文不同，分词结果也大不相同。

比如：

乒乓球拍/卖/完了
乒乓球/拍卖/完了

以下是 ES 中常见的分词系统：

IK

实现中英文单词的切分，可自定义词库，支持热更新分词词典

jieba

python 中最流行饿分词系统，支持分词和词性标注，支持繁体分词，自定义词典，并行分词

以下是基于自然语言处理的分词系统：

Hanlp

由一系列模型与算法组成的 java 工具包，支持索引分词、繁体分词、简单匹配分词（极速模式）、基于 CRF 模型的分词、N- 最短路径分词等，实现了不少经典分词方法。目标是普及自然语言处理在生产环境中的应用。

https://github.com/hankcs/HanLP

THULAC

THU Lexical Analyzer for Chinese ,由清华大学自然语言处理与社会人文计算
实验室研制推出的一套中文词法分析工具包，具有中文分词和词性标注功能
https://github.com/microbun/elasticsearch-thulac-plugin

6 自定义分词器

当自带的分词无法满足需求时，可以自定义分词器，通过定义 Character Filters、Tokenizer、Token Filter 实现。自定义的分词需要在索引的配置中设定，示例如下所示：

自定义如下分词器

// 自定义分词器
PUT test_index_name
{
  "settings":{ 
    "analysis":{
      "analyzer":{
        "my_customer_analyzer":{
          "type":"custome",
          "tokenizer":"standard",
          "char_filter":["html_strip"],
          "filter":["lowercase", "asciifolding"]
        }
      }
    }
  }
}

// 测试自定义分词器效果：
POST test_index/_analyze
{
  "tokenizer":"keyword",
  "char_filter":["html_strip"],
  "text":"Is this <b>a box</b>?"
}

// 得到 is、this、a、box