es 搜索指定分词器 es分词索引原理

转载

mob64ca13fa6a3c 2024-04-26 09:02:41

文章标签 es 搜索指定分词器 elasticsearch 索引分词器 analyzer 文章分类 架构后端开发

ES倒排索引原理

先简单了解一下什么是倒排索引，假设我们向某个索引里写入了下面两条document：

document	某字段内容
doc1	I really liked my small dogs, and I think my mom also liked them.
doc2	He never liked any dogs, so I hope that my mom will not expect me to liked him.

Elasticsearch会对document的字段内容进行分词，然后构成倒排索引，比如可能是下面这个样子：

word	doc1	doc2
I	Y	Y
really	N	Y
liked	Y	Y
省略其它分词…

解释一下，Y表示这个word存在于document中，N表示不存在。

然后，当客户端进行搜素时，Elasticsearch也会对搜索关键字进行分词，比如关键字是“I liked her”，那么就会拆分成I、liked、her，这样Elasticsearch就能快速根据分词结果找到对应的document，doc1和doc2中都包含I和liked，就会都被检索出来。

即使输入“I like her”也能被检索出来，这跟分词器的行为有关。

一、分词器

建立倒排索引最关键的部分就是分词器。分词器会对文本内容进行一些特定处理，然后根据处理后的结果再建立倒排索引，主要的处理过程一般如下：

1、character filter：符号过滤，比如hello过滤成hello，I&you过滤成I and you ；

2、tokenizer：分词，比如，将hello you and me切分成hello、you、and、me；

3、token filter：比如，dogs替换为dog，liked替换为like，Tom 替换为 tom，small 替换为 little等等。

不同分词器的行为是不同的，Elasticsearch主要内置了以下几种分词器：standard analyzer、simple analyzer、whitespace analyzer、language analyzer。

我们可以通过以下命令，看下分词器的分词效果：

GET /{index}/_analyze
{
  "analyzer": "standard", 
  "text": "a dog is in the house"
}
# 采用standard分词器对text进行分词

分词器的各种替换行为，也叫做normalization，本质是为了提升命中率，官方叫做recall召回率。

对于document中的不同字段类型，Elasticsearch会采用不同的分词器进行处理，比如date类型压根就不会分词，检索时就是完全匹配，而对于text类型则会进行分词处理。

Elasticsearch通过_mapping元数据来定义不同字段类型的建立索引的行为，这块内容官方文档已经写得非常清楚了，我不再赘述。

1.1 定制分词器

我们可以修改分词器的默认行为。比如，我们修改my_index索引的分词器，启用english停用词：

PUT /my_index
{
  "settings": {
    "analysis": {
      "analyzer": {
        "es_std": {
          "type": "standard",
          "stopwords": "_english_"
        }
      }
    }
  }
}

然后可以通过以下命令，查看分词器的分词效果：

GET /my_index/_analyze
{
  "analyzer": "es_std", 
  "text": "a dog is in the house"
}

也可以完全定制自己的分词器，更多分词器的用法读者可以参考Elasticsearch官方文档：

PUT /my_index
{
  "settings": {
    "analysis": {
      "char_filter": {
        "&_to_and": {
          "type": "mapping",
          "mappings": ["&=> and"]
        }
      },
      "filter": {
        "my_stopwords": {
          "type": "stop",
          "stopwords": ["the", "a"]
        }
      },
      "analyzer": {
        "my_analyzer": {
          "type": "custom",
          "char_filter": ["html_strip", "&_to_and"],
          "tokenizer": "standard",
          "filter": ["lowercase", "my_stopwords"]
        }
      }
    }
  }
}