[ElasticSearch2.x]分析与分析器(Analyzer)

本文涉及的产品
Elasticsearch Serverless通用抵扣包,测试体验金 200元
简介: 1. 分析过程分析(analysis)是这样一个过程:首先,标记化一个文本块为适用于倒排索引单独的词(term)然后标准化这些词为标准形式,提高它们的“可搜索性”或“查全率”这个工作是分析器(Analyzer)完成的。

1. 分析过程

分析(analysis)是这样一个过程:

  • 首先,标记化一个文本块为适用于倒排索引单独的词(term)
  • 然后标准化这些词为标准形式,提高它们的“可搜索性”或“查全率”

这个工作是分析器(Analyzer)完成的。

2. 分析器组成

分析器(Analyzer) 一般由三部分构成,字符过滤器(Character Filters)、分词器(Tokenizers)、分词过滤器(Token filters)。

image

2.1 字符过滤器

首先字符串要按顺序依次经过几个字符过滤器(Character Filter)。它们的任务就是在分词(tokenization)前对字符串进行一次处理。字符过滤器能够剔除HTML标记,或者转换"&"为"and"。

2.2 分词器

下一步,字符串经过分词器(tokenizer)被分词成独立的词条( the string is tokenized into individual terms by a tokenizer)。一个简单的分词器(tokenizer)可以根据空格或逗号将文本分成词条(A simple tokenizer might split the text into terms whenever it encounters whitespace or punctuation)。

2.3 分词过滤器

最后,每个词条都要按顺序依次经过几个分词过滤器(Token Filters)。可以修改词(例如,将"Quick"转为小写),删除词(例如,停用词像"a"、"and"、"the"等等),或者增加词(例如,同义词像"jump"和"leap")。

Elasticsearch提供很多开箱即用的字符过滤器,分词器和分词过滤器。这些可以组合来创建自定义的分析器以应对不同的需求。

3. 内建分析器

不过,Elasticsearch还附带了一些预装的分析器,你可以直接使用它们。下面我们列出了最重要的几个分析器,来演示一下它们有啥差异。我们来看看使用下面的字符串会产生什么样的分词:

Set the shape to semi-transparent by calling set_trans(5)

3.1 标准分析器(Standard analyzer)

标准分析器是Elasticsearch默认使用的分析器。对于文本分析,它对于任何语言都是最佳选择(对于任何一个国家的语言,这个分析器基本够用)。它根据Unicode Consortium(http://www.unicode.org/reports/tr29/ )的定义的单词边界(word boundaries)来切分文本,然后去掉大部分标点符号。最后,把所有词转为小写。

@Test
    public void analyzeByAnalyzer() throws Exception {
        String standardAnalyzer = "standard";
        String value = "Set the shape to semi-transparent by calling set_trans(5)";
        AnalyzeAPI.analyzeByAnalyzer(client, standardAnalyzer, value);
    }

产生的结果为:

set, the, shape, to, semi, transparent, by, calling, set_trans, 5

3.2 简单分析器(Simple analyzer)

简单分析器将依据不是字母的任何字符切分文本,然后把每个词转为小写(The simple analyzer splits the text on anything that isn’t a letter, and lowercases the terms)。

@Test
    public void analyzeByAnalyzer() throws Exception {
        String simpleAnalyzer = "simple";
        String value = "Set the shape to semi-transparent by calling set_trans(5)";
        AnalyzeAPI.analyzeByAnalyzer(client, simpleAnalyzer, value);
    }

产生的结果为:

set, the, shape, to, semi, transparent, by, calling, set, trans

3.3 空格分析器(Whitespace analyzer)

空格分析器依据空格切分文本(The whitespace analyzer splits the text on whitespace)。它不转换小写。

@Test
    public void analyzeByAnalyzer() throws Exception {
        String whitespaceAnalyzer = "whitespace";
        String value = "Set the shape to semi-transparent by calling set_trans(5)";
        AnalyzeAPI.analyzeByAnalyzer(client, whitespaceAnalyzer, value);
    }

产生结果为:

Set, the, shape, to, semi-transparent, by, calling, set_trans(5)

3.4 语言分析器(Language analyzers)

特定语言分析器适用于很多语言(https://www.elastic.co/guide/en/elasticsearch/reference/2.4/analysis-lang-analyzer.html )。它们能够考虑到特定语言的特性(They are able to take the peculiarities of the specified language into account)。例如,english分析器自带一套英语停用词库(像and或the这些与语义无关的通用词),分析器将会这些词移除。因为语法规则的存在,英语单词的主体含义依旧能被理解(This analyzer also is able to stem English words because it understands the rules of English grammar)。

以英语分析器举例:

@Test
    public void analyzeByAnalyzer() throws Exception {
        String englishAnalyzer = "english";
        String value = "Set the shape to semi-transparent by calling set_trans(5)";
        AnalyzeAPI.analyzeByAnalyzer(client, englishAnalyzer, value);
    }

产生结果为:

set, shape, semi, transpar, call, set_tran, 5

注意"transparent"、"calling"和"set_trans"是如何转为词干的(stemmed to their root form)。

4. 当分析器被使用

当我们索引(index)一个文档,全文字段会被分析为单独的词来创建倒排索引。不过,当我们在全文字段搜索(search)时,我们要让查询字符串经过同样的分析流程处理,以确保这些词在索引中存在。理解每个字段是如何定义的,这样才可以让它们做正确的事:

  • 当你查询全文(full text)字段,查询将使用相同的分析器来分析查询字符串,以产生正确的词列表。

  • 当你查询一个确切值(exact value)字段,查询将不分析查询字符串,但是你可以自己指定。

5. 测试分析器

尤其当你是Elasticsearch新手时,对于如何分词以及存储到索引中理解起来比较困难。为了更好的理解如何进行,你可以使用analyze API来查看文本是如何被分析的。在查询中指定要使用的分析器,以及被分析的文本。

/**
 * 使用分词器进行词条分析
 * @param client
 * @param analyzer
 * @param value
 */
public static void analyzeByAnalyzer(Client client, String analyzer, String value){
    IndicesAdminClient indicesAdminClient = client.admin().indices();
    AnalyzeRequestBuilder analyzeRequestBuilder = indicesAdminClient.prepareAnalyze(value);
    analyzeRequestBuilder.setAnalyzer(analyzer);
    AnalyzeResponse response = analyzeRequestBuilder.get();
    // 打印响应信息
    print(response);
}

打印信息:

/**
 * 打印响应信息
 * @param response
 */
private static void print(AnalyzeResponse response){
    List<AnalyzeResponse.AnalyzeToken> tokenList = response.getTokens();
    for(AnalyzeResponse.AnalyzeToken token : tokenList){
        logger.info("-------- analyzeIndex type {}", token.getType());
        logger.info("-------- analyzeIndex term {}", token.getTerm());
        logger.info("-------- analyzeIndex position {}", token.getPosition());
        logger.info("-------- analyzeIndex startOffSet {}", token.getStartOffset());
        logger.info("-------- analyzeIndex endOffSet {}", token.getEndOffset());
        logger.info("----------------------------------");
    }
}

6. 指定分析器

当Elasticsearch在你的文档中探测到一个新的字符串字段,它将自动设置它为全文string字段并用standard分析器分析。

你不可能总是想要这样做。也许你想使用一个更适合这个数据的语言分析器。或者,你只想把字符串字段当作一个普通的字段——不做任何分析,只存储确切值,就像字符串类型的用户ID或者内部状态字段或者标签。为了达到这种效果,我们必须通过映射(mapping)人工设置这些字段。

XContentBuilder mappingBuilder;
        try {
            mappingBuilder = XContentFactory.jsonBuilder()
                    .startObject()
                    .startObject(type)
                    .startObject("properties")
                    .startObject("club").field("type", "string").field("index", "analyzed").field("analyzer", "english").endObject()
                    .endObject()
                    .endObject()
                    .endObject();
        } catch (Exception e) {
            logger.error("--------- putIndexMapping 创建 mapping 失败:", e);
            return false;
        }

参考:https://www.elastic.co/guide/en/elasticsearch/guide/current/analysis-intro.html#analysis-intro


相关实践学习
以电商场景为例搭建AI语义搜索应用
本实验旨在通过阿里云Elasticsearch结合阿里云搜索开发工作台AI模型服务,构建一个高效、精准的语义搜索系统,模拟电商场景,深入理解AI搜索技术原理并掌握其实现过程。
ElasticSearch 最新快速入门教程
本课程由千锋教育提供。全文搜索的需求非常大。而开源的解决办法Elasricsearch(Elastic)就是一个非常好的工具。目前是全文搜索引擎的首选。本系列教程由浅入深讲解了在CentOS7系统下如何搭建ElasticSearch,如何使用Kibana实现各种方式的搜索并详细分析了搜索的原理,最后讲解了在Java应用中如何集成ElasticSearch并实现搜索。 &nbsp;
目录
相关文章
|
自然语言处理 API 索引
Elasticsearch Analyzer原理分析并实现中文分词
Elasticsearch Analyzer原理分析并实现中文分词
220 0
|
搜索推荐 Java 数据处理
Elasticsearch搜索分析引擎本地部署与远程访问
Elasticsearch搜索分析引擎本地部署与远程访问
|
6月前
|
存储 SQL Apache
为什么 Apache Doris 是比 Elasticsearch 更好的实时分析替代方案?
本文将从技术选型的视角,从开放性、系统架构、实时写入、实时存储、实时查询等多方面,深入分析 Apache Doris 与 Elasticsearch 的能力差异及性能表现
534 17
为什么 Apache Doris 是比 Elasticsearch 更好的实时分析替代方案?
|
9月前
|
弹性计算 运维 Serverless
超值选择:阿里云Elasticsearch Serverless在企业数据检索与分析中的高性能与灵活性
本文介绍了阿里云Elasticsearch Serverless服务的高性价比与高度弹性灵活性。
401 8
|
10月前
|
存储 SQL 监控
|
10月前
|
运维 监控 安全
|
存储 缓存 自然语言处理
深度解析ElasticSearch:构建高效搜索与分析的基石
【9月更文挑战第8天】在数据爆炸的时代,如何快速、准确地从海量数据中检索出有价值的信息成为了企业面临的重要挑战。ElasticSearch,作为一款基于Lucene的开源分布式搜索和分析引擎,凭借其强大的实时搜索、分析和扩展能力,成为了众多企业的首选。本文将深入解析ElasticSearch的核心原理、架构设计及优化实践,帮助读者全面理解这一强大的工具。
575 8
|
定位技术
Elasticsearch之基于地理位置进行聚合分析
Elasticsearch之基于地理位置进行聚合分析
277 0
|
存储 数据可视化 数据挖掘
使用Elasticsearch进行实时数据分析与预测
【8月更文第28天】Elasticsearch 是一个分布式的、RESTful 风格的搜索和分析引擎,它能够实时地存储、检索以及分析大规模的数据集。结合 Logstash 和 Kibana,它们共同构成了 Elastic Stack,这是一套强大的工具组合,适用于收集、存储、分析和可视化数据。
532 0
|
自然语言处理 算法 开发者
Elasticsearch内置分析器全面解析
Elasticsearch内置分析器全面解析
148 2