ElasticSearch（六）【分词器】

六、分词器

---

6.1 分词器介绍

Analysis 和 Analyzer

Analysis：文本分析是把全文本转换一系列单词（term/token）的过程，也叫分词（Analyzer）。Analysis是通过Analyzer来实现的。分词就是将文档通过Analyzer分成一个一个的Term，每一个Term都指向包含这个Term的文档

Analyzer 组成

【注意】：在ES中默认使用标准分词器：StandardAnalyzer特点：中文单字分词/单词分词
我是中国人this is a good man---->analyzer—>我 是 中 国 人 this is a good man

• 分析器（analyzer）都由三种构件组成的：character filters，tokenizers，token filters
  • Character Filter 字符过滤器
    • 在一段文本进行分词之前，先进行预处理，比如说最常见的就是，过滤html标签(hello–> hello)，&–> and，（I&you–>I and you）
  • Tokenizers 分词器
    • 英文分词可以根据空格将单词分开，中文分词比较复杂，可以采用机器学习算法来分词
  • Token Filters Token过滤器
    • 将切分的单词进行加工。大小写转换（例将"Quick"转为小写），去掉停用词（例如停用词像"a"、“and”、“the"等等），加入同义词（例如同义词像"jump"和"leap”）

【注意】

• 三者顺序：Character Filter—>Tokenizers—>Token Filter
• 三者个数：Character Filter（0个或多个）+ Tokenizers + Token Filters（0个或多个）

内置分词器

• Standard Analyzer：默认分词器，英文按单词切分，并小写处理
• Simple Analyzer：按照单词切分（符号被过滤），小写处理
• Stop Analyzer：小写处理，停用词过滤（the、a、is…）
• Whitespace Analyzer：按照空格切分，不转小写
• Keyword Analyzer：不分词，直接将输入当作输出

6.2 内置分词器测试

• Standard Analyzer 标准分词器
  • 特点：按照单词分词，英文统一转为小写，过滤标点符号，中文单子分词

POST /_analyze
{
  "analyzer": "standard",
  "text": "我是中国人, this is a good Man"
}

• Simple Analyzer 简单分词器
  • 特点：按照单词分词，英文统一转为小写，过滤标点符号，中文不分词（按照"空格"或标点符号分词）

POST /_analyze
{
  "analyzer": "simple",
  "text": "我是,中国人, this is a good Man"
}

• WhitespaceAnalyzer 空格分词器
  • 特点：中文、英文按照空格分词，英文不会转为小写，不去掉标点符号

POST /_analyze
{
  "analyzer": "whitespace",
  "text": "我是中国人, this is a good Man"
}

• Keyword Analyzer 关键词分词器
  • 特点：将输入的内容当作一个关键词

POST /_analyze
{
  "analyzer": "keyword",
  "text": "我是中国人, this is a good Man"
}

6.3 创建索引设置分词

# 创建时,默认使用标准分词器 "analyzer": "standard"
PUT /analyzer
{
  "settings": {},
  "mappings": {
    "properties": {
      "title": {
        "type": "text",
        "analyzer": "standard"
      }
    }
  }
}

6.4 中文分词器

在ES中支持中文分词器非常多，如smartCN、IK等，这里推荐使用IK分词器

安装IK

github网站：https://github.com/medcl/elasticsearch-analysis-ik

【注意】

• IK分词器的版本要与安装ES的版本一致
• Docker容器运行ES安装插件目录为/usr/share/elasticsearch/plugins

# 1.下载对应版本到本地
wget https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v7.14.0/elasticsearch-analysis-ik-7.14.0.zip

# 2.解压(建议本地下载之后,手动解压,再使用xftp将解压后的文件上传到linux)
unzip elasticsearch-analysis-ik-6.2.4.zip ik-7.14.0	(如果没有unzip命令,先使用"yum install -y unzip"进行安装)

# 3.移动到es安装目录的plugis目录中(不推荐使用,如果是手动解压,可以忽略此步骤往下看)
mv ik-7.14.0 elasticsearch-analysis-ik-6.2.4/plugins/

使用数据卷挂载的方式

# 1.先停止对应docker容器
docker-compose down

# 2.修改docker-compose.yml文件,如下图所示
# 将当前的路径下的ik-7.14.0文件映射到容器内部中的/usr/share/elasticsearch/plugins/ik-7.14.0文件,同时删除volumes下的plugin

############################################### 内容如下 ###############################################
version: "3.8"
volumes:
  data:
  config:
networks:
  es:
services:
  elasticsearch:
    image: elasticsearch:7.14.0
    ports:
      - "9200:9200"
      - "9300:9300"
    networks:
      - "es"
    environment:
      - "discovery.type=single-node"
      - "ES_JAVA_OPTS=-Xms512m -Xmx512m"
    volumes:
      - data:/usr/share/elasticsearch/data
      - config:/usr/share/elasticsearch/config
      - ./ik-7.14.0:/usr/share/elasticsearch/plugins/ik-7.14.0

  kibana:
    image: kibana:7.14.0
    ports:
      - "5601:5601"
    networks:
      - "es"
    volumes:
      - ./kibana.yml:/usr/share/kibana/config/kibana.yml

###############################################  ###############################################

6.5 IK使用

IK有两种颗粒度的拆分

• ik_smart：会做粗粒度的拆分
• ik_max_word：会将文本做最细粒度的拆分

ik_smart测试

POST /_analyze
{
  "analyzer": "ik_smart",
  "text": "中华人民共和国国歌"
}

ik_max_word测试

POST /_analyze
{
  "analyzer": "ik_max_word",
  "text": "中华人民共和国国歌"
}

下一篇文章《ElasticSearch - 扩展词、停用词配置》