ElasticSearch:为中文分词器增加对英文的支持（让中文分词器可以处理中英文混合文档）

本文地址，需转载请注明出处：

http://blog.csdn.net/hereiskxm/article/details/47441911

当我们使用中文分词器的时候，其实也希望它能够支持对于英文的分词。试想，任何一个存储文字的字段都有可能是中英文夹杂的。

我们的项目中使用IKAnalyzer作为中文分词器，它在处理文档过程中遇到英文时，利用空格和标点将英文单词取出来，同时也会对其转全小写处理。其实这和真正的英文分词已经很接近了，只有一墙之隔：词干提取。一个真正的英文分词器除了分割提取单词和全小写处理以外，还会把单词回溯成词根。

比如说有一个句子：

I like cats!

它的正确分词为：

[i, like, cat]

词根化是一个英文分词器需要具备的功能。IKAnalyzer正是缺少了这点，它对例句的处理结果会是：[i, like, cats]，这显然不是我们想要的：我们希望用 “cat” 和“cats” 都能搜索出这个句子，而不是非得用“cats” 才能搜到。

分析一下analyzer的内部逻辑：

Analyzer 的内部就是一条流水线

• Step 1 字符过滤（Character filter）
• Step 2 分词 （Tokenization）
• Step 3 Token 过滤（Token filtering）

Elasticsearch 已经默认构造了 8个 Analyzer。若无法满足我们的需求，可以通过「Setting API」构造 Analyzer。

通过构造analyzer，我们可以对IK中文分词器做一些修改，让它实现回溯词根。

{
  "settings": {
    "analysis": {
      "analyzer": {
        "optimizeIK": {
          "type": "custom",
          "tokenizer": "ik",
          "filter": [
            "stemmer"
          ]
        }
      }
    }
  }
}

我们新建了一个分析器，它使用ik作为分词器，使用stemmer作为过滤器。stemmer是elasticsearch自带的一个提取词干的算法，类似的还有snowball，都支持多种语言，有兴趣可以作比较。它将在ik对文档完成分词之后，将其中的英文单词做提取词干处理。

测试一下：

-POST   {index_name}/_analyze?pretty&analyzer=optimizeIK

"I like cats"

返回结果：

{

• "tokens": [
  • {
    • "token": "i",
    • "start_offset": 1,
    • "end_offset": 2,
    • "type": "ENGLISH",
    • "position": 1
    },
  • {
    • "token": "like",
    • "start_offset": 3,
    • "end_offset": 7,
    • "type": "ENGLISH",
    • "position": 2
    },
  • {
    • "token": "cat",
    • "start_offset": 8,
    • "end_offset": 12,
    • "type": "ENGLISH",
    • "position": 3
    }
  ]

}

至此，optimizeIK分析器同时拥有了中文+外文分词的功能。

如果你想把这个分析器设成该index的默认分析器，给它的命名叫default即可。

欢迎交流。