分析和分析器
分析(analysis)是这样一个过程:
*首先,表征化一个文本块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”和“查全率”
这个工作是分析器(analyzer)完成的。一个分析器(analyzer)只是一个包装用于将三个功能放到一个包里:
字符过滤器:
首先字符串经过字符过滤器(character filter),它们的工作是在表征化前处理字符串。字符过滤器能够去除HTML标记,或者转换"&"为"and"分词器
下一步,分词器(tokenizer)被表征化(断词)为独立的词。一个简单的分词器(tokenizer)可以根据空格或逗号将单词分开(注:中文不适用)。表征过滤
最后,每个词通过所有表征过滤(token filters),它可以修改词(例如将“Quick”转为小写),去掉词(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,分词器和表征过滤器。
内建的分析器
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,来演示这个字符串分词的表现差异:set the shape to semi-transparent by calling set_trans(5)
标准分析器
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的选择。它根据Unicode Consortium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。产生结果为:set,the,shape,to,semi,transparent,by,calling,set_trans,5
简单分析器
简单分析器将非单个字母的文本切分,然后把每个词转为小写。产生的结果为:set,the,shape,tosemi,transport,by,calling,set,trans
空格分析器
空格分析器根据空格切分文本。它不转化小写。产生结果为:set,the,shape,to,semi-transparent,by,calling,set_trans(5)
语言分析器
特定语言分析器适用于很多语言。他们能够考虑到特定语言的特性。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。这些词被移除后,因为语法规则的存在,英语单词的主体含义依旧能被理解。english 分析器将会产生以下结果:
set,shape,semi,transport,call,set_tran,5
注意“transparent”、“calling”和“set_trans”是如何转为词干的。
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。全文查询我们将在稍后讨论,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。
当我们在_all字段中查询2014-09-15,首先分析查询字符串,产生匹配任一词2014、09或15的查询语句,它依旧匹配12个推文,因为他们都包含词2014。
curl -XGET "http://10.139.32.155:9200/_search?q=2014-09-15"
当我们在date字段中查询2014-09-15,它查询一个确切的日期,然后只找到一条推文:
curl -XGET "http://10.139.32.155:9200/_search?q=date:2014-09-15"
当我们在date字段中查询2014没有找到文档,因为没有文档包含那个确切的日期:
curl -XGET "http://10.139.32.155:9200/_search?q=date:2014"
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。在查询字符串参数中指定要使用的分析器,被分析的文本作为请求体:curl -XGET "http://10.139.32.155:9200/_analyze?analyzer=standard" -d "Text to analyze"
结果如下:
{
"tokens": [
{
"token": "text",
"start_offset": 0,
"end_offset": 4,
"type": "<ALPHANUM>",
"position": 1
},
{
"token": "to",
"start_offset": 5,
"end_offset": 7,
"type": "<ALPHANUM>",
"position": 2
},
{
"token": "analyze",
"start_offset": 8,
"end_offset": 15,
"type": "<ALPHANUM>",
"position": 3
}
]
}
token是一个实际被存储在索引中的词。position指明词在原文本中是第几个出现的。start_offset和end_offset表示词在原文本中占据的位置。
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,你只想把字符串当作一个普通的字段--不做任何分析,只存确切值,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。