倒排索引
正排索引(通过id查找到相应内容)
文档ID | 文档内容 |
---|---|
1 | Elasticsearch Client |
2 | Elasticsearch Server |
3 | Learn Elasticsearch |
倒排索引(通过内容分词,反向查找到文档Id)
Term | Count | DocumentId:Position |
---|---|---|
Elasticsearch | 3 | 1:0,2:0,3:1 |
Client | 1 | 1:1 |
Server | 1 | 2:1 |
Learn | 1 | 3:0 |
倒排索引包含两个部分
1、单词词典(Term Dictionary),记录所有文档的单词,记录单词到倒排列表的关联关系,单词词典一般比较大,可通过B+树或哈希拉链法实现,以满足高性能的插入与查询
2、倒排列表(Posting List),记录了单词对应的文档结合,倒排索引项组成,倒排索引项(Posting)包含:文档ID,词频TF(单词在文档出现的次数,相关性评分),位置Position(单词在文档中的分词位置,用户语句搜索),偏移Offset(记录单词的开始结束位置,实现高亮)
Elasticsearch的JSON文档中每个字段都有自己的倒排索引,可以指定某些字段不做索引。
Analysis与Analyzer
Analysis是把全文本转换为一系列单词的过程,也叫分词
Analysis是通过Analyzer(分词器)来实现的
Analyzer分词器是专门处理分词的组件,由三部分组成
Character Filters:针对原始文本做处理,去除html标签,字符替换,正则匹配
Tokenizer:按照一定规则把字符串切分为词,如空格、逗号等
Token Filters:将Tokenizer切分后的单词进行二次加工,如字母大小写转换,去除停用词,增加近义词等
Token Filters内置:HTML strip(去除html标签),Mapping(字符替换),Pattern replace(正则匹配替换)
Tokenizer内置:whitespace(按空格进行分词)、standard、uax_url_email、pattern、keyword、path hierarchy,可以用Java开发插件实现自定义Tokenizer
Token Filters内置:lowercase、stop、synonym
Elasticsearch内置分词器
Standard Analyzer – 默认分词器,按词切分,小写处理
Simple Analyzer – 按照非字母切分(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
Patter Analyzer – 正则表达式,默认 \W+ (非字符分隔)
Language – 提供了30多种常见语言的分词器
Customer Analyzer 自定义分词器
#使用_analyze API查看不同的analyzer的效果
#standard
GET _analyze
{
"analyzer": "standard",
"text": "2 running Quick brown-foxes leap over lazy dogs in the summer evening."
}
#simpe
GET _analyze
{
"analyzer": "simple",
"text": "2 running Quick brown-foxes leap over lazy dogs in the summer evening."
}
GET _analyze
{
"analyzer": "stop",
"text": "2 running Quick brown-foxes leap over lazy dogs in the summer evening."
}
#stop
GET _analyze
{
"analyzer": "whitespace",
"text": "2 running Quick brown-foxes leap over lazy dogs in the summer evening."
}
#keyword
GET _analyze
{
"analyzer": "keyword",
"text": "2 running Quick brown-foxes leap over lazy dogs in the summer evening."
}
GET _analyze
{
"analyzer": "pattern",
"text": "2 running Quick brown-foxes leap over lazy dogs in the summer evening."
}
#english
GET _analyze
{
"analyzer": "english",
"text": "2 running Quick brown-foxes leap over lazy dogs in the summer evening."
}
POST _analyze
{
"analyzer": "icu_analyzer",
"text": "他说的确实在理”"
}
POST _analyze
{
"analyzer": "standard",
"text": "他说的确实在理”"
}
POST _analyze
{
"analyzer": "icu_analyzer",
"text": "这个苹果不大好吃"
}
icu_analyzer分词器需要安装analysis-icu插件,更好的支持中文
Elasticsearch容器中执行:Elasticsearch-plugin install analysis-icu
其他更多中文分词器:
IK:支持自定义词库,支持热更新分词字典, IK Github地址
THULAC:THU Lexucal Analyzer fro chinese 清华大学自然语言处理和社会人文计算机实验室的一套中文分词器,THULAC Github地址