第09篇-Elasticsearch中构建自定义分析器

我的Elasticsearch系列文章，逐渐更新中，欢迎关注
0A.关于Elasticsearch及实例应用
00.Solr与ElasticSearch对比
01.ElasticSearch能做什么？
02.Elastic Stack功能介绍
03.如何安装与设置Elasticsearch API
04.如果通过elasticsearch的head插件建立索引_CRUD操作
05.Elasticsearch多个实例和head plugin使用介绍
06.当Elasticsearch进行文档索引时，它是如何工作的?
07.Elasticsearch中的映射方式—简洁版教程
08.Elasticsearch中的分析和分析器应用方式
09.Elasticsearch中构建自定义分析器
10.Kibana科普-作为Elasticsearhc开发工具
11.Elasticsearch查询方法
12.Elasticsearch全文查询
13.Elasticsearch查询-术语级查询
14.第14篇-Python中的Elasticsearch入门
15.使用Django进行ElasticSearch的简单方法
16.关于Elasticsearch的6件不太明显的事情
17.使用Python的初学者Elasticsearch教程
18.用ElasticSearch索引MongoDB,一个简单的自动完成索引项目
19.Kibana对Elasticsearch的实用介绍
20.不和谐如何索引数十亿条消息
21.使用Django进行ElasticSearch的简单方法

另外Elasticsearch入门，我强烈推荐ElasticSearch入门教程和这篇优秀的REST API设计指南 给你，这两个指南都是非常想尽的入门手册。

介绍
在此阶段的上一篇博客中，我已经解释了有关常规分析器结构和组件的更多信息。我也解释了每个组件的功能。在此博客中，我们将通过构建自定义分析器，然后查询并查看差异来了解实现方面。
定制分析仪的外壳
因此，让我们考虑定制分析仪的情况。假设我们输入到Elasticsearch的文本包含以下内容

1. html标签
   html标签在索引时可能会出现在我们的文本中，其实这在大多数情况下是不需要的。所以我们需要删除这些。
   2.停止词
   像the,and,or等这样的词，在搜索内容时意义不大，一般被称为停止词。
   3.大写字母。
   4.简写形式如H2O、$、%。
   在某些情况下，像这样的简式应该用英文原词代替。

应用自定义分析器
在上面的示例文本中，下表列出了需要执行的操作以及自定义分析器的相应组件

Arun has 100 $ which accounts to 3 % of the total <h2> money </h2>

“ settings”中的层次结构如下所示：

应用所有组件
现在应用上述所有组件创建一个自定义分析器，如下所示：

curl -XPUT localhost:9200/testindex_0204 -d '{
  "settings": {
    "analysis": {
      "char_filter": {
        "subsitute": {
          "type": "mapping",
          "mappings": [
            "$=> dollar",
            "%=> percentage"
          ]
        },
        "html-strip": {
          "type": "html_strip"
        }
      },
      "tokenizer": "standard",
      "filter": {
        "stopwords_removal": {
          "type": "stop",
          "stopwords": [
            "has",
            "which",
            "to",
            "of",
            "the"
          ]
        }
      },
      "analyzer": {
        "custom_analyzer_type_01": {
          "type": "custom",
          "char_filter": [
            "subsitute",
            "html_strip"
          ],
          "tokenizer": "standard",
          "filter": [
            "stopwords_removal",
            "lowercase"
          ]
        }
      }
    }
  },
  "mappings": {
    "test_type": {
      "properties": {
        "text": {
          "type": "string",
          "analyzer": "custom_analyzer_type_01"
        }
      }
    }
  }
}'

这将使用名为“ custom_analyzer_01” 的自定义分析器创建索引。
详细说明了此映射，下图说明了每个部分：

使用自定义分析器生成令牌
使用分析器可以看到使用此分析器生成的令牌，如下所示：

curl -XGET "localhost:9200/testindex_0204/_analyze?analyzer=custom_analyzer_type_01&pretty=true" -d 'Arun has 100 $ which accounts to 3 % of the total <h2> money </h2>'

令牌列表如下：

在这里您可以进行一些观察：
令牌号3和6最初是$ 和%，但随后如本节中所指定的那样被替换为“ dollar”和“ percentage” char_filter 。
还有html标记<h2> ，</h2>也被html_strip 过滤器从令牌列表中删除
过滤器 “to”,“the”,“which”,"has"中提到的术语等stopwords 已从令牌列表中删除。令牌编号1最初看起来应该像是“ Arun”，但已被应用的过滤器小写。

结论
在此博客中，我们看到了如何构建自定义分析器并将其应用于Elasticsearch中的字段。通过这个博客，我打算结束博客系列的第二阶段（索引，映射和分析）。从现在开始，此阶段是理解Elasticsearch的基础部分之一，我们可能会将此阶段的输入用于许多目的。从阶段03开始，我将向您介绍elasticsearch的查询DSL世界。