Elasticsearch是怎么进行分词的？

在搜索引擎这篇文章中写道，搜索引擎中有一个分词，切词的步骤，就是使用Analyzer来实现的。这篇文章将对Analyzer分词器进行铺开讲解。

Analysis与Analyzer分词器

• 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
• Analysis 是 通过 Analyzer来实现的 可使用 Elasticsearch 内置的分析器/或者按需定制化分析器

Analyzer的组成

• 分词器是专门处理分词的组件，Analyzer 由三部分组成，分别入下：

1. Character Filters ：针对原始文本处理，例如去除html
2. Tokenizer：按照原则切分为单词
3. Token Filter：将切分的单词进行加工,将单词从大写转换为小写，删除 stopwords,增加同义词

Elasticsearch内置的分词器

• 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，直接将输入当做输出
• Patter Analyzer：正则表达式，默认 \W+ (非字符分割)
• Language：提供共了30多种常见语言的分词器
• Customer Analyzer：自定义分词器

_analyzer API简单介绍

关于Analyzer的几种用法如下

//指定analyzer进行测试
GET _analyze
{
"analyzer": "standard",                           #指定Analyzer分词器
"text" : "Mastering Elasticsearch, elasticsearch in Action"       #使用分词器要拆分的文本
}
//指定索引字段进行测试Analyzer
POST bulk_index/_analyze                            #对指定的索引进行分词器拆分
{
"field": "title",                                 #标题
"text": "Mastering Elasticsearch"                 #要拆分的文本
}
//自定义分词器进行测试
POST _analyze
{
"tokenizer": "standard",
"filter": ["lowercase"],
"text": "Mastering Elasticsearch"
}

Standard Analyzer分词器

上面又讲到 Standard Analyzer是Elasticsearch默认的分词器，按词切分，主要是按照词汇空格去切分，然后转小写处理

实例

//standard
GET _analyze
{
"analyzer": "standard",                               //指定分词器
"text": "3 running Quick brown-foxes leap over lazy dogs in the summer evening."          //要拆分的文本
}

结果如下
运行结果可以看到，我们的text都被拆分成了一个个单词，并进行转小写处理

Simple Analyzer分词器

simple analyzer分词器按非字母划分，非字母的都被去掉，并且进行转小写处理。

实例

//Simple
GET _analyze
{
"analyzer": "simple",
"text": "3 running Quick brown-foxes leap over lazy dogs in the summer evening."
}

上面的测试，下面效果可以看到，Simple会把非字母的都去掉，3 running 中的 3 已经被去掉了，然后再进行了一个转小写处理

Stop Analyzer

Stop Analyzer分词器会将文本进行转小写处理，然后过滤掉停用词(the, a, is…)

实例

//Stop
GET _analyze
{
"analyzer": "stop",
"text": "3 running Quick brown-foxes leap over lazy dogs in the summer evening."
}

运行结果如下图所示，将所有文本进行了转小写处理，然后过滤掉了停用词 (3 in the)

Whitespace Analyzer分词

Whitespace分词器是按照空格切分，然后不转小写

实例

//whitespace
GET _analyze
{
"analyzer": "whitespace",
"text": "中华 人民 共 和国 3 running Quick brown-foxes leap over lazy dogs in the summer evening."
}

可以看到如下图所示，按照空格拆分后的文本，没有进行小写转换

Keyword Analyzer 分词

keyword即不会进行分词，而是按照源文本信息当做输出

实例

//Keyword
GET _analyze
{
"analyzer": "keyword",
"text": "中华 人民 共 和国 3 running Quick brown-foxes leap over lazy dogs in the summer evening."
}

可以看到如下图所示，没有拆分字符，也没有转小写处理和停用词过滤，而是按照源文件信息输出

Pattern Analyzer分词

Patter Analyzer是通过正则表达式进行分词，默认是 \W+ ，非字符的符号进行分割。

实例

//Pattern
GET _analyze
{
"analyzer": "pattern",
"text": "中华 人民 共 和国 3 running Quick brown-foxes leap over lazy dogs in the summer evening."
}

可以看到如下图所示，pattern analyzer对非字符的符号进行了分割，然后进行了转小写处理，我们文本中的 中华 人民 共 和国和 brown-foxes中的 – 连接符，不是字符，所以pattern对他们进行了分割。

Language Analyzer

Elasticsearch为不同国家语言的输入提供了Language Analyzer的一个分词器
我们可以在其中指定分词的语言来进行分词

实例

//Language
GET _analyze
{
"analyzer": "english",
"text": "3 running Quick brown-foxes leap over lazy dogs in the summer evening."
}

如下图所示运行结果，由 english 来进行分词后，把 running 转换成了 run，然后foxes转换为了 fox，evening转换为了 even，还把所有的词转换为了小写，并有停用词过滤功能，把 in the 过滤掉了

ICU Analyzer

ICU Analyzer需要通过插件的形式获取
ICU ANalyzer提供了 Unicode 的支持，更好的支持亚洲语言，所以在中文分词上ICU Analyzer用的比较普遍
./elasticsearch-plugin install analysis-icu
安装完成后重启Elasticsearch后查看插件

curl -XGET 'http://192.168.31.215:9201/_cat/plugins?v'
name          component    version
elastic_node1 analysis-icu 7.4.0

实例

//我们先看标准的 _analyze
GET _analyze
{
"analyzer": "standard",
"text": "他说的却是在理！"
}

标准的_analyze运行结果如下，标准的_analyze分词器是把每个词单独分开了

//icu_analyzer我们再来看icu_analyzer
GET _analyze
{
"analyzer": "icu_analyzer",
"text": "他说的确实在理！"
}

分词结果如下，说的和确实放在了一起，要比其它分词器好多了

IK 中文分词器

IK中文分词器支持自定义词库，支持热更新分词字典
IK分词器项目地址：https://github.com/medcl/elasticsearch-analysis-ik
IK分词器版本地址：https://github.com/medcl/elasticsearch-analysis-ik/releases

1.安装IK分词器

方法一在线安装：
#使用elastic用户来进行安装
#安装的IK分词器版本要和Elasticsearch版本一致
[elastic@elastic elastic_node1]$ ./bin/elasticsearch-plugin install https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v7.4.0/elasticsearch-analysis-ik-7.4.0.zip
方法二离线安装：
[elastic@elastic elastic_node1]$ mkdir plugins/analysis-ik
[elastic@elastic elastic_node1]$ cd plugins/analysis-ik
#然后将下载的zip包解压到analysis-ik目录即可
[elastic@elastic analysis-ik]$ unzip -o  elasticsearch-analysis-ik-7.4.0.zip -d /usr/local/elastic_node1/plugins/analysis-ik/

2.安装完成后需要重启Elasticsearch
重启过程略

3.查看插件

[root@elastic elastic_node1]# curl -XGET -u elastic:26tBktGolYCyZD2pPISW  'http://192.168.31.215:9201/_cat/plugins?v'
name          component    version
elastic_node1 analysis-icu 7.4.0
elastic_node1 analysis-ik  7.4.0

4.实例
自 IK分词插件v5.0.0 起移除名为 ik 的analyzer和tokenizer,请分别使用 ik_smart 和 ik_max_word。

//ik_max_word
GET _analyze
{
"analyzer": "ik_max_word",
"text": "他说的确实在理！"
}
//ik_smart
GET _analyze
{
"analyzer": "ik_smart",
"text": "他说的确实在理！"
}