概述

分詞器的主要作用將用戶輸入的一段文本，按照一定邏輯，分析成多個(gè)詞語的一種工具

什么是分詞器

顧名思義，文本分析就是把全文本轉(zhuǎn)換成一系列單詞（term/token）的過程，也叫分詞。在 ES 中，Analysis
是通過分詞器（Analyzer） 來實(shí)現(xiàn)的，可使用 ES 內(nèi)置的分析器或者按需定制化分析器。

舉一個(gè)分詞簡單的例子：比如你輸入 Mastering Elasticsearch，會(huì)自動(dòng)幫你分成兩個(gè)單詞，一個(gè)是 mastering，另一個(gè)是 elasticsearch，可以看出單詞也被轉(zhuǎn)化成了小寫的。

分詞器的構(gòu)成

分詞器是專門處理分詞的組件，分詞器由以下三部分組成：

character filter

接收原字符流，通過添加、刪除或者替換操作改變原字符流

例如：去除文本中的html標(biāo)簽，或者將羅馬數(shù)字轉(zhuǎn)換成阿拉伯?dāng)?shù)字等。一個(gè)字符過濾器可以有零個(gè)或者多個(gè)

tokenizer

簡單的說就是將一整段文本拆分成一個(gè)個(gè)的詞。

例如拆分英文，通過空格能將句子拆分成一個(gè)個(gè)的詞，但是對于中文來說，無法使用這種方式來實(shí)現(xiàn)。在一個(gè)分詞器中,有且只有一個(gè)tokenizeer

token filters

將切分的單詞添加、刪除或者改變

例如將所有英文單詞小寫，或者將英文中的停詞a刪除等，在token filters中，不允許將token(分出的詞)的position或者offset改變。同時(shí)，在一個(gè)分詞器中，可以有零個(gè)或者多個(gè)token filters.

分詞順序

同時(shí) Analyzer 三個(gè)部分也是有順序的，從圖中可以看出，從上到下依次經(jīng)過 Character Filters，Tokenizer 以及 Token Filters，這個(gè)順序比較好理解，一個(gè)文本進(jìn)來肯定要先對文本數(shù)據(jù)進(jìn)行處理，再去分詞，最后對分詞的結(jié)果進(jìn)行過濾。

索引和搜索分詞

文本分詞會(huì)發(fā)生在兩個(gè)地方：

• 創(chuàng)建索引：當(dāng)索引文檔字符類型為text時(shí)，在建立索引時(shí)將會(huì)對該字段進(jìn)行分詞。
• 搜索：當(dāng)對一個(gè)text類型的字段進(jìn)行全文檢索時(shí)，會(huì)對用戶輸入的文本進(jìn)行分詞。

配置分詞器

默認(rèn)ES使用standard analyzer，如果默認(rèn)的分詞器無法符合你的要求，可以自己配置

分詞器測試
可以通過_analyzerAPI來測試分詞的效果。

COPY# 過濾html 標(biāo)簽
POST _analyze
{"tokenizer":"keyword", #原樣輸出"char_filter":["html_strip"], # 過濾html標(biāo)簽"text":"<b>hello world<b>"  # 輸入的文本
}

指定分詞器

使用地方

分詞器的使用地方有兩個(gè)：

• 創(chuàng)建索引時(shí)
• 進(jìn)行搜索時(shí)

創(chuàng)建索引時(shí)指定分詞器

如果手動(dòng)設(shè)置了分詞器，ES將按照下面順序來確定使用哪個(gè)分詞器：

1. 先判斷字段是否有設(shè)置分詞器，如果有，則使用字段屬性上的分詞器設(shè)置
2. 如果設(shè)置了analysis.analyzer.default，則使用該設(shè)置的分詞器
3. 如果上面兩個(gè)都未設(shè)置，則使用默認(rèn)的standard分詞器

字段指定分詞器

為title屬性指定分詞器

PUT my_index
{"mappings": {"properties": {"title":{"type":"text","analyzer": "whitespace"}}}
}

指定默認(rèn)default_seach

COPYPUT my_index
{"settings": {"analysis": {"analyzer": {"default":{"type":"simple"},"default_seach":{"type":"whitespace"}}}}
}

內(nèi)置分詞器

es在索引文檔時(shí)，會(huì)通過各種類型 Analyzer 對text類型字段做分析，

不同的 Analyzer 會(huì)有不同的分詞結(jié)果，內(nèi)置的分詞器有以下幾種，基本上內(nèi)置的 Analyzer 包括 Language Analyzers 在內(nèi)，對中文的分詞都不夠友好，中文分詞需要安裝其它 Analyzer

分析器	描述	分詞對象	結(jié)果
standard	標(biāo)準(zhǔn)分析器是默認(rèn)的分析器，如果沒有指定，則使用該分析器。它提供了基于文法的標(biāo)記化(基于 Unicode 文本分割算法，如 Unicode 標(biāo)準(zhǔn)附件 # 29所規(guī)定) ，并且對大多數(shù)語言都有效。	The 2 QUICK Brown-Foxes jumped over the lazy dog’s bone.	[ the, 2, quick, brown, foxes, jumped, over, the, lazy, dog’s, bone ]
simple	簡單分析器將文本分解為任何非字母字符的標(biāo)記，如數(shù)字、空格、連字符和撇號、放棄非字母字符，并將大寫字母更改為小寫字母。	The 2 QUICK Brown-Foxes jumped over the lazy dog’s bone.	[ the, quick, brown, foxes, jumped, over, the, lazy, dog, s, bone ]
whitespace	空格分析器在遇到空白字符時(shí)將文本分解為術(shù)語	The 2 QUICK Brown-Foxes jumped over the lazy dog’s bone.	[ The, 2, QUICK, Brown-Foxes, jumped, over, the, lazy, dog’s, bone. ]
stop	停止分析器與簡單分析器相同，但增加了刪除停止字的支持。默認(rèn)使用的是 english 停止詞。	The 2 QUICK Brown-Foxes jumped over the lazy dog’s bone.	[ quick, brown, foxes, jumped, over, lazy, dog, s, bone ]
keyword	不分詞，把整個(gè)字段當(dāng)做一個(gè)整體返回	The 2 QUICK Brown-Foxes jumped over the lazy dog’s bone.	[The 2 QUICK Brown-Foxes jumped over the lazy dog’s bone.]
pattern	模式分析器使用正則表達(dá)式將文本拆分為術(shù)語。正則表達(dá)式應(yīng)該匹配令牌分隔符，而不是令牌本身。正則表達(dá)式默認(rèn)為 w+ (或所有非單詞字符)。	The 2 QUICK Brown-Foxes jumped over the lazy dog’s bone.	[ the, 2, quick, brown, foxes, jumped, over, the, lazy, dog, s, bone ]
多種西語系 arabic, armenian, basque, bengali, brazilian, bulgarian, catalan, cjk, czech, danish, dutch, english等等	一組旨在分析特定語言文本的分析程序。

分詞器 _analyze 的使用

#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": "他說的確實(shí)在理”"
}POST _analyze
{"analyzer": "standard","text": "他說的確實(shí)在理”"
}POST _analyze
{"analyzer": "icu_analyzer","text": "這個(gè)蘋果不大好吃"
}

可以看出是按照空格、非字母的方式對輸入的文本進(jìn)行了轉(zhuǎn)換，比如對 Java 做了轉(zhuǎn)小寫，對一些停用詞也沒有去掉，比如 in，其中 token 為分詞結(jié)果；start_offset 為起始偏移；end_offset 為結(jié)束偏移；position 為分詞位置。

使用分析器進(jìn)行分詞
課程Demo

#Simple Analyzer – 按照非字母切分（符號被過濾），小寫處理
#Stop Analyzer – 小寫處理，停用詞過濾（the，a，is）
#Whitespace Analyzer – 按照空格切分，不轉(zhuǎn)小寫
#Keyword Analyzer – 不分詞，直接將輸入當(dāng)作輸出
#Patter Analyzer – 正則表達(dá)式，默認(rèn) \W+ (非字符分隔)
#Language – 提供了30多種常見語言的分詞器
#2 running Quick brown-foxes leap over lazy dogs in the summer evening

其他常用分詞器

電子郵件分詞器（UAX URL Email Tokenizer）

此分詞器主要是針對email和url地址進(jìn)行關(guān)鍵內(nèi)容的標(biāo)記。

GET _analyze
{"text":"Email me at john.smith@global-international.com","tokenizer": "uax_url_email"
}

經(jīng)典分詞器（Classic Tokenizer）

可對首字母縮寫詞，公司名稱，電子郵件地址和互聯(lián)網(wǎng)主機(jī)名進(jìn)行特殊處理，但是，這些規(guī)則并不總是有效，并且此關(guān)鍵詞生成器不適用于英語以外的大多數(shù)其他語言

特點(diǎn)

• 它最多將標(biāo)點(diǎn)符號拆分為單詞，刪除標(biāo)點(diǎn)符號，但是，不帶空格的點(diǎn)被認(rèn)為是查詢關(guān)鍵詞的一部分
• 此分詞器可以將郵件地址和URL地址識別為查詢的term（詞條）

GET _analyze
{"text":"The 2 QUICK Brown-Foxes jumped over the lazy dog's bone.","analyzer": "classic"
}

路徑分詞器（Path Tokenizer）

可以對文件系統(tǒng)的路徑樣式的請求進(jìn)行拆分，返回被拆分各個(gè)層級內(nèi)容。

GET _analyze
{"text":"/one/two/three","tokenizer":"path_hierarchy"
}

自定義分詞器

當(dāng)內(nèi)置的分詞器無法滿足需求時(shí)，可以創(chuàng)建custom類型的分詞器。

配置參數(shù)

參數(shù)	描述
tokenizer	內(nèi)置或定制的tokenizer.(必須)
char_filter	內(nèi)置或定制的char_filter(非必須)
filter	內(nèi)置或定制的token filter(非必須)
position_increment_gap	當(dāng)值為文本數(shù)組時(shí)，設(shè)置改值會(huì)在文本的中間插入假空隙。設(shè)置該屬性，對與后面的查詢會(huì)有影響。默認(rèn)該值為100.

• 創(chuàng)建索引
  上面的示例中定義了一個(gè)名為my_custom_analyzer的分詞器

該分詞器的type為custom，tokenizer為standard，char_filter為hmtl_strip,filter定義了兩個(gè)分別為：lowercase和asciifolding

PUT my_index
{"settings": {"analysis": {"analyzer": {"my_custom_analyzer":{"type":"custom","tokenizer":"standard","char_filter":["html_strip"],"filter":["lowercase","asciifolding"]}}}}
}

• 測試使用自定義分詞

POST my_index/_analyze
{"text": "Is this <b>déjà vu</b>?","analyzer": "my_custom_analyzer"
}

中文分詞器

IKAnalyzer

IKAnalyzer是一個(gè)開源的，基于java的語言開發(fā)的輕量級的中文分詞工具包

從2006年12月推出1.0版開始，IKAnalyzer已經(jīng)推出了3個(gè)大版本，在 2012 版本中，IK 實(shí)現(xiàn)了簡單的分詞歧義排除算法，標(biāo)志著 IK 分詞器從單純的詞典分詞向模擬語義分詞衍化

使用IK分詞器

IK提供了兩個(gè)分詞算法:

• ik_smart：最少切分。
• ik_max_word：最細(xì)粒度劃分。

ik_smart 分詞算法

使用案例
原始內(nèi)容

GET _analyze
{"analyzer": "ik_smart","text": "傳智教育的教學(xué)質(zhì)量是杠杠的"
}

ik_max_word 分詞算法

GET _analyze
{"analyzer": "ik_max_word","text": "傳智教育的教學(xué)質(zhì)量是杠杠的"
}

自定義詞庫

我們在使用IK分詞器時(shí)會(huì)發(fā)現(xiàn)其實(shí)有時(shí)候分詞的效果也并不是我們所期待的

問題描述
例如我們輸入“傳智教育的教學(xué)質(zhì)量是杠杠的”，但是分詞器會(huì)把“傳智教育”進(jìn)行拆開，分為了“傳”，“智”，“教育”，但我們希望的是“傳智教育”可以不被拆開。

解決方案

對于以上的問題，我們只需要將自己要保留的詞，加到我們的分詞器的字典中即可

編輯字典內(nèi)容

進(jìn)入elasticsearch目錄plugins/ik/config中，創(chuàng)建我們自己的字典文件yixin.dic，并添加內(nèi)容：

cd plugins/ik/config
echo "傳智教育" > custom.dic

擴(kuò)展字典
進(jìn)入我們的elasticsearch目錄 ：plugins/ik/config，打開IKAnalyzer.cfg.xml文件，進(jìn)行如下配置：

vi IKAnalyzer.cfg.xml
#增加如下內(nèi)容
<entry key="ext_dict">custom.dic</entry>

再次測試
重啟ElasticSearch，再次使用kibana測試

GET _analyze
{"analyzer": "ik_max_word","text": "傳智教育的教學(xué)質(zhì)量是杠杠的"
}

可以發(fā)現(xiàn)，現(xiàn)在我們的詞匯”傳智教育”就不會(huì)被拆開了，達(dá)到我們想要的效果了

分詞的可配置項(xiàng)

standard 分詞器可配置項(xiàng)

選項(xiàng)	描述
max_token_length	最大令牌長度。如果看到令牌超過此長度，則將其max_token_length間隔分割。默認(rèn)為255。
stopwords	預(yù)定義的停用詞列表，例如english或包含停用詞列表的數(shù)組。默認(rèn)為none。
stopwords_path	包含停用詞的文件的路徑。

COPY{"settings": {"analysis": {"analyzer": {"my_english_analyzer": {"type": "standard","max_token_length": 5,"stopwords": "_english_"}}}}
}

正則分詞器（Pattern Tokenizer） 可配置選項(xiàng)

可配置項(xiàng)
正則分詞器有以下的選項(xiàng)

選項(xiàng)	描述

|pattern |正則表達(dá)式|
|flags |正則表達(dá)式標(biāo)識|
|lowercase| 是否使用小寫詞匯|
|stopwords |停止詞的列表。|
|stopwords_path |定義停止詞文件的路徑。|

COPY{"settings": {"analysis": {"analyzer": {"my_email_analyzer": {"type": "pattern","pattern": "\\W|_","lowercase": true}}}}
}

路徑分詞器（Path Tokenizer）可配置選項(xiàng)

選項(xiàng)	描述
delimiter	用作路徑分隔符的字符
replacement	用于定界符的可選替換字符
buffer_size	單次讀取到術(shù)語緩沖區(qū)中的字符數(shù)。默認(rèn)為1024。術(shù)語緩沖區(qū)將以該大小增長，直到所有文本都被消耗完為止。建議不要更改此設(shè)置。
reverse	正向還是反向獲取關(guān)鍵詞
skip	要忽略的內(nèi)容

COPY{"settings": {"analysis": {"analyzer": {"my_analyzer": {"tokenizer": "my_tokenizer"}},"tokenizer": {"my_tokenizer": {"type": "path_hierarchy","delimiter": "-","replacement": "/","skip": 2}}}}
}

語言分詞（Language Analyzer）

ES 為不同國家語言的輸入提供了 Language Analyzer 分詞器，在里面可以指定不同的語言