Elasticsearch 简明教程

Elasticsearch - Analysis

在搜索操作过程中处理查询时，分析模块会分析任何索引中的内容。该模块由分析器、分词器、分词器过滤器和字符过滤器组成。如果没有定义分析器，则默认情况下，内置的分析器、标记、过滤器和分词器会向分析模块注册。

在以下示例中，我们在未指定其他分析器时使用标准分析器。它将根据语法分析句子，并生成句子中使用的单词。

POST _analyze
{
   "analyzer": "standard",
   "text": "Today's weather is beautiful"
}

在运行以上代码时，我们得到响应，如下所示：-

{
   "tokens" : [
      {
         "token" : "today's",
         "start_offset" : 0,
         "end_offset" : 7,
         "type" : "",
         "position" : 0
      },
      {
         "token" : "weather",
         "start_offset" : 8,
         "end_offset" : 15,
         "type" : "",
         "position" : 1
      },
      {
         "token" : "is",
         "start_offset" : 16,
         "end_offset" : 18,
         "type" : "",
         "position" : 2
      },
      {
         "token" : "beautiful",
         "start_offset" : 19,
         "end_offset" : 28,
         "type" : "",
         "position" : 3
      }
   ]
}

Configuring the Standard analyzer

我们可以使用各种参数配置标准分析器来满足我们的自定义要求。

在以下示例中，我们配置标准分析器让 max_token_length 为 5。

为此，我们首先使用具有 max_length_token 参数的分析器创建了一个索引。

PUT index_4_analysis
{
   "settings": {
      "analysis": {
         "analyzer": {
            "my_english_analyzer": {
               "type": "standard",
               "max_token_length": 5,
               "stopwords": "_english_"
            }
         }
      }
   }
}

然后我们使用文本应用分析器，如下所示。请注意标记如何不显示，因为它开头有两个空格，结尾有两个空格。对于单词“is”，它开头有一个空格，结尾有一个空格。考虑所有这些，它成为 4 个带有空格的字母，并且这不会使它成为一个单词。至少在开头或结尾处应该有一个非空格字符，才能使它成为一个单词。

POST index_4_analysis/_analyze
{
   "analyzer": "my_english_analyzer",
   "text": "Today's weather is beautiful"
}

在运行以上代码时，我们得到响应，如下所示：-

{
   "tokens" : [
      {
         "token" : "today",
         "start_offset" : 0,
         "end_offset" : 5,
         "type" : "",
         "position" : 0
      },
      {
         "token" : "s",
         "start_offset" : 6,
         "end_offset" : 7,
         "type" : "",
         "position" : 1
      },
      {
         "token" : "weath",
         "start_offset" : 8,
         "end_offset" : 13,
         "type" : "",
         "position" : 2
      },
      {
         "token" : "er",
         "start_offset" : 13,
         "end_offset" : 15,
         "type" : "",
         "position" : 3
      },
      {
         "token" : "beaut",
         "start_offset" : 19,
         "end_offset" : 24,
         "type" : "",
         "position" : 5
      },
      {
         "token" : "iful",
         "start_offset" : 24,
         "end_offset" : 28,
         "type" : "",
         "position" : 6
      }
   ]
}

各种分析器及其描述的列表在以下所示的表中给出 −

S.No

Analyzer & Description

1

Standard analyzer (standard) 为此分析器可以设置停用词和 max_token_length。默认情况下，停用词列表为空，而 max_token_length 为 255。

2

Simple analyzer (simple) 此分析器由小写标记化程序组成。

3

Whitespace analyzer (whitespace) 此分析器由空格标记化程序组成。

4

Stop analyzer (stop) 可以配置 stopwords 和 stopwords_path。默认情况下，stopwords 初始化为英语停用词，stopwords_path 包含包含停用词的文本文件的路径。

Tokenizers

标记化程序用于从 Elasticsearch 中的文本生成标记。可以通过考虑空格或其他标点符号将文本分解为标记。Elasticsearch 拥有大量内置标记化程序，可用于自定义分析器。

下面展示了一个标记化程序的示例，该标记化程序在每遇到一个非字母字符时将文本分解为词条，但它也会将所有词条小写 −

POST _analyze
{
   "tokenizer": "lowercase",
   "text": "It Was a Beautiful Weather 5 Days ago."
}

在运行以上代码时，我们得到响应，如下所示：-

{
   "tokens" : [
      {
         "token" : "it",
         "start_offset" : 0,
         "end_offset" : 2,
         "type" : "word",
         "position" : 0
      },
      {
         "token" : "was",
         "start_offset" : 3,
         "end_offset" : 6,
         "type" : "word",
         "position" : 1
      },
      {
         "token" : "a",
         "start_offset" : 7,
         "end_offset" : 8,
         "type" : "word",
         "position" : 2
      },
      {
         "token" : "beautiful",
         "start_offset" : 9,
         "end_offset" : 18,
         "type" : "word",
         "position" : 3
      },
      {
         "token" : "weather",
         "start_offset" : 19,
         "end_offset" : 26,
         "type" : "word",
         "position" : 4
      },
      {
         "token" : "days",
         "start_offset" : 29,
         "end_offset" : 33,
         "type" : "word",
         "position" : 5
      },
      {
         "token" : "ago",
         "start_offset" : 34,
         "end_offset" : 37,
         "type" : "word",
         "position" : 6
      }
   ]
}

下表列出了标记化程序及其说明 −

S.No

Tokenizer & Description

1

Standard tokenizer (standard) 这构建在基于语法的标记化程序上，可以为此标记化程序配置 max_token_length。

2

Edge NGram tokenizer (edgeNGram) 可以为此标记化程序设置 min_gram、max_gram、token_chars 等设置。

3

Keyword tokenizer (keyword) 这将整个输入作为输出生成，并且可以为此设置 buffer_size。

4

Letter tokenizer (letter) 这捕获整个单词，直到遇到非字母字符为止。