一 分詞器
- Character Filter
針對原始文本進行處理,比如去除html特殊標記符舆逃; - Tokenized
將原始文本按照一切規(guī)則切分單詞; - Token Filter
針對tokenizer處理的單詞進行加工,比如轉換小寫等犯戏;
二 Analyze API
- analyze api
常用來測試/驗證分詞效果
##直接指定analyzer進行測試
POST _analyze
{
"analyzer": "standard",
"text":"The 2 QUICK Brown-Foxes jumped over the lazy dog's bone."
}
##直接指定索引中的字段進行測試
POST test_index/_analyze
{
"field": "username",
"text":"hello world!"
}
##自定義分詞器進行測試
POST _analyze
{
"tokenizer": "standard",
"filter": [ "lowercase" ,"shingle","reverse"],
"text":"a beauty Hello World!"
}
三 自帶分詞器
Standard Analyzer: 默認分詞器固蚤,按次切分娘汞,小寫處理;
Simple Analyzer: 按照非字母切分夕玩,小寫處理你弦;
Whitespace Analyzer: 按照空格進行切分;
Stop Analyzer:Stop Word指語氣助詞等修飾性的詞語燎孟,比如the/an等禽作,比Simple Analyzer多了個Stop Word;
Keyword Analyzer:不分詞缤弦,直接將輸入作為一個單詞輸出领迈;
Pattern Analyzer:通過正則表達式自定義分隔符,默認時\W+碍沐,即非字詞的符號作為分隔符狸捅;
Langauge Analyzer:提供30+常見語言的分詞器;
四 自定義分詞
PUT test_index_1
{
"settings": {
"analysis": {
"analyzer": {
"my_custom_analyzer": {
"type": "custom",
"tokenizer": "standard", ##標準
"char_filter": [
"html_strip"
],
"filter": [
"lowercase",
"asciifolding"
]
}
}
}
}
}
POST test_index_1/_analyze
{
"analyzer": "my_custom_analyzer",
"text": "Is this <b>a box</b>?"
}
PUT test_index_2
{
"settings": {
"analysis": {
"analyzer": {
"my_custom_analyzer": {
"type": "custom",
"char_filter": [
"emoticons"
],
"tokenizer": "punctuation",
"filter": [
"lowercase",
"english_stop"
]
}
},
"tokenizer": {
"punctuation": {
"type": "pattern",
"pattern": "[ .,!?]"
}
},
"char_filter": {
"emoticons": {
"type": "mapping",
"mappings": [
":) => _happy_",
":( => _sad_"
]
}
},
"filter": {
"english_stop": {
"type": "stop",
"stopwords": "_english_"
}
}
}
}
}
POST test_index_2/_analyze
{
"analyzer": "my_custom_analyzer",
"text": "I'm a :) person, and you?"
}
五 倒排索引
倒排索引是搜索引擎的核心累提,主要包含兩部分尘喝,分別是單詞詞典和倒排列表;
- 單詞詞典
1-記錄所有文檔的單詞斋陪,一般都比較大朽褪;
2-記錄單詞到倒排列表的關聯(lián)信息置吓;
3-單詞字典的實現(xiàn)一般是B+ Tree;
- 倒排列表
記錄單詞對應的文檔集合缔赠,由倒排索引項組成衍锚;
1-文檔Id,用于獲取原始信息嗤堰;
2-單詞頻率(TF戴质,Term Frequency),記錄單詞在文檔中的出現(xiàn)次數(shù)踢匣,用于相關性算分告匠;
3-位置(Position),記錄單詞在文檔中的分詞位置离唬,用于做詞語搜索后专;
4-偏移(Offset), 記錄單詞在文檔中的開始和結束位置,用于高亮顯示输莺;
- Segment
單個倒排索引稱為segment戚哎,合并在一起稱為一個Index,即一個shard嫂用,shard中通過commit point記錄所有的segment建瘫;
倒排索引文件一旦生成,不可更改尸折;
優(yōu)勢:
1-不考慮并發(fā)寫文件問題,杜絕鎖機制帶來的性能問題殷蛇;
2-利用不可更改性实夹,只需載入一次;
3-利于對文件進行壓縮粒梦,節(jié)省磁盤空間亮航;
劣勢:
1-添加新文檔時,必須重建倒排索引文件匀们,替換舊文件缴淋;
方案:
1-添加新文檔時,生成新的倒排索引文件泄朴,查詢時同時查詢所有的倒排索引文件重抖,做結果匯總即可;
補充:
1-ES中每個字段都有自己的倒排索引文件祖灰;