关于String类型——分词与不分词

在Elasticsearch中String是最基本的数据类型，如果不是数字或者标准格式的日期等这种很明显的类型，其他的一般都会优先默认存储成String。同样的数据类型，Elasticsearch也提供了多种存储与分词的模式，不同的模式应用于不同的场景。

很多人在初次使用Elasticsearch时，都会很纳闷...

• 为什么我存储的一句话，却查询不到？
• 为什么我输入了汉语单词，只能一个字一个字的匹配？
• 为什么我的url查询不到？

等等，这些都与是否分词、使用什么分词器有关。

首先说说什么是分词器吧! 比如我爱你中国！

如果是标准分词器，会把它拆分成，“我”，“爱”，“你”，“中”，“国”。
如果使用一些汉语的分词器，则会分析成，“我”，“爱”，“你”，“中国”。

由于倒排索引都是以词Term为索引的，因此如果分解成了一个一个的词，查询“中国”的时候，中国也会被分解成“中”，“国”，这样就可能误差到”发展中国家“这样的词。

再说说Elasticsearch中的分词器吧！

不光是在索引文档（把数据导入到Elasticsearch中），在查询的时候也需要分词器。只有索引和查询的时候使用相同的分词器，才能查询出正确的结果。

但是有时候，我们并不想把一串String给分析，想把它当做一个完整的词。比如

• www.baidu.com
• 吉林省 长春市 卫星路 6543号

此时，只要设置字段为不分析，就可以了。这时需要自定义下映射，因为默认String就是分析的，而且使用的是标准分词器。

准备工作

先建立一个索引

curl -XPUT localhost:9200/abc

然后定义映射，注意：只有刚刚新建、还没有任何数据的索引，才能定义映射。定义映射Mapping可以使用_mapping RESTAPI，符合下面的标准语法：

curl -XPUT localhost:9200/索引名称/类型名称/_mapping?pretty -d '{"类型名称":{"properties":{"字段名称":{"type":"字段类型","store":"是否存储","index":"索引方式、是否分析"}}}}'

比如，其中str1为String类型不分析；其他的字段str2为默认配置，就不用设置了。

curl -XPUT localhost:9200/abc/abc/_mapping?pretty -d '{"abc":{"properties":{"str1":{"type":"string","index":"not_analyzed"}}}}'

然后添加两条数据：

curl localhost:9200/abc/abc?pretty -d '{"str1":"hello, world!","str2":"goodbye! world"}'
{
  "_index" : "abc",
  "_type" : "abc",
  "_id" : "AVM2vRQgJmh5lL1r79nv",
  "_version" : 1,
  "created" : true
}

curl localhost:9200/abc/abc?pretty -d '{"str1":"hello","str2":"world"}'             {
  "_index" : "abc",
  "_type" : "abc",
  "_id" : "AVM2vbbqJmh5lL1r79nw",
  "_version" : 1,
  "created" : true
}

分析的String如何查询

如果查询的单个词，分词的字段可以使用term进行查询，如下所示：如果查询的是一个单独的词，那么会返回包含它或者等于它的目标文档。

curl -XPOST localhost:9200/abc/_search?pretty -d '{"query":{"term":{"str2":"world"}}}'
{
  "took" : 1,
  "timed_out" : false,
  "_shards" : {
    "total" : 5,
    "successful" : 5,
    "failed" : 0
  },
  "hits" : {
    "total" : 2,
    "max_score" : 0.5945348,
    "hits" : [ {
      "_index" : "abc",
      "_type" : "abc",
      "_id" : "AVM2vbbqJmh5lL1r79nw",
      "_score" : 0.5945348,
      "_source":{"str1":"hello","str2":"world"}
    }, {
      "_index" : "abc",
      "_type" : "abc",
      "_id" : "AVM2vRQgJmh5lL1r79nv",
      "_score" : 0.37158427,
      "_source":{"str1":"hello, world!","str2":"goodbye! world"}
    } ]
  }
}

不分析的String如何查询

如果字段是不分词的，而查询的是这个字段里面的一个词，那么使用term时无法查询到目标文档的。

$ curl -XPOST localhost:9200/abc/_search?pretty -d '{"query":{"term":{"str1":"hello"}}}'
{
  "took" : 1,
  "timed_out" : false,
  "_shards" : {
    "total" : 5,
    "successful" : 5,
    "failed" : 0
  },
  "hits" : {
    "total" : 1,
    "max_score" : 1.0,
    "hits" : [ {
      "_index" : "abc",
      "_type" : "abc",
      "_id" : "AVM2vbbqJmh5lL1r79nw",
      "_score" : 1.0,
      "_source":{"str1":"hello","str2":"world"}
    } ]
  }
}

使用term查询，如果该字段是不分词，只有完整的输入目标字段，才能正确的匹配。

curl -XPOST localhost:9200/abc/_search?pretty -d '{"query":{"term":{"str1":"hello, world!"}}}'
{
  "took" : 2,
  "timed_out" : false,
  "_shards" : {
    "total" : 5,
    "successful" : 5,
    "failed" : 0
  },
  "hits" : {
    "total" : 1,
    "max_score" : 1.0,
    "hits" : [ {
      "_index" : "abc",
      "_type" : "abc",
      "_id" : "AVM2vRQgJmh5lL1r79nv",
      "_score" : 1.0,
      "_source":{"str1":"hello, world!","str2":"goodbye! world"}
    } ]
  }
}

总结

对于分词的字段：

1 如果查询的是单个词，则查询到包含它的文档，返回结果与匹配程度有关
2 如果查询的是一段能被分析的话，比如hello world。那么查询的结果是包含分析得出的词的文档，即包含hello和world的全部文档。

对于不分词的字段：

只有查询的是 目标字段的精确值，才能匹配。

本文转自博客园xingoo的博客，原文链接：Elasticsearch——分词器对String的作用，如需转载请自行联系原博主。