【9种】ElasticSearch分词器详解，一文get！！！| 博学谷狂野架构师
ElasticSearch 分词器 作者: 博学谷狂野架构师 只分享干货、不吹水，让我们一起加油！😄 概述 分词器的主要作用将用户输入的一段文本，按照一定逻辑，分析成多个词语的一种工具 什么是分词器 顾名思义，文本分析就是把全文本转换成一系列单词（term/token）的过程，也叫分词。在 ES 中，Analysis 是通过分词器（Analyzer） 来实现的，可使用 ES 内置的分析器或者按需定制化分析器。 举一个分词简单的例子：比如你输入 Mastering Elasticsearch，会自动帮你分成两个单词，一个是 mastering，另一个是 elasticsearch，可以看出单词也被转化成了小写的。 分词器的构成 分词器是专门处理分词的组件，分词器由以下三部分组成： 组成部分 character filter 接收原字符流，通过添加、删除或者替换操作改变原字符流 例如：去除文本中的html标签，或者将罗马数字转换成阿拉伯数字等。一个字符过滤器可以有零个或者多个 tokenizer 简单的说就是将一整段文本拆分成一个个的词。 例如拆分英文，通过空格能将句子拆分成一个个的词，但是对于中文来说，无法使用这种方式来实现。在一个分词器中,有且只有一个tokenizeer token filters 将切分的单词添加、删除或者改变 例如将所有英文单词小写，或者将英文中的停词a删除等，在token filters中，不允许将token(分出的词)的position或者offset改变。同时，在一个分词器中，可以有零个或者多个token filters. 分词顺序 同时 Analyzer 三个部分也是有顺序的，从图中可以看出，从上到下依次经过 Character Filters，Tokenizer 以及 Token Filters，这个顺序比较好理解，一个文本进来肯定要先对文本数据进行处理，再去分词，最后对分词的结果进行过滤。 索引和搜索分词 文本分词会发生在两个地方： 创建索引：当索引文档字符类型为text时，在建立索引时将会对该字段进行分词。 搜索：当对一个text类型的字段进行全文检索时，会对用户输入的文本进行分词。 配置分词器 默认ES使用standard analyzer，如果默认的分词器无法符合你的要求，可以自己配置 分词器测试 可以通过_analyzerAPI来测试分词的效果。 COPY# 过滤html 标签 POST _analyze { "tokenizer":"keyword", #原样输出 "char_filter":["html_strip"], # 过滤html标签 "text":"<b>hello world<b>" # 输入的文本 } 指定分词器 使用地方 分词器的使用地方有两个： 创建索引时 进行搜索时 创建索引时指定分词器 如果设置手动设置了分词器，ES将按照下面顺序来确定使用哪个分词器： 先判断字段是否有设置分词器，如果有，则使用字段属性上的分词器设置 如果设置了analysis.analyzer.default，则使用该设置的分词器 如果上面两个都未设置，则使用默认的standard分词器 字段指定分词器 为title属性指定分词器 COPYPUT my_index { "mappings": { "properties": { "title":{ "type":"text", "analyzer": "whitespace" } } } } 设置默认分词器 COPYPUT my_index { "settings": { "analysis": { "analyzer": { "default":{ "type":"simple" } } } } } 搜索时如何确定分词器 在搜索时，通过下面参数依次检查搜索时使用的分词器： 搜索时指定analyzer参数 创建mapping时指定字段的search_analyzer属性 创建索引时指定setting的analysis.analyzer.default_search 查看创建索引时字段指定的analyzer属性 如果上面几种都未设置，则使用默认的standard分词器。 指定analyzer 搜索时指定analyzer查询参数 COPYGET my_index/_search { "query": { "match": { "message": { "query": "Quick foxes", "analyzer": "stop" } } } } 指定字段analyzer COPYPUT my_index { "mappings": { "properties": { "title":{ "type":"text", "analyzer": "whitespace", "search_analyzer": "simple" } } } } 指定默认default_seach COPYPUT my_index { "settings": { "analysis": { "analyzer": { "default":{ "type":"simple" }, "default_seach":{ "type":"whitespace" } } } } } 内置分词器 es在索引文档时，会通过各种类型 Analyzer 对text类型字段做分析， 不同的 Analyzer 会有不同的分词结果，内置的分词器有以下几种，基本上内置的 Analyzer 包括 Language Analyzers 在内，对中文的分词都不够友好，中文分词需要安装其它 Analyzer 分析器 描述 分词对象 结果 standard 标准分析器是默认的分析器，如果没有指定，则使用该分析器。它提供了基于文法的标记化(基于 Unicode 文本分割算法，如 Unicode 标准附件 # 29所规定) ，并且对大多数语言都有效。 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 简单分析器将文本分解为任何非字母字符的标记，如数字、空格、连字符和撇号、放弃非字母字符，并将大写字母更改为小写字母。 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时将文本分解为术语 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 停止分析器与简单分析器相同，但增加了删除停止字的支持。默认使用的是 _english_ 停止词。 The 2 QUICK Brown-Foxes jumped over the lazy dog’s bone. [ quick, brown, foxes, jumped, over, lazy, dog, s, bone ] keyword 不分词，把整个字段当做一个整体返回 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 模式分析器使用正则表达式将文本拆分为术语。正则表达式应该匹配令牌分隔符，而不是令牌本身。正则表达式默认为 w+ (或所有非单词字符)。 The 2 QUICK Brown-Foxes jumped over the lazy dog’s bone. [ the, 2, quick, brown, foxes, jumped, over, the, lazy, dog, s, bone ] 多种西语系 arabic, armenian, basque, bengali, brazilian, bulgarian, catalan, cjk, czech, danish, dutch, english等等 一组旨在分析特定语言文本的分析程序。 中文扩展分析器 中文分词器最简单的是ik分词器，还有jieba分词，哈工大分词器等 分词器 描述 分词对象 结果 ik_smart ik分词器中的简单分词器，支持自定义字典，远程字典 学如逆水行舟，不进则退 [学如逆水行舟,不进则退] ik_max_word ik_分词器的全量分词器，支持自定义字典，远程字典 学如逆水行舟，不进则退 [学如逆水行舟,学如逆水,逆水行舟,逆水,行舟,不进则退,不进,则,退] 词语分词 标准分词器（Standard Tokenizer） 根据standardUnicode文本分段算法的定义，将文本划分为多个单词边界的上的术语 它是 ES 默认的分词器，它会对输入的文本按词的方式进行切分，切分好以后会进行转小写处理，默认的 stopwords 是关闭的。 使用案例 下面使用 Kibana 看一下它是怎么样进行工作的 原始内容 COPYIn 2020, Java is the best language in the world. 测试分词 在 Kibana 的开发工具（Dev Tools）中指定 Analyzer 为 standard，并输入文本 In 2020, Java is the best language in the world.，然后我们运行一下： COPYGET _analyze { "text":"In 2020, Java is the best language in the world.", "analyzer": "standard" } 可以看出是按照空格、非字母的方式对输入的文本进行了转换，比如对 Java 做了转小写，对一些停用词也没有去掉，比如 in，其中 token 为分词结果；start_offset 为起始偏移；end_offset 为结束偏移；position 为分词位置。 可配置项 选项 描述 max_token_length 最大令牌长度。如果看到令牌超过此长度，则将其max_token_length间隔分割。默认为255。 stopwords 预定义的停用词列表，例如english或包含停用词列表的数组。默认为none。 stopwords_path 包含停用词的文件的路径。 COPY{ "settings": { "analysis": { "analyzer": { "my_english_analyzer": { "type": "standard", "max_token_length": 5, "stopwords": "_english_" } } } } } 简单分词器（Letter Tokenizer） 当simple分析器遇到非字母的字符时，它会将文本划分为多个术语，它小写所有术语，对于中文和亚洲很多国家的语言来说是无用的 它只包括了 Lower Case 的 Tokenizer，它会按照非字母切分，非字母的会被去除，最后对切分好的做转小写处理，然后接着用刚才的输入文本，分词器换成 simple 来进行分词，运行结果如下： 使用案例 原始内容 COPYIn 2020, Java is the best language in the world. 测试分词 COPYGET _analyze { "text":"In 2020, Java is the best language in the world.", "analyzer": "simple" } 空白分词器（Whitespace Tokenizer） 它非常简单，根据名称也可以看出是按照空格进行切分的 该whitespace分析仪将文本分为方面每当遇到任何空白字符，和上面的分词器不同，空白分词器默认并不会将内容转换为小写。 使用案例 原始内容 COPYIn 2020, Java is the best language in the world. 测试分词 COPYGET _analyze { "text":"In 2020, Java is the best language in the world.", "analyzer": "whitespace" } 电子邮件分词器（UAX URL Email Tokenizer） 此分词器主要是针对email和url地址进行关键内容的标记。 使用案例 原始内容 COPY"Email me at john.smith@global-international.com" 测试分词 COPYGET _analyze { "text":"Email me at john.smith@global-international.com", "tokenizer": "uax_url_email" } 可配置项 max_token_length最大令牌长度。如果看到令牌超过此长度，则将其max_token_length间隔分割。默认为255 COPY{ "settings": { "analysis": { "analyzer": { "my_english_analyzer": { "type": "standard", "max_token_length": 5 } } } } } 经典分词器（Classic Tokenizer） 可对首字母缩写词，公司名称，电子邮件地址和互联网主机名进行特殊处理，但是，这些规则并不总是有效，并且此关键词生成器不适用于英语以外的大多数其他语言 特点 它最多将标点符号拆分为单词，删除标点符号，但是，不带空格的点被认为是查询关键词的一部分 此分词器可以将邮件地址和URL地址识别为查询的term（词条） 使用案例 原始内容 COPY"The 2 QUICK Brown-Foxes jumped over the lazy dog's bone." 测试分词 COPYGET _analyze { "text":"The 2 QUICK Brown-Foxes jumped over the lazy dog's bone.", "analyzer": "classic" } 可配置项 max_token_length最大令牌长度。如果看到令牌超过此长度，则将其max_token_length间隔分割。默认为255。 COPY{ "settings": { "analysis": { "analyzer": { "my_analyzer": { "tokenizer": "my_tokenizer" } }, "tokenizer": { "my_tokenizer": { "type": "classic", "max_token_length": 5 } } } } } 结构化文本分词 关键词分词器（Keyword Tokenizer） 它其实不做分词处理，只是将输入作为 Term 输出 关键词分词器其实是执行了一个空操作的分析，它将任何输入的文本作为一个单一的关键词输出。 使用案例 原始内容 COPY"In 2020, Java is the best language in the world." 测试分词 COPYGET _analyze { "text":"In 2020, Java is the best language in the world.", "analyzer": "keyword" } 会发现前后内容根本没有发生改变，这也是这个分词器的作用，有些时候我们针对一个需要分词查询的字段进行查询的时候，可能并不希望查询条件被分词，这个时候就可以使用这个分词器，整个查询条件作为一个关键词使用 正则分词器（Pattern Tokenizer） 模式标记器使用 Java正则表达式。使用JAVA的正则表达式进行词语的拆分。 它可以通过正则表达式的方式进行分词，默认是用 \W+ 进行分割的，也就是非字母的符合进行切分的。 使用案例 原始内容 COPY"In 2020, Java is the best language in the world." 测试分词 COPYGET _analyze { "text":"In 2020, Java is the best language in the world.", "analyzer": "patter" } 可配置项 正则分词器有以下的选项 选项 描述 pattern 正则表达式 flags 正则表达式标识 lowercase 是否使用小写词汇 stopwords 停止词的列表。 stopwords_path 定义停止词文件的路径。 COPY{ "settings": { "analysis": { "analyzer": { "my_email_analyzer": { "type": "pattern", "pattern": "\\W|_", "lowercase": true } } } } } 路径分词器（Path Tokenizer） 可以对文件系统的路径样式的请求进行拆分，返回被拆分各个层级内容。 使用案例 原始内容 COPY"/one/two/three" 测试分词 COPYGET _analyze { "text":"/one/two/three", "tokenizer":"path_hierarchy" } 可配置项 选项 描述 delimiter 用作路径分隔符的字符 replacement 用于定界符的可选替换字符 buffer_size 单次读取到术语缓冲区中的字符数。默认为1024。术语缓冲区将以该大小增长，直到所有文本都被消耗完为止。建议不要更改此设置。 reverse 正向还是反向获取关键词 skip 要忽略的内容 COPY{ "settings": { "analysis": { "analyzer": { "my_analyzer": { "tokenizer": "my_tokenizer" } }, "tokenizer": { "my_tokenizer": { "type": "path_hierarchy", "delimiter": "-", "replacement": "/", "skip": 2 } } } } } 语言分词（Language Analyzer） ES 为不同国家语言的输入提供了 Language Analyzer 分词器，在里面可以指定不同的语言 支持语种 支持如下语种： 关键字 语种 arabic 美 /ˈærəbɪk/ 阿拉伯语 armenian 美 /ɑːrˈmiːniən/ 亚美尼亚语 basque 美 /bæsk,bɑːsk/ 巴斯克语 bengali 美 /beŋˈɡɑːli/ 孟加拉语 brazilian 美 /brəˈzɪliən/ 巴西语 bulgarian 美 /bʌlˈɡeriən/ 保加利亚语 catalan 美 /ˈkætəlæn/ 加泰罗尼亚语 cjk 中日韩统一表意文字 czech 美 /tʃek/ 捷克语 danish 美 /ˈdeɪnɪʃ/ 丹麦语 dutch 美 /dʌtʃ/ 荷兰语 english 美 /ˈɪŋɡlɪʃ/ 英语 estonian 美 /eˈstoʊniən/ 爱沙尼亚语 finnish 美 /ˈfɪnɪʃ/ 芬兰语 french 美 /frentʃ/ 法语 galician 美 /ɡəˈlɪʃn/ 加里西亚语 german 美 /ˈdʒɜːrmən/ 德语 greek 美 /ɡriːk/ 希腊语 hindi 美 /ˈhɪndi/ 北印度语 hungarian 美 /hʌŋˈɡeriən/ 匈牙利语 indonesian 美 /ˌɪndəˈniːʒn/ 印度尼西亚语 irish 美 /ˈaɪrɪʃ/ 爱尔兰语 italian 美 /ɪˈtæliən/ 意大利语 latvian 美 /ˈlætviən/ 拉脱维亚语 lithuanian 美 /ˌlɪθuˈeɪniən/ 立陶宛语 norwegian 美 /nɔːrˈwiːdʒən/ 挪威语 persian /‘pɜːrʒən/ 波斯语 portuguese 美 /ˌpɔːrtʃʊˈɡiːz/ 葡萄牙语 romanian 美 /ro’menɪən/ 罗马尼亚语 russian 美 /ˈrʌʃn/ 俄语 sorani 索拉尼语 spanish 美 /ˈspænɪʃ/ 西班牙语 swedish 美 /ˈswiːdɪʃ/ 瑞典语 turkish 美 /ˈtɜːrkɪʃ/ 土耳其语 thai 美 /taɪ/ 泰语 使用案例 下面我们使用英语进行分析 原始内容 COPY"In 2020, Java is the best language in the world." 测试分词 COPYGET _analyze { "text":"In 2020, Java is the best language in the world.", "analyzer":"english" } 自定义分词器 当内置的分词器无法满足需求时，可以创建custom类型的分词器。 配置参数 参数 描述 tokenizer 内置或定制的tokenizer.(必须) char_filter 内置或定制的char_filter(非必须) filter 内置或定制的token filter(非必须) position_increment_gap 当值为文本数组时，设置改值会在文本的中间插入假空隙。设置该属性，对与后面的查询会有影响。默认该值为100. 创建索引 上面的示例中定义了一个名为my_custom_analyzer的分词器 该分词器的type为custom，tokenizer为standard，char_filter为hmtl_strip,filter定义了两个分别为：lowercase和asciifolding COPYPUT my_index { "settings": { "analysis": { "analyzer": { "my_custom_analyzer":{ "type":"custom", "tokenizer":"standard", "char_filter":["html_strip"], "filter":["lowercase","asciifolding"] } } } } } 使用案例 原始内容 COPYIs this <b>déjà vu</b>? 测试分词 COPYPOST my_index/_analyze { "text": "Is this <b>déjà vu</b>?", "analyzer": "my_custom_analyzer" } 中文分词器 IKAnalyzer IKAnalyzer是一个开源的，基于java的语言开发的轻量级的中文分词工具包 从2006年12月推出1.0版开始，IKAnalyzer已经推出了3个大版本，在 2012 版本中，IK 实现了简单的分词歧义排除算法，标志着 IK 分词器从单纯的词典分词向模拟语义分词衍化 使用IK分词器 IK提供了两个分词算法: ik_smart：最少切分。 ik_max_word：最细粒度划分。 ik_smart 使用案例 原始内容 COPY传智教育的教学质量是杠杠的 测试分词 COPYGET _analyze { "analyzer": "ik_smart", "text": "传智教育的教学质量是杠杠的" } ik_max_word 使用案例 原始内容 COPY传智教育的教学质量是杠杠的 测试分词 COPYGET _analyze { "analyzer": "ik_max_word", "text": "传智教育的教学质量是杠杠的" } 自定义词库 我们在使用IK分词器时会发现其实有时候分词的效果也并不是我们所期待的 问题描述 例如我们输入“传智教育的教学质量是杠杠的”，但是分词器会把“传智教育”进行拆开，分为了“传”，“智”，“教育”，但我们希望的是**“传智教育”可以不被拆开**。 解决方案 对于以上的问题，我们只需要将自己要保留的词，加到我们的分词器的字典中即可 编辑字典内容 进入elasticsearch目录plugins/ik/config中，创建我们自己的字典文件yixin.dic，并添加内容： COPYcd plugins/ik/config echo "传智教育" > custom.dic 扩展字典 进入我们的elasticsearch目录 ：plugins/ik/config，打开IKAnalyzer.cfg.xml文件，进行如下配置： COPYvi IKAnalyzer.cfg.xml #增加如下内容 <entry key="ext_dict">custom.dic</entry> 再次测试 重启ElasticSearch，再次使用kibana测试 COPYGET _analyze { "analyzer": "ik_max_word", "text": "传智教育的教学质量是杠杠的" } 可以发现，现在我们的词汇”传智教育”就不会被拆开了，达到我们想要的效果了 本文由传智教育博学谷狂野架构师教研团队发布。 如果本文对您有帮助，欢迎关注和点赞；如果您有任何建议也可留言评论或私信，您的支持是我坚持创作的动力。 转载请注明出处！
