Elasticsearch - 分析

---

当在搜索操作期间处理查询时，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、分词过滤器和字符过滤器组成。如果未定义分析器，则默认情况下内置分析器、令牌、过滤器和分词器将注册到分析模块。

在以下示例中，我们使用标准分析器，在未指定其他分析器时使用该分析器。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"
}

运行上面的代码，我们得到如下所示的响应 -

{
   "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
      }
   ]
}

配置标准分析器

我们可以为标准分析仪配置各种参数，以满足我们的定制要求。

在以下示例中，我们将标准分析器配置为 max_token_length 为 5。

为此，我们首先使用具有 max_length_token 参数的分析器创建一个索引。

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

接下来我们应用带有文本的分析器，如下所示。请注意，令牌不会出现，因为它的开头有两个空格，结尾有两个空格。对于“is”这个词来说，它的开头和结尾都有一个空格。把它们全部加起来，就变成了 4 个带空格的字母，但这并不能使它成为一个单词。至少在开头或结尾应该有一个非空格字符，以使其成为要计数的单词。

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

运行上面的代码，我们得到如下所示的响应 -

{
   "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
      }
   ]
}

各种分析器的列表及其描述如下表所示 -

分词器

分词器用于从 Elasticsearch 中的文本生成标记。通过考虑空格或其他标点符号，可以将文本分解为标记。Elasticsearch 有大量内置分词器，可在自定义分析器中使用。

分词器的一个示例，每当遇到非字母的字符时，它会将文本分解为术语，但它也会将所有术语小写，如下所示 -

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

运行上面的代码，我们得到如下所示的响应 -

{
   "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
      }
   ]
}

分词器列表及其描述如下表所示 -