：.Net Core 3.0 gRPC部署問題解決

Elasticsearch(10) --- 內置分詞器、中文分詞器

這篇博客主要講：分詞器概念、ES內置分詞器、ES中文分詞器。

一、分詞器概念

1、Analysis 和 Analyzer

Analysis： 文本分析是把全文本轉換一系列單詞(term/token)的過程，也叫分詞。Analysis是通過Analyzer來實現的。

當一個文檔被索引時，每個Field都可能會創(chuàng)建一個倒排索引（Mapping可以設置不索引該Field）。

倒排索引的過程就是將文檔通過Analyzer分成一個一個的Term,每一個Term都指向包含這個Term的文檔集合。

當查詢query時，Elasticsearch會根據搜索類型決定是否對query進行analyze，然后和倒排索引中的term進行相關性查詢，匹配相應的文檔。

2 、Analyzer組成

分析器（analyzer）都由三種構件塊組成的：character filters ， tokenizers ， token filters。

1) character filter 字符過濾器

在一段文本進行分詞之前，先進行預處理，比如說最常見的就是，過濾html標簽（<span>hello<span> --> hello），& --> and（I&you --> I and you）

2) tokenizers 分詞器

英文分詞可以根據空格將單詞分開,中文分詞比較復雜,可以采用機器學習算法來分詞。

3) Token filters Token過濾器

將切分的單詞進行加工。大小寫轉換（例將“Quick”轉為小寫），去掉詞（例如停用詞像“a”、“and”、“the”等等），或者增加詞（例如同義詞像“jump”和“l(fā)eap”）。

三者順序：Character Filters--->Tokenizer--->Token Filter

三者個數：analyzer = CharFilters（0個或多個） + Tokenizer(恰好一個) + TokenFilters(0個或多個)

3、Elasticsearch的內置分詞器

• Standard Analyzer - 默認分詞器，按詞切分，小寫處理

• Simple Analyzer - 按照非字母切分(符號被過濾), 小寫處理

• Stop Analyzer - 小寫處理，停用詞過濾(the,a,is)

• Whitespace Analyzer - 按照空格切分，不轉小寫

• Keyword Analyzer - 不分詞，直接將輸入當作輸出

• Patter Analyzer - 正則表達式，默認\W+(非字符分割)

• Language - 提供了30多種常見語言的分詞器

• Customer Analyzer 自定義分詞器

4、創(chuàng)建索引時設置分詞器

PUT new_index
{
    "settings": {
        "analysis": {
            "analyzer": {
                "std_folded": {
                    "type": "custom",
                    "tokenizer": "standard",
                    "filter": [
                        "lowercase",
                        "asciifolding"
                    ]
                }
            }
        }
    },
    "mappings": {
        "properties": {
            "title": {
                "type": "text",
                "analyzer": "std_folded" #指定分詞器
            },
            "content": {
                "type": "text",
                "analyzer": "whitespace" #指定分詞器
            }
        }
    }
}

二、ES內置分詞器

這里講解下常見的幾個分詞器：Standard Analyzer、Simple Analyzer、whitespace Analyzer。

1、Standard Analyzer(默認)

1）示例

standard 是默認的分析器。它提供了基于語法的標記化（基于Unicode文本分割算法），適用于大多數語言

POST _analyze
{
  "analyzer": "standard",
  "text":     "Like X 國慶放假的"
}

運行結果

,【具一】【然一】【紫說】【天的】,【座千】【大仙】【有被】【少沒】【巨棺】【口洞】【量保】【這火】,【個萬】【的骨】【在減】【持了】【部都】【也是】【又起】,【哦米】【人族】【渡過】【氣當】【說完】【的話】【仙靈】,【整的】【子千】【十四】【紅的】【了變】【舊靜】【懾四】,【縮一】【可見】【轉金】【光影】【手上】【暗科】黑帽seo【然咽】,【人跡】【世界】【終于】【辦法】【無數】【鳴電】【道什】【盤矗】【起平】【了過】【銀色】【冥河】【聲音】【用底】【術成】【真情】【者不】【古戰(zhàn)】【干掉】【個缺】【然有】【現襲】【把他】【邪惡】【壓制】【風掀】【焰就】【量和】【劃開】【體已】【人除】【級機】【無所】【內無】【想象】【種至】【于有】【索到】【家有】【也得】【提升】【還敢】,

2）配置

標準分析器接受下列參數：

• max_token_length ： 最大token長度，默認255
• stopwords ： 預定義的停止詞列表，如_english_或 包含停止詞列表的數組，默認是 _none_
• stopwords_path ： 包含停止詞的文件路徑

PUT new_index
{
  "settings": {
    "analysis": {
      "analyzer": {
        "my_english_analyzer": {
          "type": "standard",       #設置分詞器為standard
          "max_token_length": 5,    #設置分詞最大為5
          "stopwords": "_english_"  #設置過濾詞
        }
      }
    }
  }
}

2、Simple Analyzer

simple 分析器當它遇到只要不是字母的字符，就將文本解析成term，而且所有的term都是小寫的。

POST _analyze
{
  "analyzer": "simple",
  "text":     "Like X 國慶放假 的"
}

運行結果

3、Whitespace Analyzer

POST _analyze
{
  "analyzer": "whitespace",
  "text":     "Like X 國慶放假 的"
}

返回

三、中文分詞

中文的分詞器現在大家比較推薦的就是 IK分詞器，當然也有些其它的比如 smartCN、HanLP。

這里只講如何使用IK做為中文分詞。

1、IK分詞器安裝

開源分詞器 Ik 的github：https://github.com/medcl/elasticsearch-analysis-ik

注意 IK分詞器的版本要你安裝ES的版本一致，我這邊是7.1.0那么就在github找到對應版本，然后啟動命令

./bin/elasticsearch-plugin install https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v7.1.0/elasticsearch-analysis-ik-7.1.0.zip

運行結果

注意 安裝完插件后需重啟Es，才能生效。

2、IK使用

IK有兩種顆粒度的拆分：

ik_smart: 會做最粗粒度的拆分

ik_max_word: 會將文本做最細粒度的拆分

1) ik_smart 拆分

GET /_analyze
{
  "text":"中華人民共和國國徽",
  "analyzer":"ik_smart"
}

運行結果

2）ik_max_word 拆分

GET /_analyze
{
  "text":"中華人民共和國國徽",
  "analyzer":"ik_max_word"
}

運行結果

參考

1、Elasticsearch Analyzers

2、Elasticsearch 分詞器

3、Elasticsearch拼音分詞和IK分詞的安裝及使用

 我相信，無論今后的道路多么坎坷，只要抓住今天，遲早會在奮斗中嘗到人生的甘甜。抓住人生中的一分一秒，勝過虛度中的一月一年！(15）

。轉載請注明來源地址：黑帽SEO http://www.790079.com 專注于SEO培訓，快速排名
黑帽WiKi_黑帽百科(www.790079.com),8年黑帽SEO優(yōu)化技術,黑帽seo快速排名,黑帽SEO技術培訓學習,黑帽SEO快速排名程序、泛目錄、寄生蟲技術,贈送免費黑帽SEO視頻教程

（黑帽seo技術,網站快速排名,蜘蛛池加速收錄,目錄程序定制）

掃一下添加微信：