ElasticSearch分词原理

术语

• term：分词
• analyzer： 分析器
• CharFilters：字符过滤器
• Tokenizer：分词器
• TokenFilters：分词过滤器

Analysis 简介

当一个文档被索引时，每个field都可能会创建一个倒排索引（如果mapping的时候没有设置不索引该field）。倒排索引的过程就是将文档通过analyzer分成一个一个的term,每一个term都指向包含这个term的文档集合。当查询query时，elasticsearch会根据搜索类型决定是否对query进行analyze，然后和倒排索引中的term进行相关性查询，匹配相应的文档

CharFilters：使用字符过滤器转变字符
Tokenizer：将文本切分单个或者多个分词
TokenFilters：使用分词过滤器转变每个分词

analyzer = CharFilters（0个或多个） + Tokenizer(恰好一个) + TokenFilters(0个或多个)

执行顺序：CharFilters->Tokenizer->TokenFilters

CharFilters：HTML Strip, mapping,pattern 三种，mapping字符过滤器和分词过滤器中同义词过滤容易混淆
Tokenizer：分类三个大类，word oriented,partial word,struct text, 其中word oriented中的standard分词器用的最多，partial word中的nGram分析器用的较多

index analyzer VS search analyzer

如果mapping中只设置了一个analyzer，那么这个analyzer会同时用于索引文档和搜索query。当然索引文档和对query进行analysis也可以使用不同的analyzer

一个特殊的情况是有的query是需要被analyzed，有的并不需要。例如match query会先用search analyzer进行分析，然后去相应field的倒排索引进行匹配。而term query并不会对query内容进行分析，而是直接和相应field的倒排索引去匹配

Analyze API

Analyze API是一个有效的方式查看分析后的结果：

POST _analyze
{
    "analyzer" : "standard",
    "text" : "hello, world"
}

输出的结果如下所示，即[hello, world]：

自定义分析器

{
            "index": {
                "number_of_shards": "1",
                "provided_name": "stock_basic_info",
                "creation_date": "1562167043908",
                "analysis": {
                    "analyzer": {
                        "ngram_analyzer": {
                            "type": "custom",
                            "tokenizer": "ngram_tokenizer"
                        }
                    },
                    "tokenizer": {
                        "ngram_tokenizer": {
                            "type": "nGram",
                            "min_gram": "1",
                            "max_gram": "20"
                        }
                    }
                },
                "number_of_replicas": "0",
                "uuid": "VHpU8lzRTliQ7SeU0kRevQ",
                "version": {
                    "created": "5060899"
                }
            }
        }

使用自定义分析器

curl -X POST \
  'http://192.168.1.100:9200/stock_basic_info/_analyze?=' \
  -H 'Content-Type: application/json' \
  -d '{
  "analyzer": "ngram_analyzer",
  "text": "000001.SZ"
}'

全局配置vs动态配置

配置分析器可以在配置文件中全局配置，也可以在创建时指定分析器，全局配置使用起来简单，灵活性差，需要重启才能生效，动态配置使用复杂，灵活性强，实时生效

参考来源

• https://njucz.github.io/2017/12/20/elasticsearch%20ngram,edgengram%E7%AC%94%E8%AE%B0/