ElasticSearch中常见的分词器介绍

前言

ElasticSearch是一个高效的分布式搜索引擎，其中分词器是它的核心组件之一，平常开发中选择一个合适的分词器可以很大程度上提高检索效率，所以特意花点时间快速了解ElasticSearch中各大常见的分词器，本文也将分别介绍ElasticSearch中常见的几大分词器的特点、适用场景，以及如何使用

推荐阅读：

• ElasticSearch快速入门_知识汲取者的博客-CSDN博客

分词器的作用

分词器是在搜索引擎和文本处理中起关键作用的组件，它负责将文本切分成一个个有意义的词语，以建立索引或进行搜索和分析。

上面可能说的有一些太官方了，详细点说就是，ES搜索引擎是根据词条进行检索的，这里的词条相当于MySQL中的索引，是ElasticSearch能实现海量数据高效检索的核心，在MySQL中，如果我们不恰当的建立索引，就会影响数据库的查询性能，比如我们为区分度不大的字段建立索引，SQL优化器评测发现走索引性能和全表扫描的性能差不多，这时候就直接进行全表扫描了，此时索引就一点作用都没有了，同理这个分词也是一样的道理，他都目的也是将一个一句话分成若干个词条，以词条为索引，以此来提高检索的效率和检索的正确性。

再举一个实际的例子，比如这里有一句话“他们在商店买了一些苹果手机和一些苹果”，如果我们分词时将苹果手机进行拆分，我们搜索苹果手机，可能无法搜索出带有苹果手机的文档

他们 在 商店 买 一些 苹果 手机 和 一些 苹果

而一下的分词，则可以正确搜索出带有苹果手机的词条

他们 在 商店 买 了 一些 苹果手机 和 一些 苹果

• 文本切分： 分词器根据一定的规则将文本切分为单个的词语或词汇单元。这个过程通常涉及到处理空格、标点符号、停用词等。
• 标准化： 分词器可以对词语进行标准化，例如将所有字符转为小写，以实现大小写不敏感的搜索。这有助于提高搜索的准确性。
• 去除停用词： 分词器通常会去除一些常见的停用词，这些词语在搜索中往往没有实际的意义，例如 “and”, “the”, “is” 等。
• 词干化： 对于词语的各种形式（如单数和复数、动词的不同时态等），分词器可以将它们转化为同一个基本形式，以提高搜索的准确性。
• 自定义规则： 分词器允许用户根据具体需求定义自己的切分规则、标准化规则等，以适应特定的搜索场景。
• 支持多语言： 对于全球化的应用，分词器能够支持多种语言，包括中文、英文、法文等，以确保对不同语言的文本都能有效地进行处理。
• 支持搜索建议： 通过使用边缘 n-gram 等技术，分词器可以支持搜索建议功能，提供更智能的搜索提示。

如何指定分词器

• 方式一：创建索引时，通过映射直接指定分词器

  PUT /your_index_name
  {"mappings": {"properties": {"your_field_name": {"type": "text","analyzer": "your_analyzer_name"},// other fields...}}
  }
  

• Step2：修改索引时，通过修改映射修改分词器

  PUT /your_index_name/_mapping
  {"properties": {"your_field_name": {"type": "text","analyzer": "your_analyzer_name"},// other fields...}
  }
  

注意：

1. 如果不指定分词器，则默认使用标准分词器 standard
2. 不同的字段可以使用不同的分词器，根据实际需求选择适当的分词策略
3. ElasticSearch默认自带Standard Analyzer、Whitespace Analyzer、Simple Analyzer、Keyword Analyzer、Stop Analyzer等分词器，其它分词器，比如：IK Analyzer需要手动下载

分词器的组成

分词器主要由以下三部分组成

• Character Filters（字符过滤器）：这一步针对原始文本进行预处理，对文本中的字符进行修改或删除。例如，去除 HTML 标签、替换特定字符等。
• Tokenizer（分词器）：分词器将经过字符过滤器处理后的文本切分成一个个的词条，形成一个词条流。切分的规则可以是按空格、标点符号等，或者根据某种特定的算法，比如边缘 n-gram。
• Token Filters（词汇过滤器）：这一步对切分后的词条流进行进一步的处理。可以进行词条的大小写转换、删除停用词（常用但无实际意义的词语）、词干化等操作。词汇过滤器对于调整文本以适应索引和搜索的需求非常重要。

分词器的类型

分词器	分词依据	特点
Standard Analyzer	空格、标点符号	小写化处理、过滤符号
Whitespace Analyzer	空格	不进行小写化处理、保留所有字符
Simple Analyzer	非字母（符号、数字）	小写化处理、过滤符号、支持中文拼音分词
Keyword Analyzer	无	将整个输入作为一个词条
Stop Analyzer	空格	小写化处理、过滤停用词
IK Analyzer	词典	中文分词
Edge NGram Analyzer	n-gram	按指定步长进行分词
Pattern Analyzer	正则匹配字符	较为灵活
Language Analyzer	空格	支持多国语言
Custom Analyzer	自定义	灵活

标准分词器

• Standard Analyzer（默认）：

  • 类型： standard
  • 特点：
    1. 根据空格和标点符号分割文本
    2. 进行小写化处理
    3. 过滤符号
  • 适用场景：适用于通用的全文搜索

  示例：

  原始文本："The quick brown fox jumps over the lazy dog."
  分词结果：["the", "quick", "brown", "fox", "jumps", "over", "the", "lazy", "dog"]
  

空格分词器

• Whitespace Analyzer:

  • 类型： whitespace
  • 特点：
    1. 根据空格分割文本
    2. 不进行小写化
    3. 保留所有字符
  • 适用场景：适用于不需要额外处理的精确匹配场景。

  示例：

  原始文本："The quick brown fox jumps over the lazy dog."
  分词结果：["The", "quick", "brown", "fox", "jumps", "over", "the", "lazy", "dog."]
  

简单分词器

• Simple Analyzer:

  • 类型： simple

  • 特点：

    1. 按非字母切分
    2. 连续的数字为一个词条
    3. 进行小写处理
    4. 过滤符号
    5. 中文字单独建索引，并且把中文字转成拼音后也建搜索，这样就能同时支持中文和拼音检索。另外把拼音首字母也建索引，这样搜索 zjl 就能命中 “周杰伦”。

  • 适用场景：适用一些简单的中文分词

  示例：

  原始文本："The quick brown fox jumps over the lazy dog."
  分词结果：["the", "quick", "brown", "fox", "jumps", "over", "the", "lazy", "dog"]
  

关键词分词器

• Keyword Analyzer:

  • 类型： keyword
  • 特点： 将整个输入视为单个关键字，不进行分词。
  • 适用场景：适用于不需要分词的场景，比如精确匹配。

  示例：

  原始文本："The quick brown fox jumps over the lazy dog."
  分词结果：["The quick brown fox jumps over the lazy dog."]
  

停用词分词器

• Stop Analyzer:

  • 类型： stop
  • 特点：
    1. 去除停用词（is、a、the……）
    2. 根据空格分割文本
    3. 进行小写化处理。
  • 适用场景：适用于需要去除常见停用词的场景。

  示例：

  原始文本："The quick brown fox jumps over the lazy dog."
  分词结果：["quick", "brown", "fox", "jumps", "over", "lazy", "dog"]
  

IK分词器

• IK Analyzer:

  详情请参考：https://github.com/medcl/elasticsearch-analysis-ik

  • 类型：
    • ik_max_word ：会将文本做最细粒度的拆分，会穷尽各种可能的组合，适合 Term Query
    • ik_smart：会做最粗粒度的拆分，不会对同一个词进行重复分词，适合 Phrase 查询
  • 适用场景：适用于中文文本分析。

  示例：

  原始文本："中华人民共和国国歌"
  ik_max_word分词结果：["中华人民共和国", "中华人民", "中华", "华人", "人民共和国", "人民", "人", "民", "共和国", "共和", "和", "国国", "国歌"]
  ik_smart分词结果：["中华人民共和国", "国歌"]
  

• ik分词器的使用步骤

  • Step1：下载ik分词器
  • Step2：将下载的压缩包解压到 Elasticsearch 插件目录（plugins 文件夹）中
  • Step3：重启ElasticSearch
  • Step4：直接指定即可

NGram分词器

• NGram Analyzer:

  详情参考：ElasticSearch之ngram分词器-CSDN博客

  • 类型：

    • edge_ngram：从单词的开头提取 n-gram
    • ngram：在整个单词中提取 n-gram

  • 适用场景：适用于前缀搜索和搜索建议

  示例：

  原始文本："I am Chinese."edge_ngram分词结果：
  n=2（bigram）: ["I am", "am Chinese."]
  n=3（trigram）: ["I am Chinese."]
  n=4（four-gram）: ["I am Chinese."]ngram分词结果：
  n=2（bigram）: ["I am", "am Chinese."]
  n=3（trigram）: ["I am Chinese."]
  n=4（four-gram）: ["I am Chinese."]
  

  备注：

  1. NGram Analyzer 不会过滤符号
  2. NGram Analyzer默认的步长是1

  {"settings": {// 创建分词器"analysis": {"analyzer": {"my_edge_ngram_analyzer": {"tokenizer": "standard", // 指定分词器"filter": ["my_edge_ngram_filter"] // 指定词汇过滤器}},"filter": {"my_edge_ngram_filter": {"type": "edge_ngram","min_gram": 1, // 词汇最小长度为一个字符，注意：一个单词、数字、中文都是一个字符"max_gram": 10 // 词汇最大长度为10个字符}}}},"mappings": {"properties": {"content": {"type": "text","analyzer": "my_edge_ngram_analyzer" // 使用我们配置的分词器}}}
  }
  

  知识拓展：n-gram 概念

  n-gram 是一种文本处理的方法，其中 “n” 表示包含的元素的数量。在自然语言处理和信息检索中，n-gram 通常指的是连续的 n 个单词（或字符）序列。

  • Unigram（1-gram）： 包含一个单词的序列。例如，对于句子 “The quick brown fox”，每个单词都是一个 unigram。
  • Bigram（2-gram）： 包含两个相邻单词的序列。例如，对于句子 “The quick brown fox”，bigrams 包括 “The quick”、“quick brown”、“brown fox”。
  • Trigram（3-gram）： 包含三个相邻单词的序列。例如，对于句子 “The quick brown fox”，trigrams 包括 “The quick brown”、“quick brown fox”。

  这个 n 表示按照几个单词来进行划分

正则匹配分词器

• Pattern Analyzer
  • 类型：pattern
  • 特点：根据正则匹配进行分词

{"settings": {"analysis": {"analyzer": {"my_pattern_analyzer": {"type": "pattern","pattern": "\\W+"  // 正则表达式模式，表示使用非单词字符作为分隔符}}}},"mappings": {"properties": {"content": {"type": "text","analyzer": "my_pattern_analyzer"}}}
}

上诉配置的 Pattern Analyzer 与 Standard Analyzer的效果是一模一样的

语言分词器

• Language Analyzer
  • 类型
    • english：英语分词器
    • french：法语分词器
  • 特点：
    1. 支持多个不同国家语言的分词，但就是没有支持中文的（中文分词器还得靠国内大佬或机构开发）
    2. 应用英文的 Stop Analyzer（停用词过滤器）
    3. 单词小写化
    4. 不会过滤符号
  • 适用场景：一些国际化的软件可能会用，但是面向国内用户基本上用不上

{"mappings": {"properties": {"content": {"type": "text","analyzer": "english"}}}
}

原始文本："The quick brown fox jumps over the lazy dog."
分词结果：["quick", "brown", "fox", "jumps", "over", "lazy", "dog"]

自定义分词器

• Custom Analyzer:

  • 类型： custom

  • 特点： 可以根据具体需求自定义分词器，包括指定分词器、字符过滤器、标记过滤器等。

  • 适用场景：现有分词器不满足当前功能，或者想要实现更加高效且灵活的分词

• 实现自定义分词器的步骤：

  • Step1：定义字符过滤器（Char Filter），可以通过字符过滤器执行预处理，例如删除 HTML 标签或进行字符替换。
  • Step2：定义分词器（Tokenizer）， 分词器负责将文本切分为单词或词条。可以选择现有的分词器，也可以创建自定义的分词逻辑。
  • Step3：定义词汇过滤器（Token Filter） ，可以通过词汇过滤器对切分后的单词进行进一步处理，例如小写处理、停用词过滤、同义词处理等。
  • Step4：创建 Custom Analyzer ，将定义的字符过滤器、分词器和词汇过滤器组合成一个自定义的 Custom Analyzer。
  • Step5：将 Custom Analyzer 应用到字段 ，在创建索引时，将自定义的 Custom Analyzer 分配给相应的字段。

示例：

在下面的示例中，my_analyzer 是一个自定义的 Custom Analyzer，包含了一个 HTML 标签过滤器、标准分词器和小写过滤器。该分析器被应用于名为 “content” 的字段。实际上，你可以根据需求自定义各个组件，以满足你的分词需求。

{"settings": {"analysis": {// 指定字符过滤器"char_filter": {"my_char_filter": {"type": "html_strip" // 去除文本中的 HTML 标签的字符过滤器}},// 指定分词器"tokenizer": {"my_tokenizer": {"type": "standard" // 指定标准分词器，按照标准分词器进行分词}},// 指定词汇过滤器"filter": {"my_filter": {"type": "lowercase" // 小写化处理}},// 创建自定义分词器"analyzer": {"my_analyzer": {"type": "custom","char_filter": ["my_char_filter"],"tokenizer": "my_tokenizer","filter": ["my_filter"]}}}},"mappings": {"properties": {"content": { // 给 content 字段应用 自定义分词器"type": "text","analyzer": "my_analyzer"}}}
}

原始文本：<p>This is <strong>bold</strong> text.</p>
分词结果：["this", "is", "bold", "text"]

参考资料：

• Anatomy of an analyzer | Elasticsearch Guide 8.11| Elastic
• ElasticSearch 分词器，了解一下 - 知乎 (zhihu.com)