一文讲透Elasticsearch倒排索引与分词

 

1 倒排索引

1.1 书的文讲目录和索引

正排索引即目录页，根据页码去找内容

倒排索引即索引页，倒排根据关键词去找对应页码

1.2 搜索引擎

正排索引

          文档Id =》文档内容、索引单词的分词关联关系

倒排索引

           单词 =》 文档Id的关联关系

左：正排索引 =》 右：倒排索引

倒排索引查询流程

查询包含"搜索引擎”的文档

通过倒排索引获得"搜索引擎”对应的文档Id有1和3 通过正排索引查询1和3的完整内容 返回最终结果

1.3 倒排索引的组成

1.3.1 单词词典( Term Dictionary )

倒排索引的重要组成

记录所有文档的单词 ，一般都比较大 记录单词到倒排列表的文讲关联信息

单词字典的实现一般是用B+ Tree ,示例如下

1.3.2 倒排列表( Posting List )

记录了单词对应的文档集合，由倒排索引项( Posting )组成。倒排

倒排索引项( Posting )主要包含如下信息：

文档Id ,索引用于获取原始信息 单词频率( TF, Term Frequency )，记录该单词在该文档中的分词出现次数，用于后续相关性算分 位置( Position) 记录单词在文档中的文讲分词位置(多个) , 用于做词语搜索( Phrase Query ) 偏移( Offset )

记录单词在文档的开始和结束位置,用于做高亮显示

案例

以搜索引擎为例

单词字典与倒排列表整合在一起的结构

ES存储的是JSON格式文档，其中包含多个字段，倒排每个字段都有自己的索引倒排索引。

2 分词

将文本转换成一系列单词的分词过程，也称文本分析，服务器租用文讲在 ES 里称为 Analysis。倒排

比如文本【JavaEdge 是索引最硬核的公众号】，分词结果是【JavaEdge、硬核、公众号】

2.1 Analyzer-分词器

分词器是 ES 专门处理分词的组件，组成如下：

2.1.1 Character Filters

在Tokenizer之前对原始文本进行处理,比如增加、删除或替换字符等。

针对原始文本进行处理，比如去除 html 特殊标记符，自带的如下：

HTML Strip 去除 html 标签和转换 html 实体 Mapping 进行字符替换操作 Pattern Replace 进行正则匹配替换

会影响后续tokenizer解析的postion和offset信息

2.1.2 Tokenizer

将原始文本按照一定规则切分为单词，内置：

standard 按单词进行分割 letter 按非字符类进行分割 whitespace 按空格进行分割 UAX URL Email 按 standard 分割，但不会分割邮箱和 url NGram 和 Edge NGram 连词分割 Path Hierachy 按文件路径进行分割

示例：

POST _analyze{ "tokenizer":"path_hierarchy", "text":"/one/two/three"}

2.1.3 Token Filters

针对 tokenizer 处理的单词进行再加工，比如转小写、删除或新增等处理，内置：

lowercase 将所有 term 转换为小写 stop 删除 stop words NGram 和 Edge NGram 连词分割 Synonym 添加近义词的 term

示例

// filter 可以有多个 POST _analyze {      "text":"a Hello world!",     "tokenizer":"standard",     "filter":[     "stop", // 把 a 去掉了     "lowercase",// 小写     {          "type":"ngram",         "min_gram":"4",         "max_gram":"4"     }     ] } // 得到 hell、ello、worl、orld 

 

分词器的调用顺序

3 Analyze API

ES 提供了一个测试分词的 API 接口，方便验证分词效果，endpoint 是 _analyze：

3.1 指定 analyzer

request

POST _analyze {      "analyzer":"standard", # 分词器     "text":" JavaEdge 公众号" # 测试文本 } 

response

{    "tokens" : [     {        "token" : "java", # 分词结果       "start_offset" : 1, # 起始偏移       "end_offset" : 5, # 结束偏移       "type" : "<ALPHANUM>",       "position" : 0 # 分词位置     },     {        "token" : "edge",       "start_offset" : 6,       "end_offset" : 10,       "type" : "<ALPHANUM>",       "position" : 1     }   ] } 

 

3.2 指定索引中的字段

POST  测试的高防服务器索引/_analyze   {      "field":"username", # 测试字段     "text":"hello world" # 测试文本 } 

  

3.3 自定义分词器

POST _analyze {      "tokenizer":"standard",     "filter":["lowercase"], # 自定义     "text":"hello world" } 

之前的默认分词器大写

 

自定义小写分词器

4 内置分词器

Standard Analyzer

默认分词器，按词切分，支持多语言，小写处理

Simple Analyzer

按照非字母切分，小写处理

Whitespace Analyzer

按空格切分

Stop Analyzer

Stop Word 指语气助词等修饰性词语，比如 the、an、的、这等等，特性是相比 Simple Analyzer 多 Stop Word 处理

  

keyword Analyzer

不分词，直接将输入作为一个单词输出

 

Pattern Analyzer

通过正则表达式自定义分隔符，默认 \W+，即非字词的符号为分隔符

 Language Analyzer

提供了 30+ 常见语言的分词器

5 中文分词

将一个汉字序列切分成一个个单独的词。在英文中，单词之间是以空格作为自然分界符，汉语中词没有一个形式上的分界符。而且中文博大精深，上下文不同，分词结果也大不相同。

比如：

乒乓球拍/卖/完了 乒乓球/拍卖/完了

以下是 ES 中常见的分词系统：

IK

实现中英文单词的切分，可自定义词库，支持热更新分词词典

jieba

python 中最流行饿分词系统，站群服务器支持分词和词性标注，支持繁体分词，自定义词典，并行分词

以下是基于自然语言处理的分词系统：

Hanlp

由一系列模型与算法组成的 java 工具包，支持索引分词、繁体分词、简单匹配分词(极速模式)、基于 CRF 模型的分词、N- 最短路径分词等，实现了不少经典分词方法。目标是普及自然语言处理在生产环境中的应用。

https://github.com/hankcs/HanLP

THULAC

THU Lexical Analyzer for Chinese ,由清华大学自然语言处理与社会人文计算

           实验室研制推出的一套中文词法分析工具包，具有中文分词和词性标注功能

            https://github.com/microbun/elasticsearch-thulac-plugin

6 自定义分词器

当自带的分词无法满足需求时，可以自定义分词器，通过定义 Character Filters、Tokenizer、Token Filter 实现。自定义的分词需要在索引的配置中设定，示例如下所示：

自定义如下分词器

// 自定义分词器 PUT test_index_name {    "settings":{       "analysis":{        "analyzer":{          "my_customer_analyzer":{            "type":"custome",           "tokenizer":"standard",           "char_filter":["html_strip"],           "filter":["lowercase", "asciifolding"]         }       }     }   } } // 测试自定义分词器效果： POST test_index/_analyze {    "tokenizer":"keyword",   "char_filter":["html_strip"],   "text":"Is this <b>a box</b>?" } // 得到 is、this、a、box 

7 分词使用说明

分词会在如下两个时机使用：

创建或者更新文档时(Index Time)

会对相应的文档进行分词处理

索引时分词是通过配置Index Mapping中每个字段的analyzer属性实现的。不指定分词时，使用默认standard。

查询时(Search Time)

会对查询语句进行分词。查询时分词的指定方式：

查询的时候通过analyzer指定分词器 通过index mapping设置 search_analyzer 实现

分词的最佳实践

明确字段是否需要分词，不需要分词的字段就将 type 设置为 keyword，可以节省空间和提高写性能。 善用 _analyze API,查看文档的具体分词结果 多动手测试

参考

https://blog.csdn.net/weixin_38118016/article/details/90416391 https://mp.weixin.qq.com/s?__biz=MzU1NDA4NjU2MA==&mid=2247486148&idx=1&sn=817027a204650763c1bea3e837d695ea&source=41#wechat_redirect

 【编辑推荐】

比特币跳水3000美元的3个原因，为什么它继续看涨？ 使用你喜欢的编程语言，将基础设施作为代码进行配置 2020年，值得收藏的50多种Kubernetes工具 应对“删库跑路”的一种解决思路 10个让你进入Emacs世界的技巧