如何理解Elasticsearch倒排索引与分词

本文主要讲解“如何理解Elasticsearch的倒排索引和分词”。感兴趣的朋友不妨看看。本文介绍的方法简单、快速、实用。让边肖带你学习如何理解Elasticsearch的倒排索引和分词。

1 倒排索引

1.1 书的目录和索引

索引是目录页，根据页码找到内容。

倒排索引就是索引页，根据关键词找到对应的页码。

1.2 搜索引擎

正指数。

文档Id="文档内容和单词之间的相关性。

倒排索引

Word="文档Id关联。

左：正向索引=“右：反向索引”。

倒排索引查询流程

查询包含“搜索引擎”的文档。

倒排索引得到的‘搜索引擎’对应的文档Id为1和3。

通过正向索引查询1和3的完整内容。

返回最终结果。

1.3倒排指数的构成。

1.3.1 单词词典(Term Dictionary )

倒排索引的重要组成部分。

所有文档中记录的单词一般都很大。

将单词的关联信息记录到倒排表中。

字典一般用B树实现，示例如下。

1.3.2 倒排列表(Posting List )

记录单词对应的文档集，文档集由倒排索引项(过账)组成。

过账主要包含以下信息：

文档标识，用于获取原始信息。

词频(TF)，记录该词在文档中的出现次数，用于后续的相关性计算。

位置(位置)

记录短语查询文档中的分词位置。

偏移

记录文档开头和结尾的单词以突出显示。

情况

以搜索引擎为例。

一种结构，在这种结构中，单词词典与倒排表结合在一起。

ES存储JSON格式的文档，其中包含多个字段，每个字段都有自己的倒排索引。

2 分词

将文本转换为一系列单词的过程，也称为文本分析，在es中称为。

Analysis。

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，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

到此，相信大家对“如何理解Elasticsearch倒排索引与分词”有了更深的了解，不妨来实际操作一番吧！这里是网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！