Elastic学习之旅 (5) 倒排索引和Analyzer分词

大家好，我是Edison。

上一篇：ES文档的CRUD操作

重要概念1：倒排索引

在学习ES时，倒排索引是一个非常重要的概念。要了解倒排索引，就得先知道什么是正排索引。举个简单的例子，书籍的目录页（从章节名称快速知道页码）其实就是一个典型的正排索引。

而一般书籍的末尾部分的索引页，则是一个典型的倒排索引，是从关键词 到 章节名称 / 页码。

由上可知，对于图书来讲：目录页就是正排索引，索引页就是倒排索引。

而对于搜索引擎来讲：文档ID到文档内容和单词的关联是正排索引，而单词到文档ID的关系则是倒排索引。

我们可以从下面的两个表格来感受下正排索引和倒排索引的区别：

倒排索引的核心内容

倒排索引包含两个部分：

• 单词词典（Term Dictionary）：记录所有文档的单词，记录单词到倒排列表的关联关系。单词词典一般都很大，一般都通过B+树 或 哈希拉链法 实现，以满足高性能的插入和查询。

• 倒排列表（Posting List）：记录了单词对应的文档结合，由倒排索引项组成。倒排索引项（Posting）包括 文档ID、词频（TF，该单词在文档中出现的次数，用于相关性评分）、位置（Postion，单词在文档中分词的位置，用于语句搜索） 以及 偏移（Offset，记录单词的开始结束为止，实现高亮显示）

下图展示了ES中的一个例子：

ES中的JSON文档中的每个字段，都有自己的倒排索引。当然，我们可以指定对某些字段不做索引，以节省存储空间，但是这些字段就无法被搜索。

重要概念2：Analyzer

在ES中文本分析是其最常见的功能之一，文本分析（Analysis）是把全文转换为一系列单词（term）的过程，也叫作分词。

文本分析是通过Analyzer来实现，我们可以使用ES内置的分析器，也可以按需定制分析器。

除了在数据写入时会进行全文转换词条，在匹配Query语句时也需要用相同的分析器对查询语句进行分析。

ES中的内置分词器

• Standard Analyzer - 默认分词器，按词切分，小写处理

• Simple Analyzer - 按照非字母切分（符号被过滤），小写处理

• Stop Analyzer - 小写处理，停用词过滤（the, a, is）

• Whitespace Analyzer - 按照空格切分，不转小写

• Keyword Analyzer - 不分词，直接将输入当做输出

• Patter Analyzer - 正则表达式，默认 \W+（非字符分隔）

• Language - 提供了30多种常见语言的分词器

• Custom Analyzer - 自定义分词器

通过Analyzer进行分词

这里，我们来用_analyzer API做一些demo：

（1）Standard Analyzer

GET /_analyze
{
  "analyzer": "standard",
  "text": "2 running Quick brown-foxes leap over lazy dogs in the summer evening."
}

分词结果：按词切分，默认小写（Quick被转成了quick）

{
  "tokens" : [
    {
      "token" : "2",
      "start_offset" : 0,
      "end_offset" : 1,
      "type" : "<NUM>",
      "position" : 0
    },
    {
      "token" : "running",
      "start_offset" : 2,
      "end_offset" : 9,
      "type" : "<ALPHANUM>",
      "position" : 1
    },
    {
      "token" : "quick",
      "start_offset" : 10,
      "end_offset" : 15,
      "type" : "<ALPHANUM>",
      "position" : 2
    },
    {
      "token" : "brown",
      "start_offset" : 16,
      "end_offset" : 21,
      "type" : "<ALPHANUM>",
      "position" : 3
    },
    {
      "token" : "foxes",
      "start_offset" : 22,
      "end_offset" : 27,
      "type" : "<ALPHANUM>",
      "position" : 4
    },
    {
      "token" : "leap",
      "start_offset" : 28,
      "end_offset" : 32,
      "type" : "<ALPHANUM>",
      "position" : 5
    },
    {
      "token" : "over",
      "start_offset" : 33,
      "end_offset" : 37,
      "type" : "<ALPHANUM>",
      "position" : 6
    },
    {
      "token" : "lazy",
      "start_offset" : 38,
      "end_offset" : 42,
      "type" : "<ALPHANUM>",
      "position" : 7
    },
    {
      "token" : "dogs",
      "start_offset" : 43,
      "end_offset" : 47,
      "type" : "<ALPHANUM>",
      "position" : 8
    },
    {
      "token" : "in",
      "start_offset" : 48,
      "end_offset" : 50,
      "type" : "<ALPHANUM>",
      "position" : 9
    },
    {
      "token" : "the",
      "start_offset" : 51,
      "end_offset" : 54,
      "type" : "<ALPHANUM>",
      "position" : 10
    },
    {
      "token" : "summer",
      "start_offset" : 55,
      "end_offset" : 61,
      "type" : "<ALPHANUM>",
      "position" : 11
    },
    {
      "token" : "evening",
      "start_offset" : 62,
      "end_offset" : 69,
      "type" : "<ALPHANUM>",
      "position" : 12
    }
  ]
}

（2）Simple Analyzer

GET /_analyze
{
  "analyzer": "simple",
  "text": "2 running Quick brown-foxes leap over lazy dogs in the summer evening."
}

分词结果：非字母切分，忽略了数字2，小写处理

{
  "tokens" : [
    {
      "token" : "running",
      "start_offset" : 2,
      "end_offset" : 9,
      "type" : "word",
      "position" : 0
    },
    ......
  ]
}

（3）Whitespace Analyzer

GET /_analyze
{
  "analyzer": "whitespace",
  "text": "2 running Quick brown-foxes leap over lazy dogs in the summer evening."
}

分词结果：按照空格切分，不转小写。可以看到，brown-foxes被看成是一个整体，并未像其他分词一样分为brown 和 foxes。此外，也不会强制换位小写，比如Quick就保留了大写。

{
  "tokens" : [
    ......
    {
      "token" : "Quick",
      "start_offset" : 10,
      "end_offset" : 15,
      "type" : "word",
      "position" : 2
    },
    {
      "token" : "brown-foxes",
      "start_offset" : 16,
      "end_offset" : 27,
      "type" : "word",
      "position" : 3
    },
    ......
  ]
}

（4）Stop Analyzer

GET /_analyze
{
  "analyzer": "stop",
  "text": "2 running Quick brown-foxes leap over lazy dogs in the summer evening."
}

分词结果：小写处理，停用词过滤（the, a, is），这里原文中的in, over, the都被过滤掉了。

（5）Keyword Analyzer

GET /_analyze
{
  "analyzer": "keyword",
  "text": "2 running Quick brown-foxes leap over lazy dogs in the summer evening."
}

分词结果：不做任何分词处理，而是将输入整体作为一个term。通常用于不需要对输入做分词的场景。

{
  "tokens" : [
    {
      "token" : "2 running Quick brown-foxes leap over lazy dogs in the summer evening.",
      "start_offset" : 0,
      "end_offset" : 70,
      "type" : "word",
      "position" : 0
    }
  ]
}

（6）Pattern Analyzer

GET /_analyze
{
  "analyzer": "pattern",
  "text": "2 running Quick brown-foxes leap over lazy dogs in the summer evening."
}

正则表达式，默认 \W+（非字符分隔）

新增一个表达式analyzer：

PUT my_index
{
  "settings": {
    "analysis": {
      "analyzer": {
        "my_email_analyzer": {
          "type":      "pattern",
          "pattern":   "\\W|_",
          "lowercase": true
        }
      }
    }
  }
}

POST my_index/_analyze
{
  "analyzer": "my_email_analyzer",
  "text": "John_Smith@foo-bar.com"
}

（7）Lanuage Analyzer

ES提供了多种语言的分词器：阿拉伯语、亚美尼亚语、巴斯克语、孟加拉语、巴西语、保加利亚语、加泰罗尼亚语、捷克语、丹麦语、荷兰语、英语、芬兰语、法语、加利西亚语、德语、希腊语、印地语、匈牙利语、印度尼西亚语、爱尔兰语、意大利语、拉脱维亚语、立陶宛语、挪威语、波斯语、葡萄牙语、罗马尼亚语、俄语、索拉尼语、西班牙语、瑞典语、土耳其语、泰国语。

这里我们看看English：

GET /_analyze
{
  "analyzer": "english",
  "text": "2 running Quick brown-foxes leap over lazy dogs in the summer evening."
}

分词结果：将running替换为了run，将foxes替换为fox，dogs替换为dog，evening替换为了even，in被忽略。

可以看到，ES支持的语言分词器中，没有支持中文，这是因为：中文分词存在较大的难点，不像英语那么简单。

不过，我们可以安装一些中文分词器的插件（plugin），比如ICU Analyzer, 它提供了unicode的支持，更好地支持亚洲语言。

elasticsearch-plugin install analysis-icu

ICU Analyzer的示例：

POST /_analyze
{
  "analyzer": "icu_analyzer",
  "text": "他说的确实在理"
}

分词结果：

[他，说的，确实，在，理]

小结

本篇，我们了解了ElasticSearch的另一个重要概念：倒排索引 和 一个重要工具：Analyzer，还通过一些demo了解了Analyzer的具体使用案例，它们帮助ElasticSearch实现了强大的搜索功能。

参考资料

极客时间，阮一鸣，《ElasticSearch核心技术与实战》

作者：周旭龙

出处：https://edisonchou.cnblogs.com

本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文链接。