Elasticsearch实战(五)-倒排索引与分词

1 倒排索引

1.1 书的目录和索引

• 正排索引即目录页，根据页码去找内容

• 倒排索引即索引页，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、单词的关联关系
• 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

1. 通过倒排索引获得"搜索引擎”对应的文档Id有1和3
2. 通过正排索引查询1和3的完整内容
3. 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。

倒排索引项( Posting )主要包含如下信息：

• 文档Id ,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，每个字段都有自己的倒排索引。

2 分词

将文本转换成一系列单词的过程，也称文本分析，在 ES 里称为 Analysis。 比如文本【JavaEdge 是最硬核的公众号】，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" : "",
      "position" : 0 # 分词位置
    },
    {
      "token" : "edge",
      "start_offset" : 6,
      "end_offset" : 10,
      "type" : "",
      "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 a box?"
}

// 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