(七) ElasticSearch 分词器

1.分词器

分词器是 Elasticsearch 用于将文本拆分为单词（词项）的组件，以便于搜索和索引。以下是一些关于 Elasticsearch 分词器的常见问题和相关操作的介绍：

1）什么是分词器？

分词器是 Elasticsearch 中的一个组件，用于将文本转换为词项，以便于搜索和索引。它负责将输入的文本进行拆分、标准化和处理，生成最终的词项列表。

2）常用分词器

Elasticsearch 提供了多个内置的分词器，每个分词器适用于不同的场景和需求。以下是一些常用的内置分词器：

standard 分词器：
standard 分词器是 Elasticsearch 默认的分词器，适用于大多数情况。它会根据空格和标点符号将文本拆分为词项，并进行小写转换和标点符号过滤。
simple 分词器：
simple 分词器会根据非字母字符将文本拆分为词项，并将词项转换为小写。它不会进行标点符号和停用词的过滤。
whitespace 分词器：
whitespace 分词器会根据空格字符将文本拆分为词项。它不会进行小写转换、标点符号过滤和停用词过滤。
keyword 分词器：
keyword 分词器不会对文本进行拆分，将整个文本作为一个词项。它通常用于不需要进行分词的字段，如关键字字段或精确匹配字段。
pattern 分词器：
pattern 分词器根据正则表达式模式将文本拆分为词项。你可以指定自定义的正则表达式模式来满足特定的分词需求。
stop 分词器：
stop 分析器和 simple 分析器很像，唯⼀不同的是，stop 分析器增加了对删除停⽌词的⽀
持，默认使⽤了english停⽌词，stopwords 预定义的停⽌词列表，⽐如 (the,a,an,this,of,at)等等。
language 分词器：
Elasticsearch 还提供了多个针对特定语言的分词器，如 english、chinese、french 等。这些分词器会根据特定的语言规则和特征进行分词处理，以提供更准确的分词效果。

3）测试分词器

这里是一个简单的示例，演示如何使用内置的 standard 分词器测试文本的分词效果：

POST _analyze
{
  "analyzer": "standard",
  "text": "Hello world, this is Elasticsearch"
}

以上操作会将文本 “Hello world, this is Elasticsearch” 使用 standard 分词器进行分析，并返回分词结果。

4）选择分词器

创建索引时选择分词器方法
在创建索引时，可以通过指定字段的映射来指定分词器。下面是创建索引并指定字段分词器的示例：

PUT /my_index
{
  "settings": {
    "analysis": {
      "analyzer": {
        "my_analyzer": {
          "type": "whitespace",
        }
      },
    }
  },
  "mappings": {
    "properties": {
      "name": {
        "type": "text",
        "analyzer": "my_analyzer"
      }
    }
  }
}

更换索引字段分词器方法：
要更换字段的分词器，需要重新定义字段的映射，并指定新的分词器。下面是更换字段分词器的一般步骤：
1.关闭索引：

POST /索引名/_close

2.更新字段映射：

PUT /索引名/_mapping
{
  "properties": {
    "字段名": {
      "type": "text",
      "analyzer": "新的分词器"
    }
  }
}

3.打开索引：

POST /索引名/_open

5）中文分词器

使用中文分词器的主要目的是对中文文本进行正确、准确的分词处理。中文与英文等拉丁语系的语言不同，它没有明确的词语分隔符（如空格），因此直接对中文进行全文匹配会导致词语的混淆和错误。

当涉及到中文分词器时，两个常用的选择是 Smart Chinese Analyzer（smartcn）和 IK Analyzer。

Smart Chinese Analyzer（smartcn）：
Smart Chinese Analyzer 是 Elasticsearch 内置的中文分词器，它使用机器学习算法进行分词，并且适用于简体中文和繁体中文。
Smart Chinese Analyzer 的优点是易于使用，无需额外配置即可使用。它具有较高的分词准确性和召回率，适用于大多数中文文本的索引和搜索。

安装：

sh elasticsearch-plugin install analysis-smartcn

安装后重新启动ES

在创建索引时，可以将字段的分词器指定为 “smartcn”。

PUT /索引名
{
  "settings": {
    "analysis": {
      "analyzer": {
        "my_analyzer": {
          "type": "smartcn"
        }
      }
    }
  },
  "mappings": {
    "properties": {
      "字段名": {
        "type": "text",
        "analyzer": "my_analyzer"
      }
    }
  }
}

卸载：

 sh elasticsearch-plugin remove analysis-smartcn

IK Analyzer：

IK Analyzer 是一个第三方的中文分词器，它基于开源项目 IK Analysis 进行开发。IK Analyzer 提供了细粒度的中文分词能力，支持词库扩展和自定义词典。
IK Analyzer 的优点是可以根据具体需求进行配置和定制，支持停用词过滤、同义词扩展等功能。它适用于对中文文本的更精确分词和分析需求。
在创建索引时，可以将字段的分词器指定为 “ik_max_word” 或 “ik_smart”。“ik_max_word” 会尽可能多地进行分词，而 “ik_smart” 则会更加智能地进行分词。

下载
https://github.com/medcl/elasticsearch-analysis-ik/releases

安装解压安装到plugins⽬录

安装后重新启动

示例：

PUT /索引名
{
  "settings": {
    "analysis": {
      "analyzer": {
        "my_analyzer": {
          "type": "custom",
          "tokenizer": "ik_max_word"
        }
      }
    }
  },
  "mappings": {
    "properties": {
      "字段名": {
        "type": "text",
        "analyzer": "my_analyzer"
      }
    }
  }
}