1 倒排索引
1.1 書的目錄和索引
正排索引即目錄頁，根據頁碼去找內容
倒排索引即索引頁，根據關鍵詞去找對應頁碼
1.2 搜索引擎
- 正排索引
文檔Id =》文檔內容、單詞的關聯關系
- 倒排索引
單詞 =》 文檔Id的關聯關系
- 左：正排索引 =》 右：倒排索引
倒排索引查詢流程
查詢包含"搜索引擎”的文檔
- 通過倒排索引獲得"搜索引擎”對應的文檔Id有1和3
- 通過正排索引查詢1和3的完整內容
- 返回最終結果
1.3 倒排索引的組成
1.3.1 單詞詞典( Term Dictionary )
倒排索引的重要組成
- 記錄所有文檔的單詞 ，一般都比較大
- 記錄單詞到倒排列表的關聯信息
單詞字典的實現一般是用B+ Tree ,示例如下
1.3.2 倒排列表( Posting List )
記錄了單詞對應的文檔集合，由倒排索引項( Posting )組成。
倒排索引項( Posting )主要包含如下信息：
- 文檔Id ,用于獲取原始信息
- 單詞頻率( TF, Term Frequency )，記錄該單詞在該文檔中的出現次數，用于后續相關性算分
- 位置( Position)
- 記錄單詞在文檔中的分詞位置(多個) , 用于做詞語搜索( Phrase Query )
- 偏移( Offset )
記錄單詞在文檔的開始和結束位置,用于做高亮顯示
案例
以搜索引擎為例
單詞字典與倒排列表整合在一起的結構
ES存儲的是JSON格式文檔，其中包含多個字段，每個字段都有自己的倒排索引。
2 分詞
將文本轉換成一系列單詞的過程，也稱文本分析，在 ES 里稱為 Analysis。
比如文本【JavaEdge 是最硬核的公眾號】，分詞結果是【JavaEdge、硬核、公眾號】
2.1 Analyzer-分詞器
分詞器是 ES 專門處理分詞的組件，組成如下：
2.1.1 Character Filters
在Tokenizer之前對原始文本進行處理,比如增加、刪除或替換字符等。
針對原始文本進行處理，比如去除 html 特殊標記符，自帶的如下：
- HTML Strip 去除 html 標簽和轉換 html 實體
- Mapping 進行字符替換操作
- Pattern Replace 進行正則匹配替換
會影響后續tokenizer解析的postion和offset信息
2.1.2 Tokenizer
將原始文本按照一定規則切分為單詞，內置：
- standard 按單詞進行分割
- letter 按非字符類進行分割
- whitespace 按空格進行分割
- UAX URL Email 按 standard 分割，但不會分割郵箱和 url
- NGram 和 Edge NGram 連詞分割
- Path Hierachy 按文件路徑進行分割
示例：
POST _analyze{ "tokenizer":"path_hierarchy", "text":"/one/two/three"}
2.1.3 Token Filters
針對 tokenizer 處理的單詞進行再加工，比如轉小寫、刪除或新增等處理，內置：
- lowercase 將所有 term 轉換為小寫
- stop 刪除 stop words
- NGram 和 Edge NGram 連詞分割
- Synonym 添加近義詞的 term
示例
// filter 可以有多個
POST _analyze
{
"text":"a Hello world!",
"tokenizer":"standard",
"filter":[
"stop", // 把 a 去掉了
"lowercase",// 小寫
{
"type":"ngram",
"min_gram":"4",
"max_gram":"4"
}
]
}
// 得到 hell、ello、worl、orld
分詞器的調用順序
3 Analyze API
ES 提供了一個測試分詞的 API 接口，方便驗證分詞效果，endpoint 是 _analyze：
3.1 指定 analyzer
request
POST _analyze
{
"analyzer":"standard", # 分詞器
"text":" JavaEdge 公眾號" # 測試文本
}
response
{
"tokens" : [
{
"token" : "java", # 分詞結果
"start_offset" : 1, # 起始偏移
"end_offset" : 5, # 結束偏移
"type" : "<ALPHANUM>",
"position" : 0 # 分詞位置
},
{
"token" : "edge",
"start_offset" : 6,
"end_offset" : 10,
"type" : "<ALPHANUM>",
"position" : 1
}
]
}
3.2 指定索引中的字段
POST 測試的索引/_analyze
{
"field":"username", # 測試字段
"text":"hello world" # 測試文本
}
3.3 自定義分詞器
POST _analyze
{
"tokenizer":"standard",
"filter":["lowercase"], # 自定義
"text":"hello world"
}
之前的默認分詞器大寫
自定義小寫分詞器
4 內置分詞器
Standard Analyzer
默認分詞器，按詞切分，支持多語言，小寫處理
Simple Analyzer
按照非字母切分，小寫處理
Whitespace Analyzer
按空格切分
Stop Analyzer
Stop Word 指語氣助詞等修飾性詞語，比如 the、an、的、這等等，特性是相比 Simple Analyzer 多 Stop Word 處理
keyword Analyzer
不分詞，直接將輸入作為一個單詞輸出
Pattern Analyzer
通過正則表達式自定義分隔符，默認 \W+，即非字詞的符號為分隔符
Language Analyzer
提供了 30+ 常見語言的分詞器
5 中文分詞
將一個漢字序列切分成一個個單獨的詞。在英文中，單詞之間是以空格作為自然分界符，漢語中詞沒有一個形式上的分界符。而且中文博大精深，上下文不同，分詞結果也大不相同。
比如：
- 乒乓球拍/賣/完了
- 乒乓球/拍賣/完了
以下是 ES 中常見的分詞系統：
IK
實現中英文單詞的切分，可自定義詞庫，支持熱更新分詞詞典
jieba
python 中最流行餓分詞系統，支持分詞和詞性標注，支持繁體分詞，自定義詞典，并行分詞
以下是基于自然語言處理的分詞系統：
Hanlp
由一系列模型與算法組成的 java 工具包，支持索引分詞、繁體分詞、簡單匹配分詞(極速模式)、基于 CRF 模型的分詞、N- 最短路徑分詞等，實現了不少經典分詞方法。目標是普及自然語言處理在生產環境中的應用。
https://github.com/hankcs/HanLP
THULAC
- THU Lexical Analyzer for Chinese ,由清華大學自然語言處理與社會人文計算
實驗室研制推出的一套中文詞法分析工具包，具有中文分詞和詞性標注功能
https://github.com/microbun/elasticsearch-thulac-plugin
6 自定義分詞器
當自帶的分詞無法滿足需求時，可以自定義分詞器，通過定義 Character Filters、Tokenizer、Token Filter 實現。自定義的分詞需要在索引的配置中設定，示例如下所示：
自定義如下分詞器
// 自定義分詞器
PUT test_index_name
{
"settings":{
"analysis":{
"analyzer":{
"my_customer_analyzer":{
"type":"custome",
"tokenizer":"standard",
"char_filter":["html_strip"],
"filter":["lowercase", "asciifolding"]
}
}
}
}
}
// 測試自定義分詞器效果：
POST test_index/_analyze
{
"tokenizer":"keyword",
"char_filter":["html_strip"],
"text":"Is this <b>a box</b>?"
}
// 得到 is、this、a、box
7 分詞使用說明
分詞會在如下兩個時機使用：
創建或者更新文檔時(Index Time)
會對相應的文檔進行分詞處理
索引時分詞是通過配置Index Mapping中每個字段的analyzer屬性實現的。不指定分詞時，使用默認standard。
查詢時(Search Time)
會對查詢語句進行分詞。查詢時分詞的指定方式：
- 查詢的時候通過analyzer指定分詞器
- 通過index mapping設置 search_analyzer 實現
分詞的最佳實踐
- 明確字段是否需要分詞，不需要分詞的字段就將 type 設置為 keyword，可以節省空間和提高寫性能。
- 善用 _analyze API,查看文檔的具體分詞結果
- 多動手測試
參考
- 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
