这篇文章主要来介绍下什么是 Analysis ,什么是分词器,以及 ElasticSearch 自带的分词器是怎么工作的,最后会介绍下中文分词是怎么做的。

首先来说下什么是 Analysis:

什么是 Analysis?

顾名思义,文本分析就是 把全文本转换成一系列单词(term/token)的过程 ,也叫 分词 。在 ES 中,Analysis 是通过 分词器(Analyzer) 来实现的,可使用 ES 内置的分析器或者按需定制化分析器。

举一个分词简单的例子:比如你输入 Mastering Elasticsearch ,会自动帮你分成两个单词,一个是 mastering ,另一个是 elasticsearch ,可以看出单词也被转化成了小写的。

再简单了解了 Analysis 与 Analyzer 之后,让我们来看下分词器的组成:

分词器的组成

分词器是专门处理分词的组件,分词器由以下三部分组成:

  • Character Filters :针对原始文本处理,比如去除 html 标签
  • Tokenizer :按照规则切分为单词,比如按照空格切分
  • Token Filters :将切分的单词进行加工,比如大写转小写,删除 stopwords,增加同义语
  • 同时 Analyzer 三个部分也是有顺序的,从图中可以看出,从上到下依次经过 Character Filters Tokenizer 以及 Token Filters ,这个顺序比较好理解,一个文本进来肯定要先对文本数据进行处理,再去分词,最后对分词的结果进行过滤。

    其中,ES 内置了许多分词器:

  • 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
  • Pattern Analyzer - 正则表达式,默认 \W+
  • Language - 提供了 30 多种常见语言的分词器
  • Customer Analyzer - 自定义分词器
  • 接下来会对以上分词器进行讲解,在讲解之前先来看下很有用的 API: _analyzer API

    Analyzer API

    它可以通过以下三种方式来查看分词器是怎么样工作的:

  • 直接指定 Analyzer 进行测试
  • GET _analyze
        "analyzer": "standard",
        "text" : "Mastering Elasticsearch , elasticsearch in Action"
    
  • 指定索引的字段进行测试
  • POST books/_analyze
        "field": "title",
        "text": "Mastering Elasticesearch"
    
  • 自定义分词进行测试
  • POST /_analyze
        "tokenizer": "standard", 
        "filter": ["lowercase"],
        "text": "Mastering Elasticesearch"
    

    再了解了 Analyzer API 后,让我们一起看下 ES 内置的分词器:

    ES 分词器

    首先来介绍下 Stamdard Analyzer 分词器:

    Stamdard Analyzer

    它是 ES 默认的分词器,它会对输入的文本按词的方式进行切分,切分好以后会进行转小写处理,默认的 stopwords 是关闭的

    下面使用 Kibana 看一下它是怎么样进行工作的,在 Kibana 的开发工具(Dev Tools)中指定 Analyzer 为 standard,并输入文本 In 2020, Java is the best language in the world.,然后我们运行一下:

    GET _analyze
      "analyzer": "standard",
      "text": "In 2020, Java is the best language in the world."
    

    运行结果如下:

    "tokens" : [ "token" : "in", "start_offset" : 0, "end_offset" : 2, "type" : "<ALPHANUM>", "position" : 0 "token" : "2020", "start_offset" : 3, "end_offset" : 7, "type" : "<NUM>", "position" : 1 "token" : "java", "start_offset" : 9, "end_offset" : 13, "type" : "<ALPHANUM>", "position" : 2 "token" : "is", "start_offset" : 14, "end_offset" : 16, "type" : "<ALPHANUM>", "position" : 3 "token" : "the", "start_offset" : 17, "end_offset" : 20, "type" : "<ALPHANUM>", "position" : 4 "token" : "best", "start_offset" : 21, "end_offset" : 25, "type" : "<ALPHANUM>", "position" : 5 "token" : "language", "start_offset" : 26, "end_offset" : 34, "type" : "<ALPHANUM>", "position" : 6 "token" : "in", "start_offset" : 35, "end_offset" : 37, "type" : "<ALPHANUM>", "position" : 7 "token" : "the", "start_offset" : 38, "end_offset" : 41, "type" : "<ALPHANUM>", "position" : 8 "token" : "world", "start_offset" : 42, "end_offset" : 47, "type" : "<ALPHANUM>", "position" : 9

    可以看出是按照空格、非字母的方式对输入的文本进行了转换,比如对 Java 做了转小写,对一些停用词也没有去掉,比如 in

    其中 token 为分词结果;start_offset 为起始偏移;end_offset 为结束偏移;position 为分词位置。

    下面来看下 Simple Analyzer 分词器:

    Simple Analyzer

    它只包括了 Lower CaseTokenizer,它会按照非字母切分非字母的会被去除,最后对切分好的做转小写处理,然后接着用刚才的输入文本,分词器换成 simple 来进行分词,运行结果如下:

    "tokens" : [ "token" : "in", "start_offset" : 0, "end_offset" : 2, "type" : "word", "position" : 0 "token" : "java", "start_offset" : 9, "end_offset" : 13, "type" : "word", "position" : 1 "token" : "is", "start_offset" : 14, "end_offset" : 16, "type" : "word", "position" : 2 "token" : "the", "start_offset" : 17, "end_offset" : 20, "type" : "word", "position" : 3 "token" : "best", "start_offset" : 21, "end_offset" : 25, "type" : "word", "position" : 4 "token" : "language", "start_offset" : 26, "end_offset" : 34, "type" : "word", "position" : 5 "token" : "in", "start_offset" : 35, "end_offset" : 37, "type" : "word", "position" : 6 "token" : "the", "start_offset" : 38, "end_offset" : 41, "type" : "word", "position" : 7 "token" : "world", "start_offset" : 42, "end_offset" : 47, "type" : "word", "position" : 8

    从结果中可以看出,数字 2020 被去除掉了,说明非字母的的确会被去除,所有的词也都做了小写转换。

    现在,我们来看下 Whitespace Analyzer 分词器:

    Whitespace Analyzer

    它非常简单,根据名称也可以看出是按照空格进行切分的,下面我们来看下它是怎么样工作的:

    "tokens" : [ "token" : "In", "start_offset" : 0, "end_offset" : 2, "type" : "word", "position" : 0 "token" : "2020,", "start_offset" : 3, "end_offset" : 8, "type" : "word", "position" : 1 "token" : "Java", "start_offset" : 9, "end_offset" : 13, "type" : "word", "position" : 2 "token" : "is", "start_offset" : 14, "end_offset" : 16, "type" : "word", "position" : 3 "token" : "the", "start_offset" : 17, "end_offset" : 20, "type" : "word", "position" : 4 "token" : "best", "start_offset" : 21, "end_offset" : 25, "type" : "word", "position" : 5 "token" : "language", "start_offset" : 26, "end_offset" : 34, "type" : "word", "position" : 6 "token" : "in", "start_offset" : 35, "end_offset" : 37, "type" : "word", "position" : 7 "token" : "the", "start_offset" : 38, "end_offset" : 41, "type" : "word", "position" : 8 "token" : "world.", "start_offset" : 42, "end_offset" : 48, "type" : "word", "position" : 9

    可以看出,只是按照空格进行切分,2020 数字还是在的,Java 的首字母还是大写的,, 还是保留的。

    接下来看 Stop Analyzer 分词器:

    Stop Analyzer

    它由 Lowe CaseTokenizerStopToken Filters 组成的,相较于刚才提到的 Simple Analyzer,多了 stop 过滤,stop 就是会把 theais 等修饰词去除,同样让我们看下运行结果:

    "tokens" : [ "token" : "java", "start_offset" : 9, "end_offset" : 13, "type" : "word", "position" : 1 "token" : "best", "start_offset" : 21, "end_offset" : 25, "type" : "word", "position" : 4 "token" : "language", "start_offset" : 26, "end_offset" : 34, "type" : "word", "position" : 5 "token" : "world", "start_offset" : 42, "end_offset" : 47, "type" : "word", "position" : 8

    可以看到 in is the 等词都被 stop filter过滤掉了。

    接下来看下 Keyword Analyzer

    Keyword Analyzer

    它其实不做分词处理,只是将输入作为 Term 输出,我们来看下运行结果:

    "tokens" : [ "token" : "In 2020, Java is the best language in the world.", "start_offset" : 0, "end_offset" : 48, "type" : "word", "position" : 0

    我们可以看到,没有对输入文本进行分词,而是直接作为 Term 输出了。

    接下来看下 Pattern Analyzer

    Pattern Analyzer

    它可以通过正则表达式的方式进行分词,默认是用 \W+ 进行分割的,也就是非字母的符合进行切分的,由于运行结果和 Stamdard Analyzer 一样,就不展示了。

    Language Analyzer

    ES 为不同国家语言的输入提供了 Language Analyzer 分词器,在里面可以指定不同的语言,我们用 english 进行分词看下:

    "tokens" : [ "token" : "2020", "start_offset" : 3, "end_offset" : 7, "type" : "<NUM>", "position" : 1 "token" : "java", "start_offset" : 9, "end_offset" : 13, "type" : "<ALPHANUM>", "position" : 2 "token" : "best", "start_offset" : 21, "end_offset" : 25, "type" : "<ALPHANUM>", "position" : 5 "token" : "languag", "start_offset" : 26, "end_offset" : 34, "type" : "<ALPHANUM>", "position" : 6 "token" : "world", "start_offset" : 42, "end_offset" : 47, "type" : "<ALPHANUM>", "position" : 9

    可以看出 language 被改成了 languag,同时它也是有 stop 过滤器的,比如 in,is 等词也被去除了。

    最后,让我们看下中文分词:

    中文分词有特定的难点,不像英文,单词有自然的空格作为分隔,在中文句子中,不能简单地切分成一个个的字,而是需要分成有含义的词,但是在不同的上下文,是有不同的理解的。

    比如以下例子:

    在这些,企业中,国有,企业,有十个/在这些,企业,中国,有企业,有十个
    各国,有,企业,相继,倒闭/各,国有,企业,相继,倒闭
    羽毛球,拍卖,完了/羽毛球拍,卖,完了
    

    那么,让我们来看下 ICU Analyzer 分词器,它提供了 Unicode 的支持,更好的支持亚洲语言!

    我们先用 standard 来分词,以便于和 ICU 进行对比。

    GET _analyze
      "analyzer": "standard",
      "text": "各国有企业相继倒闭"
    

    运行结果就不展示了,分词是一个字一个字切分的,明显效果不是很好,接下来用 ICU 进行分词,分词结果如下:

    "tokens" : [ "token" : "各国", "start_offset" : 0, "end_offset" : 2, "type" : "<IDEOGRAPHIC>", "position" : 0 "token" : "有", "start_offset" : 2, "end_offset" : 3, "type" : "<IDEOGRAPHIC>", "position" : 1 "token" : "企业", "start_offset" : 3, "end_offset" : 5, "type" : "<IDEOGRAPHIC>", "position" : 2 "token" : "相继", "start_offset" : 5, "end_offset" : 7, "type" : "<IDEOGRAPHIC>", "position" : 3 "token" : "倒闭", "start_offset" : 7, "end_offset" : 9, "type" : "<IDEOGRAPHIC>", "position" : 4

    可以看到分成了各国企业相继倒闭,显然比刚才的效果好了很多。

    还有许多中文分词器,在这里列举几个:

  • 支持自定义词库,支持热更新分词字典
  • https://github.com/medcl/elasticsearch-analysis-ik
  • jieba

  • Python 中最流行的分词系统,支持分词和词性标注
  • 支持繁体分词、自定义词典、并行分词等
  • https://github.com/sing1ee/elasticsearch-jieba-plugin
  • THULAC

  • THU Lexucal Analyzer for Chinese, 清华大学自然语言处理和社会人文计算实验室的一套中文分词器
  • https://github.com/thunlp/THULAC-Java
  • 大家可以自己安装下,看下它中文分词效果。

    本文主要介绍了 ElasticSearch 自带的分词器,学习了使用 _analyzer API 去查看它的分词情况,最后还介绍下中文分词是怎么做的。

    Elasticsearch顶尖高手系列

    Elasticsearch核心技术与实战

    https://www.elastic.co/guide/en/elasticsearch/reference/7.1/indices-analyze.html

    https://www.elastic.co/guide/en/elasticsearch/reference/current/analyzer-anatomy.html