Elasticsearch (五) - Analyzer 分析器

前面的文章有提到 Elasticsearch 因為是使用反向索引，所以會在建立 Document 時將句子拆開來以建立反向索引。而這個拆分的過程就是由分析器所執行的，分析器主要由三個部分所組成 :

• Character Filters (字符過濾器)
• Tokenizer (分詞器)
• Token Filter (單詞過濾器)

下面我們就來了解分析器是如何運作的。

分析器的工作流程

分析器就像流水線一樣，字串經過一關一關的處理，最後得到單詞。如下 :

Character Filters (字符過濾器)

字符過濾器用於對字串先進行預處理，也就是會先整理這些字串。例如，去除 html 標籤或是將 & 轉換成 and。

Tokenizer (分詞器)

分詞器會將處理過的字串進行分詞，也就是將字串拆分成單詞。

Token Filter (單詞過濾器)

經過分詞後，單詞在經過單詞過濾器時可能會被改變，例如，大寫換成小寫、刪除無用的單詞 (a、and、the 等等) 或是新增單詞 (harmful、detrimental 這種同義詞)。

範例

內建的分析器

Standard Analyzer (標準分析器)

標準分析器是 Elasticsearch 默認使用的分析器，他會根據 Unicode 所定義的單詞邊界來劃分字串，並刪除大部分的標點符號。最後再將所有單詞轉換成小寫。標準分析器也可以指定要過濾的字(Stop Words)。

範例
輸入的內容 :
3. Semi-formal, as the name implies, is slightly more relaxed.

經過標準分析器後會產生 :
3、semi、formal、as、the、name、implies、is、slightly、more、relaxed

Simple Analyzer (簡單分析器)

簡單分析器會在任何不是字母的地方劃分單詞，再將單詞轉成小寫。

範例
同樣使用標準分析器範例所輸入的內容，經過簡單分析器後會產生 :
semi、formal、as、the、name、implies、is、slightly、more、relaxed

可以發現數字 3 不見了，因為他不是字母。

Whitespace Analyzer (空格分析器)

空格分析器會在空格的地方劃分單詞。

範例
同樣使用標準分析器範例所輸入的內容，經過空格分析器後會產生 :
3.、Semi-formal,、as、the、name、implies,、is、slightly、more、relaxed.

可以發現 semi-formal 因為中間不是空格，所以不會被劃分成兩個單詞。

Stop Analyzer (停用詞分析器)

停用詞分析器基本上有和簡單分析器一樣的功能。此外他還會過濾掉停用詞，預設是英文的修飾詞，例如， a、the、is 等等。

同樣使用標準分析器範例所輸入的內容，經過停用詞分析器後會產生 :
semi、formal、name、implies、slightly、relaxed

可以發現有許多單詞已經被過濾掉了。除了預設的停用詞過濾，也可以自己指定要過濾的單詞。

Keyword Analyzer (關鍵字分析器)

關鍵字分析器不會進行分詞，會直接將輸入當作一個單詞。也就是說以標準分析器的範例輸入內容來說，3. Semi-formal, as the name implies, is slightly more relaxed. 整段不會被分開。

這個在 Elasticsearch (二) - 快速搭建與 Document 的建立、更新和刪除 中，介紹 Mapping 有提到過。如果是沒有先定義 Mapping 直接加入 Document 的話，Elasticsearch 會自動多加一個 Field，這個 Field 就會定義成 Keyword，也就是搜尋時要完全符合。

Language Analyzer (語言分析器)

語言分析器會根據指定的語言進行分詞，Elasticsearch 目前支援的還沒有中文。

同樣使用標準分析器範例所輸入的內容，經過英文的語言分析器後會產生 :
3、semi、formal、name、impli、slightli、more、relax

使用內建分析器

首先先建立 6 個 Index 和 Type 並自訂 Mapping，分別指定每個欄位所要使用的分析器。

PUT standard_analyzer
POST standard_analyzer/_mapping/standard
{
  "properties": {
    "content":{
      "type": "text",
      "analyzer": "standard"
    }
  }
}

PUT simple_analyzer
POST simple_analyzer/_mapping/simple
{
  "properties": {
    "content":{
      "type": "text",
      "analyzer": "simple"
    }
  }
}

PUT whitespace_analyzer
POST whitespace_analyzer/_mapping/whitespace
{
  "properties": {
    "content":{
      "type": "text",
      "analyzer": "whitespace"
    }
  }
}

PUT stop_analyzer
POST stop_analyzer/_mapping/stop
{
  "properties": {
    "content":{
      "type": "text",
      "analyzer": "stop"
    }
  }
}

PUT keyword_analyzer
POST keyword_analyzer/_mapping/keyword
{
  "properties": {
    "content":{
      "type": "text",
      "analyzer": "keyword"
    }
  }
}

PUT language_analyzer
POST language_analyzer/_mapping/language
{
  "properties": {
    "content":{
      "type": "text",
      "analyzer": "english"
    }
  }
}

接著讓每個 Index 都建立一筆同樣的 Document。

POST _bulk
{ "create" : { "_index": "standard_analyzer", "_type":"standard", "_id": 1 } }
{ "content":"3. Semi-formal, as the name implies, is slightly more relaxed."}
{ "create" : { "_index": "simple_analyzer", "_type":"simple", "_id": 2 } }
{ "content":"3. Semi-formal, as the name implies, is slightly more relaxed."}
{ "create" : { "_index": "whitespace_analyzer", "_type":"whitespace", "_id": 3 } }
{ "content":"3. Semi-formal, as the name implies, is slightly more relaxed."}
{ "create" : { "_index": "stop_analyzer", "_type":"stop", "_id": 4 } }
{ "content":"3. Semi-formal, as the name implies, is slightly more relaxed."}
{ "create" : { "_index": "keyword_analyzer", "_type":"keyword", "_id": 5 } }
{ "content":"3. Semi-formal, as the name implies, is slightly more relaxed."}
{ "create" : { "_index": "language_analyzer", "_type":"language", "_id": 6 } }
{ "content":"3. Semi-formal, as the name implies, is slightly more relaxed."}

查看分析結果

_analyze

_analyze 可以直接看到分詞的結果。這裡以標準分析器為例子。

GET standard_analyzer/_analyze
{
  "field": "content",
  "text": "3. Semi-formal, as the name implies, is slightly more relaxed."
}

分詞的結果如下，token 就是分詞後的每個單詞。

{
  "tokens" : [
    {
      "token" : "3",
      "start_offset" : 0,
      "end_offset" : 1,
      "type" : "<NUM>",
      "position" : 0
    },
    {
      "token" : "semi",
      "start_offset" : 3,
      "end_offset" : 7,
      "type" : "<ALPHANUM>",
      "position" : 1
    },
    {
      "token" : "formal",
      "start_offset" : 8,
      "end_offset" : 14,
      "type" : "<ALPHANUM>",
      "position" : 2
    },
    {
      "token" : "as",
      "start_offset" : 16,
      "end_offset" : 18,
      "type" : "<ALPHANUM>",
      "position" : 3
    },
    {
      "token" : "the",
      "start_offset" : 19,
      "end_offset" : 22,
      "type" : "<ALPHANUM>",
      "position" : 4
    },
    {
      "token" : "name",
      "start_offset" : 23,
      "end_offset" : 27,
      "type" : "<ALPHANUM>",
      "position" : 5
    },
    {
      "token" : "implies",
      "start_offset" : 28,
      "end_offset" : 35,
      "type" : "<ALPHANUM>",
      "position" : 6
    },
    {
      "token" : "is",
      "start_offset" : 37,
      "end_offset" : 39,
      "type" : "<ALPHANUM>",
      "position" : 7
    },
    {
      "token" : "slightly",
      "start_offset" : 40,
      "end_offset" : 48,
      "type" : "<ALPHANUM>",
      "position" : 8
    },
    {
      "token" : "more",
      "start_offset" : 49,
      "end_offset" : 53,
      "type" : "<ALPHANUM>",
      "position" : 9
    },
    {
      "token" : "relaxed",
      "start_offset" : 54,
      "end_offset" : 61,
      "type" : "<ALPHANUM>",
      "position" : 10
    }
  ]
}

_termvectors

_termvectors 可以用來查看一個 Document 的單詞的訊息。

GET /standard_analyzer/standard/1/_termvectors
{
  "fields": ["content"]
}

下面是輸出的結果，在 term_vectors 的 terms 中就可以看到每個單詞的訊息。

{
  "_index" : "standard_analyzer",
  "_type" : "standard",
  "_id" : "1",
  "_version" : 3,
  "found" : true,
  "took" : 16,
  "term_vectors" : {
    "content" : {
      "field_statistics" : {
        "sum_doc_freq" : 11,
        "doc_count" : 1,
        "sum_ttf" : 11
      },
      "terms" : {
        "3" : {
          "term_freq" : 1,
          "tokens" : [
            {
              "position" : 0,
              "start_offset" : 0,
              "end_offset" : 1
            }
          ]
        },
        "as" : {
          "term_freq" : 1,
          "tokens" : [
            {
              "position" : 3,
              "start_offset" : 16,
              "end_offset" : 18
            }
          ]
        },
        "formal" : {
          "term_freq" : 1,
          "tokens" : [
            {
              "position" : 2,
              "start_offset" : 8,
              "end_offset" : 14
            }
          ]
        },
        "implies" : {
          "term_freq" : 1,
          "tokens" : [
            {
              "position" : 6,
              "start_offset" : 28,
              "end_offset" : 35
            }
          ]
        },
        "is" : {
          "term_freq" : 1,
          "tokens" : [
            {
              "position" : 7,
              "start_offset" : 37,
              "end_offset" : 39
            }
          ]
        },
        "more" : {
          "term_freq" : 1,
          "tokens" : [
            {
              "position" : 9,
              "start_offset" : 49,
              "end_offset" : 53
            }
          ]
        },
        "name" : {
          "term_freq" : 1,
          "tokens" : [
            {
              "position" : 5,
              "start_offset" : 23,
              "end_offset" : 27
            }
          ]
        },
        "relaxed" : {
          "term_freq" : 1,
          "tokens" : [
            {
              "position" : 10,
              "start_offset" : 54,
              "end_offset" : 61
            }
          ]
        },
        "semi" : {
          "term_freq" : 1,
          "tokens" : [
            {
              "position" : 1,
              "start_offset" : 3,
              "end_offset" : 7
            }
          ]
        },
        "slightly" : {
          "term_freq" : 1,
          "tokens" : [
            {
              "position" : 8,
              "start_offset" : 40,
              "end_offset" : 48
            }
          ]
        },
        "the" : {
          "term_freq" : 1,
          "tokens" : [
            {
              "position" : 4,
              "start_offset" : 19,
              "end_offset" : 22
            }
          ]
        }
      }
    }
  }
}

_analyze v.s _termvectors

以上兩個查看分析器結果的 API 差別在於 _analyze 是在建立前先查看使用這個分析器所做出的分詞結果會是甚麼。而 _termvectors 是用來顯示分詞的訊息，所以已經是寫入 Document 經過分析器做好的結果了，可以用在建好之後查看分詞結果。

開始搜尋

以下以幾種不同的搜尋內容來看各個分析器所造成的影響。

1. 搜尋 semi

GET _search
{
    "query":{
        "term":{
            "content": "semi"
        }
    }
}

下面是搜尋的結果，可以看到搜尋到了 simple、standard、language、stop 四個分析器的結果。因為這四個分析器在進行分詞時，會把 semi 分成單詞存在反向索引中，所以可以被找到。

{
  "took" : 1,
  "timed_out" : false,
  "_shards" : {
    "total" : 51,
    "successful" : 51,
    "skipped" : 0,
    "failed" : 0
  },
  "hits" : {
    "total" : 4,
    "max_score" : 0.2876821,
    "hits" : [
      {
        "_index" : "language_analyzer",
        "_type" : "language",
        "_id" : "6",
        "_score" : 0.2876821,
        "_source" : {
          "content" : "3. Semi-formal, as the name implies, is slightly more relaxed."
        }
      },
      {
        "_index" : "simple_analyzer",
        "_type" : "simple",
        "_id" : "2",
        "_score" : 0.2876821,
        "_source" : {
          "content" : "3. Semi-formal, as the name implies, is slightly more relaxed."
        }
      },
      {
        "_index" : "stop_analyzer",
        "_type" : "stop",
        "_id" : "4",
        "_score" : 0.2876821,
        "_source" : {
          "content" : "3. Semi-formal, as the name implies, is slightly more relaxed."
        }
      },
      {
        "_index" : "standard_analyzer",
        "_type" : "standard",
        "_id" : "1",
        "_score" : 0.2876821,
        "_source" : {
          "content" : "3. Semi-formal, as the name implies, is slightly more relaxed."
        }
      }
    ]
  }
}

2. 搜尋 Semi-formal,

GET _search
{
    "query":{
        "term":{
            "content": "Semi-formal,"
        }
    }
}

下面是搜尋的結果，可以看到只找到了 whitespace 這個分析器的結果。這是因為 whitespace 只會在空格處做分詞，所以 Semi-formal, 會被劃分為一個單詞。

{
  "took" : 0,
  "timed_out" : false,
  "_shards" : {
    "total" : 36,
    "successful" : 36,
    "skipped" : 0,
    "failed" : 0
  },
  "hits" : {
    "total" : 1,
    "max_score" : 0.2876821,
    "hits" : [
      {
        "_index" : "whitespace_analyzer",
        "_type" : "whitespace",
        "_id" : "3",
        "_score" : 0.2876821,
        "_source" : {
          "content" : "3. Semi-formal, as the name implies, is slightly more relaxed."
        }
      }
    ]
  }
}

3. 搜尋 is

GET _search
{
    "query":{
        "term":{
            "content": "is"
        }
    }
}

下面是輸出的結果，可以看到搜尋到了 simple、standard、whitespace 三個分析器的結果。其他三個因為都沒有提取 is 這個單詞作為索引，所以會找不到。像是 stop 分析器就把 is 過濾掉了。

{
  "took" : 0,
  "timed_out" : false,
  "_shards" : {
    "total" : 51,
    "successful" : 51,
    "skipped" : 0,
    "failed" : 0
  },
  "hits" : {
    "total" : 3,
    "max_score" : 0.2876821,
    "hits" : [
      {
        "_index" : "simple_analyzer",
        "_type" : "simple",
        "_id" : "2",
        "_score" : 0.2876821,
        "_source" : {
          "content" : "3. Semi-formal, as the name implies, is slightly more relaxed."
        }
      },
      {
        "_index" : "standard_analyzer",
        "_type" : "standard",
        "_id" : "1",
        "_score" : 0.2876821,
        "_source" : {
          "content" : "3. Semi-formal, as the name implies, is slightly more relaxed."
        }
      },
      {
        "_index" : "whitespace_analyzer",
        "_type" : "whitespace",
        "_id" : "3",
        "_score" : 0.2876821,
        "_source" : {
          "content" : "3. Semi-formal, as the name implies, is slightly more relaxed."
        }
      }
    ]
  }
}

4. 搜尋 3. Semi-formal, as the name implies, is slightly more relaxed.

GET _search
{
    "query":{
        "term":{
            "content": "3. Semi-formal, as the name implies, is slightly more relaxed."
        }
    }
}

下面是輸出的結果，可以看到只找到了 keyword 分析器的結果，因為 keyword 不會進行分詞。

{
  "took" : 0,
  "timed_out" : false,
  "_shards" : {
    "total" : 51,
    "successful" : 51,
    "skipped" : 0,
    "failed" : 0
  },
  "hits" : {
    "total" : 1,
    "max_score" : 0.2876821,
    "hits" : [
      {
        "_index" : "keyword_analyzer",
        "_type" : "keyword",
        "_id" : "5",
        "_score" : 0.2876821,
        "_source" : {
          "content" : "3. Semi-formal, as the name implies, is slightly more relaxed."
        }
      }
    ]
  }
}

Summary

本篇介紹了分析器的概念以及 Elasticsearch 內建的一些分析器，如果想要更了解這些分析器更詳細的使用請參考 Elasticsearch 官網。

參考

[1] Elasticsearch當中的分析器-Analyzer
[2] 在Elasticsearch中查詢Term Vectors詞條向量信息
[3] 掌握 analyze API，一舉搞定 Elasticsearch 分詞難題
[4] 正則表達式單詞邊界和非單詞邊界
[5] 通過 Analyzer 進行分詞
[6] Text analysis
[7] 認識 ElasticSearch Analyzer 分析器
[8] Elasticsearch Analyzer 的內部機制
[9] 中英文停用詞（stop word）列表

tags: Elasticsearch NoSQL