ES系列六、ES字段类型及ES内置analyzer分析

2023-02-28 13:44:26 浏览数 (3)

一、背景知识

在Es中，字段的类型很关键：

  • 在索引的时候，如果字段第一次出现，会自动识别某个类型，这种规则之前已经讲过了。
  • 那么如果一个字段已经存在了，并且设置为某个类型。再来一条数据，字段的数据不与当前的类型相符，就会出现字段冲突的问题。如果发生了冲突，在2.x版本会自动拒绝。
  • 如果自动映射无法满足需求，就需要使用者自己来设置映射类型，因此，就需要使用者了解ES中的类型。

下面就步入正题吧！

二、字段中的索引和存储

其中需要说明的是：

1、index定义字段的分析类型以及检索方式
  • 如果是no，则无法通过检索查询到该字段；
  • 如果设置为not_analyzed则会将整个字段存储为关键词，常用于汉字短语、邮箱等复杂的字符串；
  • 如果设置为analyzed则将会通过默认的standard分析器进行分析

2、store定义了字段是否存储

在《ES IN ACTION》中有这样一段描述：

代码语言：javascript复制
This might be useful when you ask Elasticsearch for a particular field because retrieving a single stored field will be faster than retrieving the entire _source and extracting that field from it, especially when you have large documents.NOTE When you store individual fields as well, you should take into account that the more you store, the bigger your index gets. Usually bigger indices imply slower indexing and slower searching.

意思是，在ES中原始的文本会存储在_source里面（除非你关闭了它）。默认情况下其他提取出来的字段都不是独立存储的，是从_source里面提取出来的。当然你也可以独立的存储某个字段，只要设置store:true即可。

独立存储某个字段，在频繁使用某个特殊字段时很常用。而且获取独立存储的字段要比从_source中解析快得多，而且额外你还需要从_source中解析出来这个字段，尤其是_source特别大的时候。

不过需要注意的是，独立存储的字段越多，那么索引就越大；索引越大，索引和检索的过程就会越慢....

3、Text vs. keyword

ElasticSearch 5.0以后，string类型有重大变更，移除了string类型，string字段被拆分成两种新的数据类型: text用于全文搜索的,而keyword用于关键词搜索。

ElasticSearch对字符串拥有两种完全不同的搜索方式. 你可以按照整个文本进行匹配, 即关键词搜索(keyword search), 也可以按单个字符匹配, 即全文搜索(full-text search). 对ElasticSearch稍有了解的人都知道, 前者的字符串被称为not-analyzed字符, 而后者被称作analyzed字符串。

Text：会分词，然后进行索引

支持模糊、精确查询

不支持聚合

keyword：不进行分词，直接索引

支持模糊、精确查询

支持聚合

text用于全文搜索的, 而keyword用于关键词搜索.

如果想做类似于sql中的like查询，可定义为keyword并使用通配符wildcard方式查询。

ElasticSearch字符串将默认被同时映射成text和keyword类型，将会自动创建下面的动态映射(dynamic mappings):

代码语言：javascript复制

{
    "foo": {
        "type": "text",
        "fields": {
            "keyword": {
                "type": "keyword",
                "ignore_above": 256
            }
        }
    }
}

基于这个映射你即可以在foo字段上进行全文搜索, 也可以通过foo.keyword字段实现关键词搜索及数据聚合。

禁用这个特性也很方便: 你只需要在定义mapping时显式声明字符串字段的类型或者使用一个动态模板(dynamic template)来匹配你所有的字符串字段即可. 例如通过下面的dynamic template就可以恢复到在ElasticSearch 2.x中使用的dynamic template的效果:

代码语言：javascript复制

{
    "match_mapping_type": "string",
    "mapping": {
        "type": "text"
    }
}

4、Numeric

数值类型，注意numeric并不是一个类型，它包括多种类型，比如：long,integer,short,byte,double,float，每种的存储空间都是不一样的，一般默认推荐integer和float。

重要的参数：

index分析
  • not_analyzed(默认) ，设置为该值可以保证该字段能通过检索查询到
  • no
store存储
  • true 独立存储
  • false（默认）不存储，从_source中解析

5、date

日期类型，该类型可以接受一些常见的日期表达方式。

重要的参数：

index分析
  • not_analyzed(默认) ，设置为该值可以保证该字段能通过检索查询到
  • no
store存储
  • true 独立存储
  • false（默认）不存储，从_source中解析
format格式化
  • strict_date_optional_time||epoch_millis（默认）
  • 你也可以自定义格式化内容，比如
代码语言：javascript复制

"date": {
  "type":   "date",
  "format": "yyy-MM-dd HH:mm:ss||yyyy-MM-dd||epoch_millis"
}

6、IP

这个类型可以用来标识IPV4的地址。

常用参数：

index分析
  • not_analyzed(默认) ，设置为该值可以保证该字段能通过检索查询到
  • no
store存储
  • true 独立存储
  • false（默认）不存储，从_source中解析

7、boolean

布尔类型，所有的类型都可以标识布尔类型。

  • False: 表示该值的有:false, "false", "off", "no", "0", "" (empty string), 0, 0.0
  • True: 所有非False的都是true

重要的参数：

index分析
  • not_analyzed(默认) ，设置为该值可以保证该字段能通过检索查询到
  • no
store存储
  • true 独立存储
  • false（默认）不存储，从_source中解析

三、内置分词器

1、基本概念

全文搜索引擎会用某种算法对要建索引的文档进行分析， 从文档中提取出若干Token(词元)， 这些算法称为Tokenizer(分词器)， 这些Token会被进一步处理， 比如转成小写等， 这些处理算法被称为Token Filter(词元处理器), 被处理后的结果被称为Term(词)， 文档中包含了几个这样的Term被称为Frequency(词频)。引擎会建立Term和原文档的Inverted Index(倒排索引)， 这样就能根据Term很快到找到源文档了。文本被Tokenizer处理前可能要做一些预处理， 比如去掉里面的HTML标记， 这些处理的算法被称为Character Filter(字符过滤器)， 这整个的分析算法被称为Analyzer(分析器)。

ES内置了很多Analyzer, 还有很多第三方的Analyzer插件， 比如一些处理中文的Analyzer(中文分词)。

analyzer、 tokenizer、 filter可以在elasticsearch.yml 配置， 下面是配置例子

代码语言：javascript复制
index :
    analysis :
        analyzer :
            standard :
                type : standard
                stopwords : [stop1, stop2]
            myAnalyzer1 :
                type : standard
                stopwords : [stop1, stop2, stop3]
                max_token_length : 500
            # configure a custom analyzer which is
            # exactly like the default standard analyzer
            myAnalyzer2 :
                tokenizer : standard
                filter : [standard, lowercase, stop]
        tokenizer :
            myTokenizer1 :
                type : standard
                max_token_length : 900
            myTokenizer2 :
                type : keyword
                buffer_size : 512
        filter :
            myTokenFilter1 :
                type : stop
                stopwords : [stop1, stop2, stop3, stop4]
            myTokenFilter2 :
                type : length
                min : 0
                max : 2000

2、组装自己的analyzer

ES内置若干analyzer, 另外还可以用内置的character filter, tokenizer, token filter组装一个analyzer(custom analyzer)， 比如

代码语言：javascript复制

index :
    analysis :
        analyzer :
            myAnalyzer :
                tokenizer : standard
                filter : [standard, lowercase, stop]

3、使用第三方分词器

如果你要使用第三方的analyzer插件，需要先在配置文件elasticsearch.yml中注册, 下面是配置IkAnalyzer的例子

代码语言：javascript复制

index:
  analysis:
    analyzer:      
      ik:
          alias: [ik_analyzer]
          type: org.elasticsearch.index.analysis.IkAnalyzerProvider

当一个analyzer在配置文件中被注册到一个名字(logical name)下后，在mapping定义或者一些API里就可以用这个名字来引用该analyzer了，比如

代码语言：javascript复制

"message": {
    "type": "string",
    "indexAnalyzer": "ik",
    "searchAnalyzer": "ik"
}

4、配置默认分词器

如果没有指定索引和搜索用的analyzer，ES会用默认的analyzer来处理，也就是名字(logical name)为default, default_index, default_search的analyzer。从名字可以看出来，default是索引和搜索时用的默认的analyzer，default_index是索引时用的默认的analyzer， default_search是查询时用的默认analyzer。

下面是在elasticsearch.yml中配置默认analyzer的例子

代码语言：javascript复制

index:
  analysis:
    analyzer:
        default_index:
            tokenizer: standard
            filter: [standard, lowercase, my_synonym, my_snow]
        default_search:
            tokenizer: standard
            filter: [standard, lowercase, stop]

或者用这种格式

代码语言：javascript复制

index.analysis.analyzer.default.type : "mmseg"

一个analyzer可以起若干别名，比如在下面的例子中，standard analyzer可以用alias1或者alias2来引用

代码语言：javascript复制

index :
  analysis :
    analyzer :
      standard :
        alias: [alias1, alias2]
        type : standard
        stopwords : [test1, test2, test3]

下面是内置的一些analyzer：

analyzer

logical name

description

standard analyzer

standard

standard tokenizer, standard filter, lower case filter, stop filter

simple analyzer

simple

lower case tokenizer

stop analyzer

stop

lower case tokenizer, stop filter

keyword analyzer

keyword

不分词，内容整体作为一个token(not_analyzed)

pattern analyzer

whitespace

正则表达式分词，默认匹配W

language analyzers

lang

各种语言

snowball analyzer

snowball

standard tokenizer, standard filter, lower case filter, stop filter, snowball filter

custom analyzer

custom

一个Tokenizer, 零个或多个Token Filter, 零个或多个Char Filter

5.tokenizer

ES内置的tokenizer列表。

tokenizer

logical name

description

standard tokenizer

standard

edge ngram tokenizer

edgeNGram

keyword tokenizer

keyword

不分词

letter analyzer

letter

按单词分

lowercase analyzer

lowercase

letter tokenizer, lower case filter

ngram analyzers

nGram

whitespace analyzer

whitespace

以空格为分隔符拆分

pattern analyzer

pattern

定义分隔符的正则表达式

uax email url analyzer

uax_url_email

不拆分url和email

path hierarchy analyzer

path_hierarchy

处理类似/path/to/somthing样式的字符串

6、token filter

ES内置的token filter列表。

token filter

logical name

description

standard filter

standard

ascii folding filter

asciifolding

length filter

length

去掉太长或者太短的

lowercase filter

lowercase

转成小写

ngram filter

nGram

edge ngram filter

edgeNGram

porter stem filter

porterStem

波特词干算法

shingle filter

shingle

定义分隔符的正则表达式

stop filter

stop

移除 stop words

word delimiter filter

word_delimiter

将一个单词再拆成子分词

stemmer token filter

stemmer

stemmer override filter

stemmer_override

keyword marker filter

keyword_marker

keyword repeat filter

keyword_repeat

kstem filter

kstem

snowball filter

snowball

phonetic filter

phonetic

https://github.com/elastic/elasticsearch-analysis-phonetic

synonym filter

synonyms

处理同义词

compound word filter

dictionary_decompounder,hyphenation_decompounder

分解复合词

reverse filter

reverse

反转字符串

elision filter

elision

去掉缩略语

truncate filter

truncate

截断字符串

unique filter

unique

pattern capture filter

pattern_capture

pattern replace filte

pattern_replace

用正则表达式替换

trim filter

trim

去掉空格

limit token count filter

limit

限制token数量

hunspell filter

hunspell

拼写检查

common grams filter

common_grams

normalization filter

arabic_normalization, persian_normalization

7、character filter

ES内置的character filter列表

character filter

logical name

description

mapping char filter

mapping

根据配置的映射关系替换字符

html strip char filter

html_strip

去掉HTML元素

pattern replace char filter

pattern_replace

用正则表达式处理字符串

analyzer 存储 es 编程算法

1 人点赞