ElasticSearch 分詞器，了解一下

這篇文章主要來介紹下什么是 Analysis ，什么是分詞器，以及 ElasticSearch 自帶的分詞器是怎么工作的，最后會介紹下中文分詞是怎么做的。

首先來說下什么是 Analysis：

什么是 Analysis？

顧名思義，文本分析就是把全文本轉換成一系列單詞（term/token）的過程，也叫分詞。在 ES 中，Analysis 是通過分詞器（Analyzer） 來實現的，可使用 ES 內置的分析器或者按需定制化分析器。

舉一個分詞簡單的例子：比如你輸入 Mastering Elasticsearch，會自動幫你分成兩個單詞，一個是 mastering，另一個是 elasticsearch，可以看出單詞也被轉化成了小寫的。

再簡單了解了 Analysis 與 Analyzer 之后，讓我們來看下分詞器的組成：

分詞器的組成

分詞器是專門處理分詞的組件，分詞器由以下三部分組成：

• Character Filters：針對原始文本處理，比如去除 html 標簽
• Tokenizer：按照規則切分為單詞，比如按照空格切分
• Token Filters：將切分的單詞進行加工，比如大寫轉小寫，刪除 stopwords，增加同義語

同時 Analyzer 三個部分也是有順序的，從圖中可以看出，從上到下依次經過 Character Filters，Tokenizer 以及 Token Filters，這個順序比較好理解，一個文本進來肯定要先對文本數據進行處理，再去分詞，最后對分詞的結果進行過濾。

其中，ES 內置了許多分詞器：

• Standard Analyzer - 默認分詞器，按詞切分，小寫處理
• Simple Analyzer - 按照非字母切分（符號被過濾），小寫處理
• Stop Analyzer - 小寫處理，停用詞過濾（the ，a，is）
• Whitespace Analyzer - 按照空格切分，不轉小寫
• Keyword Analyzer - 不分詞，直接將輸入當做輸出
• Pattern Analyzer - 正則表達式，默認 \W+
• Language - 提供了 30 多種常見語言的分詞器
• Customer Analyzer - 自定義分詞器

接下來會對以上分詞器進行講解，在講解之前先來看下很有用的 API：_analyzer API：

Analyzer API

它可以通過以下三種方式來查看分詞器是怎么樣工作的：

• 直接指定 Analyzer 進行測試

GET _analyze
{
    "analyzer": "standard",
    "text" : "Mastering Elasticsearch , elasticsearch in Action"
}

• 指定索引的字段進行測試

POST books/_analyze
{
    "field": "title",
    "text": "Mastering Elasticesearch"
}

• 自定義分詞進行測試

POST /_analyze
{
    "tokenizer": "standard", 
    "filter": ["lowercase"],
    "text": "Mastering Elasticesearch"
}

再了解了 Analyzer API 后，讓我們一起看下 ES 內置的分詞器：

ES 分詞器

首先來介紹下 Stamdard Analyzer 分詞器：

Stamdard Analyzer

它是 ES 默認的分詞器，它會對輸入的文本按詞的方式進行切分，切分好以后會進行轉小寫處理，默認的 stopwords 是關閉的。

下面使用 Kibana 看一下它是怎么樣進行工作的，在 Kibana 的開發工具（Dev Tools）中指定 Analyzer 為 standard，並輸入文本 In 2020, Java is the best language in the world.，然后我們運行一下：

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

運行結果如下：

{
  "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、非字母的方式對輸入的文本進行了轉換，比如對 Java 做了轉小寫，對一些停用詞也沒有去掉，比如 in。

其中 token 為分詞結果；start_offset 為起始偏移；end_offset 為結束偏移；position 為分詞位置。

下面來看下 Simple Analyzer 分詞器：

Simple Analyzer

它只包括了 Lower Case 的 Tokenizer，它會按照非字母切分，非字母的會被去除，最后對切分好的做轉小寫處理，然后接着用剛才的輸入文本，分詞器換成 simple 來進行分詞，運行結果如下：

{
  "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
    }
  ]
}

從結果中可以看出，數字 2020 被去除掉了，說明非字母的的確會被去除，所有的詞也都做了小寫轉換。

現在，我們來看下 Whitespace Analyzer 分詞器：

Whitespace Analyzer

它非常簡單，根據名稱也可以看出是按照空格進行切分的，下面我們來看下它是怎么樣工作的：

{
  "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，只是按照空格進行切分，2020 數字還是在的，Java 的首字母還是大寫的，, 還是保留的。

接下來看 Stop Analyzer 分詞器：

Stop Analyzer

它由 Lowe Case 的 Tokenizer 和 Stop 的 Token Filters 組成的，相較於剛才提到的 Simple Analyzer，多了 stop 過濾，stop 就是會把 the，a，is 等修飾詞去除，同樣讓我們看下運行結果：

{
  "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 等詞都被 stop filter過濾掉了。

接下來看下 Keyword Analyzer：

Keyword Analyzer

它其實不做分詞處理，只是將輸入作為 Term 輸出，我們來看下運行結果：

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

我們可以看到，沒有對輸入文本進行分詞，而是直接作為 Term 輸出了。

接下來看下 Pattern Analyzer：

Pattern Analyzer

它可以通過正則表達式的方式進行分詞，默認是用 \W+ 進行分割的，也就是非字母的符合進行切分的，由於運行結果和 Stamdard Analyzer 一樣，就不展示了。

Language Analyzer

ES 為不同國家語言的輸入提供了 Language Analyzer 分詞器，在里面可以指定不同的語言，我們用 english 進行分詞看下：

{
  "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，同時它也是有 stop 過濾器的，比如 in,is 等詞也被去除了。

最后，讓我們看下中文分詞：

中文分詞

中文分詞有特定的難點，不像英文，單詞有自然的空格作為分隔，在中文句子中，不能簡單地切分成一個個的字，而是需要分成有含義的詞，但是在不同的上下文，是有不同的理解的。

比如以下例子：

在這些，企業中，國有，企業，有十個/在這些，企業，中國，有企業，有十個
各國，有，企業，相繼，倒閉/各，國有，企業，相繼，倒閉
羽毛球，拍賣，完了/羽毛球拍，賣，完了

那么，讓我們來看下 ICU Analyzer 分詞器，它提供了 Unicode 的支持，更好的支持亞洲語言！

我們先用 standard 來分詞，以便於和 ICU 進行對比。

GET _analyze
{
  "analyzer": "standard",
  "text": "各國有企業相繼倒閉"
}

運行結果就不展示了，分詞是一個字一個字切分的，明顯效果不是很好，接下來用 ICU 進行分詞，分詞結果如下：

{
  "tokens" : [
    {
      "token" : "各國",
      "start_offset" : 0,
      "end_offset" : 2,
      "type" : "<IDEOGRAPHIC>",
      "position" : 0
    },
    {
      "token" : "有",
      "start_offset" : 2,
      "end_offset" : 3,
      "type" : "<IDEOGRAPHIC>",
      "position" : 1
    },
    {
      "token" : "企業",
      "start_offset" : 3,
      "end_offset" : 5,
      "type" : "<IDEOGRAPHIC>",
      "position" : 2
    },
    {
      "token" : "相繼",
      "start_offset" : 5,
      "end_offset" : 7,
      "type" : "<IDEOGRAPHIC>",
      "position" : 3
    },
    {
      "token" : "倒閉",
      "start_offset" : 7,
      "end_offset" : 9,
      "type" : "<IDEOGRAPHIC>",
      "position" : 4
    }
  ]
}

可以看到分成了各國，有，企業，相繼，倒閉，顯然比剛才的效果好了很多。

還有許多中文分詞器，在這里列舉幾個：

IK：

• 支持自定義詞庫，支持熱更新分詞字典
• https://github.com/medcl/elasticsearch-analysis-ik

jieba：

• Python 中最流行的分詞系統，支持分詞和詞性標注
• 支持繁體分詞、自定義詞典、並行分詞等
• https://github.com/sing1ee/elasticsearch-jieba-plugin

THULAC：

• THU Lexucal Analyzer for Chinese, 清華大學自然語言處理和社會人文計算實驗室的一套中文分詞器
• https://github.com/thunlp/THULAC-Java

大家可以自己安裝下，看下它中文分詞效果。

總結

本文主要介紹了 ElasticSearch 自帶的分詞器，學習了使用 _analyzer API 去查看它的分詞情況，最后還介紹下中文分詞是怎么做的。

參考文獻

Elasticsearch頂尖高手系列

Elasticsearch核心技術與實戰

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