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
分詞器的組成
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
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
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 } ] }
現在，我們來看下 Whitespace Analyzer 分詞器：
Whitespace Analyzer
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
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 } ] }
接下來看下 Keyword Analyzer：
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
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。