ElasticSearch 分词器介绍及测试：Standard（标准分词器）、English（英文分词器）、Chinese（中文分词器）、IK（IK 分词器）

ElasticSearch 分词器介绍及测试
- 1. Standard Analyzer（标准分词器）
- 2. English Analyzer（英文分词器）
- 3. Chinese Analyzer（中文分词器）
- 4. IK Analyzer（IK 分词器）
- 官网资源
- 小结

本文 ElasticSearch 版本为：7.17.9，为了对应 spring-boot-starter-parent 的 2.7.9 版本

ElasticSearch 分词器介绍及测试

ElasticSearch 提供了多种内置的分词器（Analyzer），用于文本的分析和分词。分词器是文本分析的核心，决定了如何把输入的文本字符串分解成一个个“词项”（token）。不同的分词器适用于不同的语言和场景，如中文、英文等。本文将介绍常用的分词器及其应用。

1. Standard Analyzer（标准分词器）

功能：standard 是 ElasticSearch 的默认分词器，基于 Unicode 文本分解标准，适用于多种语言。它会将文本中的标点符号、常见停用词移除，并将文本转化为小写。
用途：适用于大多数通用场景，尤其是处理混合语言或没有特殊分词需求的情况。
分词示例：
- 输入："The quick brown fox"
- 输出：["the", "quick", "brown", "fox"]

使用 ElasticSearch 的可视化界面 Kibana 的调试工具 Dev Tools 调用解析接口测试：

# `standard` 是 ElasticSearch 的默认分词器，基于 Unicode 文本分解标准，适用于多种语言。它会将文本中的标点符号、常见停用词移除，并将文本转化为小写。
POST /_analyze
{
  "analyzer": "standard",
  "text": "The quick brown fox"
}

解析结果：

#! Elasticsearch built-in security features are not enabled. Without authentication, your cluster could be accessible to anyone. See https://www.elastic.co/guide/en/elasticsearch/reference/7.17/security-minimal-setup.html to enable security.
{
  "tokens" : [
    {
      "token" : "the",
      "start_offset" : 0,
      "end_offset" : 3,
      "type" : "<ALPHANUM>",
      "position" : 0
    },
    {
      "token" : "quick",
      "start_offset" : 4,
      "end_offset" : 9,
      "type" : "<ALPHANUM>",
      "position" : 1
    },
    {
      "token" : "brown",
      "start_offset" : 10,
      "end_offset" : 15,
      "type" : "<ALPHANUM>",
      "position" : 2
    },
    {
      "token" : "fox",
      "start_offset" : 16,
      "end_offset" : 19,
      "type" : "<ALPHANUM>",
      "position" : 3
    }
  ]
}

2. English Analyzer（英文分词器）

功能：english 分词器专用于英文文本的分析，除了进行基本的分词，还会进行停用词过滤，并将所有文本转换为小写字母。
用途：适用于英文文本的分析，特别是在英文搜索引擎或英文数据处理中。
分词示例：
- 输入："The quick brown fox"
- 输出：["quick", "brown", "fox"]（the 被移除作为停用词）

使用 ElasticSearch 的可视化界面 Kibana 的调试工具 Dev Tools 调用解析接口测试：

# `english` 分词器专用于英文文本的分析，除了进行基本的分词，还会进行停用词过滤，并将所有文本转换为小写字母。
POST /_analyze
{
  "analyzer": "english",
  "text": "The quick brown fox"
}

解析结果：

#! Elasticsearch built-in security features are not enabled. Without authentication, your cluster could be accessible to anyone. See https://www.elastic.co/guide/en/elasticsearch/reference/7.17/security-minimal-setup.html to enable security.
{
  "tokens" : [
    {
      "token" : "quick",
      "start_offset" : 4,
      "end_offset" : 9,
      "type" : "<ALPHANUM>",
      "position" : 1
    },
    {
      "token" : "brown",
      "start_offset" : 10,
      "end_offset" : 15,
      "type" : "<ALPHANUM>",
      "position" : 2
    },
    {
      "token" : "fox",
      "start_offset" : 16,
      "end_offset" : 19,
      "type" : "<ALPHANUM>",
      "position" : 3
    }
  ]
}

3. Chinese Analyzer（中文分词器）

功能：chinese 分词器专为中文文本设计，基于分词字典并结合最大匹配法等技术，将中文文本分解成多个词项。
用途：适用于中文文本的分词处理，特别是中文搜索引擎和中文语料处理。对中文的解析很差。
分词示例：
- 输入："今天天气很好"
- 期望的输出：["今天", "天气", "很", "好",]
- 实际的输出：["今","天", "天","气", "很", "好"]

使用 ElasticSearch 的可视化界面 Kibana 的调试工具 Dev Tools 调用解析接口测试：

# `chinese` 分词器专为中文文本设计，基于分词字典并结合最大匹配法等技术，将中文文本分解成多个词项。
# `chinese` 分词器专为中文文本设计，基于分词字典并结合最大匹配法等技术，将中文文本分解成多个词项。
POST /_analyze
{
  "analyzer": "chinese",
  "text": "今天天气很好"
}

解析结果：

#! Elasticsearch built-in security features are not enabled. Without authentication, your cluster could be accessible to anyone. See https://www.elastic.co/guide/en/elasticsearch/reference/7.17/security-minimal-setup.html to enable security.
{
  "tokens" : [
    {
      "token" : "今",
      "start_offset" : 0,
      "end_offset" : 1,
      "type" : "<IDEOGRAPHIC>",
      "position" : 0
    },
    {
      "token" : "天",
      "start_offset" : 1,
      "end_offset" : 2,
      "type" : "<IDEOGRAPHIC>",
      "position" : 1
    },
    {
      "token" : "天",
      "start_offset" : 2,
      "end_offset" : 3,
      "type" : "<IDEOGRAPHIC>",
      "position" : 2
    },
    {
      "token" : "气",
      "start_offset" : 3,
      "end_offset" : 4,
      "type" : "<IDEOGRAPHIC>",
      "position" : 3
    },
    {
      "token" : "很",
      "start_offset" : 4,
      "end_offset" : 5,
      "type" : "<IDEOGRAPHIC>",
      "position" : 4
    },
    {
      "token" : "好",
      "start_offset" : 5,
      "end_offset" : 6,
      "type" : "<IDEOGRAPHIC>",
      "position" : 5
    }
  ]
}

4. IK Analyzer（IK 分词器）

官网资源：IK Analyzer GitHub 页面
功能：IK Analyzer 是一个开源的中文分词器，专门用于处理中文文本。它结合了多种中文分词技术，支持细粒度和粗粒度的分词。
安装：需要作为 ElasticSearch 插件安装，支持通过精确模式和智能模式两种分词策略。
分词示例：
- 输入："今天天气不错，适合出游"
- ik_smart（最少切分）：["今天天气", "不错", "适合", "出游"]
- ik_max_word（最细切分）：["今天天气", "今天", "天天", "天气", "不错", "适合", "合出", "出游"]
扩展词典：支持自定义扩展词典，用户可以添加特定词语、行业术语、网络热词等。【安装IK分词器；IK分词器配置扩展词库：配置扩展字典-扩展词，配置扩展停止词字典-停用词】

使用 ElasticSearch 的可视化界面 Kibana 的调试工具 Dev Tools 调用解析接口测试：

# `IK Analyzer` ik_smart（最少切分）。
POST /_analyze
{
  "analyzer": "ik_smart",
  "text": "今天天气不错，适合出游"
}

解析结果：

#! Elasticsearch built-in security features are not enabled. Without authentication, your cluster could be accessible to anyone. See https://www.elastic.co/guide/en/elasticsearch/reference/7.17/security-minimal-setup.html to enable security.
{
  "tokens" : [
    {
      "token" : "今天天气",
      "start_offset" : 0,
      "end_offset" : 4,
      "type" : "CN_WORD",
      "position" : 0
    },
    {
      "token" : "不错",
      "start_offset" : 4,
      "end_offset" : 6,
      "type" : "CN_WORD",
      "position" : 1
    },
    {
      "token" : "适合",
      "start_offset" : 7,
      "end_offset" : 9,
      "type" : "CN_WORD",
      "position" : 2
    },
    {
      "token" : "出游",
      "start_offset" : 9,
      "end_offset" : 11,
      "type" : "CN_WORD",
      "position" : 3
    }
  ]
}

使用 ElasticSearch 的可视化界面 Kibana 的调试工具 Dev Tools 调用解析接口测试：

# `IK Analyzer` ik_smart（最少切分）。
POST /_analyze
{
  "analyzer": "ik_smart",
  "text": "今天天气不错，适合出游"
}

解析结果：

#! Elasticsearch built-in security features are not enabled. Without authentication, your cluster could be accessible to anyone. See https://www.elastic.co/guide/en/elasticsearch/reference/7.17/security-minimal-setup.html to enable security.
{
  "tokens" : [
    {
      "token" : "今天天气",
      "start_offset" : 0,
      "end_offset" : 4,
      "type" : "CN_WORD",
      "position" : 0
    },
    {
      "token" : "今天",
      "start_offset" : 0,
      "end_offset" : 2,
      "type" : "CN_WORD",
      "position" : 1
    },
    {
      "token" : "天天",
      "start_offset" : 1,
      "end_offset" : 3,
      "type" : "CN_WORD",
      "position" : 2
    },
    {
      "token" : "天气",
      "start_offset" : 2,
      "end_offset" : 4,
      "type" : "CN_WORD",
      "position" : 3
    },
    {
      "token" : "不错",
      "start_offset" : 4,
      "end_offset" : 6,
      "type" : "CN_WORD",
      "position" : 4
    },
    {
      "token" : "适合",
      "start_offset" : 7,
      "end_offset" : 9,
      "type" : "CN_WORD",
      "position" : 5
    },
    {
      "token" : "合出",
      "start_offset" : 8,
      "end_offset" : 10,
      "type" : "CN_WORD",
      "position" : 6
    },
    {
      "token" : "出游",
      "start_offset" : 9,
      "end_offset" : 11,
      "type" : "CN_WORD",
      "position" : 7
    }
  ]
}

官网资源

你可以访问 ElasticSearch 官方文档页面，获取有关不同分词器和分析器的详细介绍，以及如何配置和使用它们：

ElasticSearch 分析器官方文档

小结

ElasticSearch 提供了多种内置分词器，能够适应不同语言和文本格式的需求。选择合适的分词器对于实现高效的搜索和分析至关重要。你可以根据实际的应用场景选择 standard、chinese、english 等分词器，或根据需要创建自定义分词器来满足特定的文本分析需求。如果你有特殊的需求，可以深入研究分词器的配置选项和扩展方式。