原文:Elasticsearch7.X 入门学习第七课笔记-----Mapping多字段与自定义Analyzer
版权声明:本文为博主原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.csdn.net/qq_36697880/article/details/100692056
多字段类型
所谓多字段类型,即:一个字段可以有多个子字段。这种特性带来了以下好处。
- 增加一个keyword子字段,可用于精确匹配
可对子字段设置不同的analyzer
- 不通语言的支持
可对中文拼音字段进行搜索
可对搜索和索引指定不同的Analyzer
精确值和全文本
精确值(Exact Values) vs 全文本(Full Text)
- 精确值,包括数字、日期、具体的字符串(如“192.168.0.1”)
Elasticsearch中类型为keyword,索引时,不需要做特殊的分词处理
全文本,非结构化的文本数据
Elasticsearch中类型为text,索引时,需要对其进行分词处理
如下结构的数据,我们可以大致判断出哪些是精确值,哪些是全文本。其中的200、info、debug都是精确值。而message的内容为全文本。
{
"code": 200,
"message": "this is a error item, you can change your apollo config !",
"content": {
"tags": [
"info",
"debug"
]
}
}
自定义分词器
自定义分词器,可通过组合不同的Character Filter
、Tokenizer
和Token Filter
来实现。
一个 分析器 就是在一个包里面组合了三种函数的一个包装器, 三种函数按照顺序被执行:
Character Filter(
字符过滤器)
字符过滤器 用来 整理
一个尚未被分词的字符串。例如,如果我们的文本是HTML格式的,它会包含像 <p>
或者 <div>
这样的HTML标签,这些标签是我们不想索引的。我们可以使用 html清除
字符过滤器 来移除掉所有的HTML标签,并且像把 Á
转换为相对应的Unicode字符 Á
这样,转换HTML实体。
一个分析器可能有0个或者多个字符过滤器。
Character Filter
,常用的字符过滤器包括:
类型 | 作用 |
---|---|
html_strip | 去除html |
mapping | 字符串替换 |
pattern replace | 正则匹配替换 |
Tokenizer(
分词器)
一个分析器 必须 有一个唯一的分词器。 分词器把字符串分解成单个词条或者词汇单元。 标准
分析器里使用的 标准
分词器 把一个字符串根据单词边界分解成单个词条,并且移除掉大部分的标点符号,然而还有其他不同行为的分词器存在。
例如, 关键词
分词器 完整地输出 接收到的同样的字符串,并不做任何分词。 空格
分词器 只根据空格分割文本 。 正则
分词器 根据匹配正则表达式来分割文本 。
常用的分词器包括:
whitespace
standard
uax_url_email
pattern
keyword
path_hierarchy
Token Filter
(词单元过滤器)
经过分词,作为结果的 词单元流 会按照指定的顺序通过指定的词单元过滤器 。
词单元过滤器可以修改、添加或者移除词单元。 lowercase
和 stop
词过滤器 ,但是在 Elasticsearch 里面还有很多可供选择的词单元过滤器。 词干过滤器 把单词 遏制
为 词干。 ascii_folding
过滤器移除变音符,把一个像 "très"
这样的词转换为 "tres"
。 ngram
和 edge_ngram
词单元过滤器 可以产生 适合用于部分匹配或者自动补全的词单元。
类型 | 作用 |
---|---|
lowercase | 转换为小写 |
stop | 去掉the、a、an等单词 |
synonym | 转换为近义词 |
学习实例
1 使用 Character Filter(
字符过滤器) 中的mapping
## 使用 char_filter 的mapping替换 字符
POST _analyze
{
"tokenizer": "standard",
"char_filter": [
{ "type":"mapping",
"mappings":[" - => _"]
}
],
"text": "123-456, I-test! test-990 650-555-1234"
}
#char filter 替换表情符号
POST _analyze
{
"tokenizer": "standard",
"char_filter": [
{
"type" : "mapping",
"mappings" : [ ":) => happy", ":( => sad"]
}
],
"text": ["I am felling :)", "Feeling :( today"]
}
2 使用Character Filter(
字符过滤器) 中的
html_strip 去除 html标签
POST _analyze
{
"tokenizer":"keyword",
"char_filter":["html_strip"],
"text": "<b>hello world</b>"
}
3 使用 Token Filter
(词单元过滤器)
# white space and snowball
GET _analyze
{
"tokenizer": "whitespace",
"filter": ["stop","snowball"],
"text": ["The gilrs in China are playing this game!"]
}
# white space and stop
POST _analyze
{
"tokenizer": "whitespace",
"filter": ["stop"],
"text": ["The rain in Spain falls mainly on the plain."]
}
#remove 加入lowercase后,The被当成 stopword删除
GET _analyze
{
"tokenizer": "whitespace",
"filter": ["lowercase","stop","snowball"],
"text": ["The gilrs in China are playing this game!"]
}
#正则表达式
GET _analyze
{
"tokenizer": "standard",
"char_filter": [
{
"type" : "pattern_replace",
"pattern" : "http://(.*)",
"replacement" : "$1"
}
],
"text" : "http://www.elastic.co"
}
自定义分析器标准格式是:
PUT /my_index
{
"settings": {
"analysis": {
"char_filter": { ... custom character filters ... },//字符过滤器
"tokenizer": { ... custom tokenizers ... },//分词器
"filter": { ... custom token filters ... }, //词单元过滤器
"analyzer": { ... custom analyzers ... }//指定选用的自定义分词器
}
}
}
1 实例 自定义一个分词器:
1)把 & 转换为 and
2)使用自定义 停止
词过滤器移除自定义的停止词列表中包含的词 [ "the", "a" ]
3)使用 html清除
字符过滤器移除HTML部分
#自定义分词器
PUT /my_index
{
"settings": {
"analysis": {
"char_filter": {
"&_to_and":{
"type":"mapping",
"mappings" : [ " &=> and"]
}
},
"filter": {
"my_stopwords":{
"type":"stop",
"stopwords": [ "the", "a" ]
}
},
"analyzer": {
"myanalyzer":{
"type":"custom",
"char_filter":[ "html_strip", "&_to_and" ],
"tokenizer": "standard",
"filter": [ "lowercase", "my_stopwords" ]
}
}
}
}
}
比如自定义好的analyzer名字是my_analyzer,在此索引下的某个新增字段应用此分析器
PUT /my_index/_mapping
{
"properties":{
"username":{
"type":"text",
"analyzer" : "my_analyzer"
},
"password" : {
"type" : "text"
}
}
}
=================插入数据====================
PUT /my_index/_doc/1
{
"username":"The quick & brown fox ",
"password":"The quick & brown fox "
}
====username采用自定义分析器my_analyzer,password采用默认的standard分析器==
===验证
GET /index_v1/_analyze
{
"field":"username",
"text":"The quick & brown fox"
}
GET /index_v1/_analyze
{
"field":"password",
"text":"The quick & brown fox"
}