這篇文章主要來介紹下什麼是 Analysis ,什麼是分詞器,以及 ElasticSearch 自帶的分詞器是怎麼工作的,最後會介紹下中文分詞是怎麼做的。
首先來說下什麼是 Analysis:
什麼是 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製化分析器。
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。
再簡單瞭解了 Analysis 與 Analyzer 之後,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 標籤
- 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,最後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麼樣工作的:
- 直接指定 Analyzer 進行測試
<code>GET _analyze {"analyzer"
:"standard"
,"text"
:"Mastering Elasticsearch , elasticsearch in Action"
} /<code>
- 指定索引的字段進行測試
<code>POST books/_analyze {"field"
:"title"
,"text"
:"Mastering Elasticesearch"
} /<code>
- 自定義分詞進行測試
<code>POST /_analyze {"tokenizer"
:"standard"
,"filter"
: ["lowercase"
],"text"
:"Mastering Elasticesearch"
} /<code>
再瞭解了 Analyzer API 後,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,切分好以後會進行轉小寫處理,默認的 stopwords 是關閉的。
下面使用 Kibana 看一下它是怎麼樣進行工作的,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.,然後我們運行一下:
<code>GET _analyze {"analyzer"
:"standard"
,"text"
:"In 2020, Java is the best language in the world."
} /<code>
運行結果如下:
<code>{"tokens"
: [ {"token"
:"in"
,"start_offset"
:0
,"end_offset"
:2
,"type"
:""
,"position"
:0
}, {"token"
:"2020"
,"start_offset"
:3
,"end_offset"
:7
,"type"
:""
,"position"
:1
}, {"token"
:"java"
,"start_offset"
:9
,"end_offset"
:13
,"type"
:""
,"position"
:2
}, {"token"
:"is"
,"start_offset"
:14
,"end_offset"
:16
,"type"
:""
,"position"
:3
}, {"token"
:"the"
,"start_offset"
:17
,"end_offset"
:20
,"type"
:""
,"position"
:4
}, {"token"
:"best"
,"start_offset"
:21
,"end_offset"
:25
,"type"
:""
,"position"
:5
}, {"token"
:"language"
,"start_offset"
:26
,"end_offset"
:34
,"type"
:""
,"position"
:6
}, {"token"
:"in"
,"start_offset"
:35
,"end_offset"
:37
,"type"
:""
,"position"
:7
}, {"token"
:"the"
,"start_offset"
:38
,"end_offset"
:41
,"type"
:""
,"position"
:8
}, {"token"
:"world"
,"start_offset"
:42
,"end_offset"
:47
,"type"
:""
,"position"
:9
} ] } /<code>
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,最後對切分好的做轉小寫處理,然後接著用剛才的輸入文本,分詞器換成 simple 來進行分詞,運行結果如下:
<code>{"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
} ] } /<code>
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
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麼樣工作的:
<code>{"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
} ] } /<code>
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:
<code>{"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
} ] } /<code>
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
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:
<code>{"tokens"
: [ {"token"
:"In 2020, Java is the best language in the world."
,"start_offset"
:0
,"end_offset"
:48
,"type"
:"word"
,"position"
:0
} ] } /<code>
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,在裡面可以指定不同的語言,我們用 english 進行分詞看下:
<code>{"tokens"
: [ {"token"
:"2020"
,"start_offset"
:3
,"end_offset"
:7
,"type"
:""
,"position"
:1
}, {"token"
:"java"
,"start_offset"
:9
,"end_offset"
:13
,"type"
:""
,"position"
:2
}, {"token"
:"best"
,"start_offset"
:21
,"end_offset"
:25
,"type"
:""
,"position"
:5
}, {"token"
:"languag"
,"start_offset"
:26
,"end_offset"
:34
,"type"
:""
,"position"
:6
}, {"token"
:"world"
,"start_offset"
:42
,"end_offset"
:47
,"type"
:""
,"position"
:9
} ] } /<code>
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。
最後,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:
<code>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 /<code>
那麼,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。
<code>GET _analyze {"analyzer"
:"standard"
,"text"
:"各國有企業相繼倒閉"
} /<code>
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:
<code>{"tokens"
: [ {"token"
:"各國"
,"start_offset"
:0
,"end_offset"
:2
,"type"
:""
,"position"
:0
}, {"token"
:"有"
,"start_offset"
:2
,"end_offset"
:3
,"type"
:""
,"position"
:1
}, {"token"
:"企業"
,"start_offset"
:3
,"end_offset"
:5
,"type"
:""
,"position"
:2
}, {"token"
:"相繼"
,"start_offset"
:5
,"end_offset"
:7
,"type"
:""
,"position"
:3
}, {"token"
:"倒閉"
,"start_offset"
:7
,"end_offset"
:9
,"type"
:""
,"position"
:4
} ] } /<code>
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,在這裡列舉幾個:
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,支持分詞和詞性標註
- 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,最後還介紹下中文分詞是怎麼做的。
參考文獻
Elasticsearch頂尖高手系列
Elasticsearch核心技術與實戰