Elasticsearch7.8.0版本进阶——自定义分析器

一、自定义分析器的概述

Elasticsearch 带有一些现成的分析器，然而在分析器上 Elasticsearch 真正的强大之
处在于，你可以通过在一个适合你的特定数据的设置之中组合字符过滤器、分词器、词汇单
元过滤器来创建自定义的分析器。

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:

• 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。
• 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 。
• 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。 如：lowercase 和 stop 词过滤器。
  在 Elasticsearch 里面还有很多可供选择的词单元过滤器，例如：
  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。

二、自定义的分析器的测试示例

• 通过postman工具，在消息体里，指定分析器和要分析的文本

  # PUT http://localhost:9200/my_index
  {
      "settings": {
          "analysis": {
              "char_filter": {
                  "&_to_and": {
                      "type": "mapping",
                      "mappings": [ "&=> and "]
                  }
              },
              "filter": {
                  "my_stopwords": {
                      "type": "stop",
                      "stopwords": [ "the", "a" ]
                  }
              },
              "analyzer": {
                  "my_analyzer": {
                      "type": "custom",
                      "char_filter": [ "html_strip", "&_to_and" ],
                      "tokenizer": "standard",
                      "filter": [ "lowercase", "my_stopwords" ]
                  }
              }
          }
      }
  }
  

  

• 索引被创建以后，使用 analyze API 来 测试这个新的分析器

  # GET http://127.0.0.1:9200/my_index/_analyze
  {
  	"text":"The quick & brown fox",
  	"analyzer": "my_analyzer"
  }