es - elasticsearch 自定义分析器 - 内建分词过滤器 - 1

世界上并没有完美的程序，但是我们并不因此而沮丧，因为写程序就是一个不断追求完美的过程。

自定义分析器 :

1. Character filters :
   1. 作用 : 字符的增、删、改转换
   2. 数量限制 : 可以有0个或多个
   3. 内建字符过滤器 :
   1. HTML Strip Character filter : 去除html标签
   2. Mapping Character filter : 映射替换
   3. Pattern Replace Character filter : 正则替换
2. Tokenizer :
   1. 作用 :
   1. 分词
   2. 记录词的顺序和位置（短语查询）
   3. 记录词的开头和结尾位置（高亮）
   4. 记录词的类型（分类）
   2. 数量限制 : 有且只能有一个
   3. 分类 :
   1. 完整分词 :
   1. Standard
   2. Letter
   3. Lowercase
   4. whitespace
   5. UAX URL Email
   6. Classic
   7. Thai
   2. 切词 :
   1. N-Gram
   2. Edge N-Gram
   3. 文本 :
   1. Keyword
   2. Pattern
   3. Simple Pattern
   4. Char Group
   5. Simple Pattern split
   6. Path
3. Token filters :
   1. 作用 : 分词的增、删、改转换
   2. 数量限制 : 可以有0个或多个
   3. 分类 :
   1. apostrophe
   2. asciifolding
   3. cjk bigram
   4. cjk width

今天演示各种有趣的token filter :

# apostrophe token filter
# 过滤掉撇号和它后面的字符
# 用于土耳其语
GET /_analyze
{
  "tokenizer": "standard",
  "filter": ["apostrophe"],
  "text": ["Istanbul'a veya Istanbul'dan"]
}

# 结果
{
  "tokens" : [
    {
      "token" : "Istanbul",
      "start_offset" : 0,
      "end_offset" : 10,
      "type" : "<ALPHANUM>",
      "position" : 0
    },
    {
      "token" : "veya",
      "start_offset" : 11,
      "end_offset" : 15,
      "type" : "<ALPHANUM>",
      "position" : 1
    },
    {
      "token" : "Istanbul",
      "start_offset" : 16,
      "end_offset" : 28,
      "type" : "<ALPHANUM>",
      "position" : 2
    }
  ]
}

# asciifolding token filter
# 转为ascii
# 配置项 :
#   preserve_original : 输出原始字符，默认 false
GET /_analyze
{
  "tokenizer": "keyword",
  "filter": {
    "type" : "asciifolding",
    "preserve_original" : true
  },
  "text": ["hello good 我是中国人 açaí à"]
}


# 结果
{
  "tokens" : [
    {
      "token" : "hello good 我是中国人 acai a",
      "start_offset" : 0,
      "end_offset" : 23,
      "type" : "word",
      "position" : 0
    },
    {
      "token" : "hello good 我是中国人 açaí à",
      "start_offset" : 0,
      "end_offset" : 23,
      "type" : "word",
      "position" : 0
    }
  ]
}

# CJK bigram token filter
# 中日韩双字母组过滤器
# 只对分词结果过滤
# 配置项 :
#   1. ignored_scripts : 不进行双字母分组的内容
#       1. han      : 汉语
#       2. hangul   : 韩语
#       3. hiragana : 日语
#       4. katakana :
#   2. output_unigrams : 
#       1. 为 true 则输出 bigram 和 unigram
#       2. 默认为 false 
GET /_analyze
{
  "tokenizer": "standard",
  "filter": ["cjk_bigram"],
  "text": ["我是中国人"]
}

# 结果
{
  "tokens" : [
    {
      "token" : "我是",
      "start_offset" : 0,
      "end_offset" : 2,
      "type" : "<DOUBLE>",
      "position" : 0
    },
    {
      "token" : "是中",
      "start_offset" : 1,
      "end_offset" : 3,
      "type" : "<DOUBLE>",
      "position" : 1
    },
    {
      "token" : "中国",
      "start_offset" : 2,
      "end_offset" : 4,
      "type" : "<DOUBLE>",
      "position" : 2
    },
    {
      "token" : "国人",
      "start_offset" : 3,
      "end_offset" : 5,
      "type" : "<DOUBLE>",
      "position" : 3
    }
  ]
}

# cjk_width token filter
# 将全宽的ascii转为等价的拉丁字符
GET /_analyze
{
  "tokenizer": "standard",
  "filter": ["cjk_width"],
  "text" : ["我是中国人 fsdf"]
}

# 结果
{
  "tokens" : [
    {
      "token" : "我",
      "start_offset" : 0,
      "end_offset" : 1,
      "type" : "<IDEOGRAPHIC>",
      "position" : 0
    },
    {
      "token" : "是",
      "start_offset" : 1,
      "end_offset" : 2,
      "type" : "<IDEOGRAPHIC>",
      "position" : 1
    },
    {
      "token" : "中",
      "start_offset" : 2,
      "end_offset" : 3,
      "type" : "<IDEOGRAPHIC>",
      "position" : 2
    },
    {
      "token" : "国",
      "start_offset" : 3,
      "end_offset" : 4,
      "type" : "<IDEOGRAPHIC>",
      "position" : 3
    },
    {
      "token" : "人",
      "start_offset" : 4,
      "end_offset" : 5,
      "type" : "<IDEOGRAPHIC>",
      "position" : 4
    },
    {
      "token" : "fsdf",
      "start_offset" : 6,
      "end_offset" : 10,
      "type" : "<ALPHANUM>",
      "position" : 5
    }
  ]
}

好了，今天先到这里，明天继续