Elasticsearch N-gram分词器介绍 (7)

一.概述

　　Ngram是一种基于统计语言模型的算法。Ngram基本思想是将文本里面的内容按照字节大小进行滑动窗口操作，形成长度是N的字节片段序列。此时每一个字节片段称为gram。对所有gram的出现频度进行统计，并且按照事先设定好的阈值进行过滤，形成关键gram列表，也就是这个文本的向量特征空间。列表中的每一种gram就是一个特征向量维度。

　　应用场景：

　　　　1）要分词的文本是：没有空格，没有停用词，无分隔符，或属于行业术语的文本等。

　　　　　　　　例如：元器件行业型号：bu406, 搜索关键词 ”u40“ 希望能搜索到bu406的型号文档。

　　　　　　　　　　　无分隔符的手机号码13692345603，搜索关键词”9234“ 希望能搜索到13692345603的手机号文档，可提高检索效率（相较于wildcard检索和正则匹配检索来说）。

　　　　2）要求输入搜索的关键词高亮显示。

　　　　　　　　使用Ngram分词，结合match或者match_phrase检索实现。

　　　　3）大数据量下，要求支持左右匹配的模糊搜索，不建议使用wildcrad匹配。

　　　　　　　　使用Ngram分词以(存储)空间来换(检索)时间。

　　分词示例：

　　　　下面示例使用ngram的默认配置来分词， gram最小长度为1 ，gram最大长度为2

POST _analyze
{
  "tokenizer": "ngram",
  "text": "Quick Fox"
}

 　　　　分词结果:[ Q, Qu, u, ui, i, ic, c, ck, k, "k ", " ", " F", F, Fo, o, ox, x ]

二. Naram配置

　　分词器接收以下参数：

　　　　1）min_gram： 以gram为单位的最小字符长度，默认值为 1

　　　　2）max_gram：以gram为单位的最大字符长度，默认值为 2

　　　　3）token_chars：令牌(分词结果)中包含的字符类型，默认是全部类型。字符类型可以是以下几种类型：

　　　　　　　　letter ---保留字母类型，如a,b,c, 京

　　　　　　　　digit  ---保留数字类型，如1，2

　　　　　　　　whitespace ---保留空格类型，如 " " or "\n"

　　　　　　　　punctuation ---保留标点类型，如  ! or "

　　　　　　　　symbol ---保留符号类型，如 $ or √

　　　　　　　　custom ---保留自定义类型，使用custom_token_chars设置自定义的字符

　　　　4）custom_token_chars：自定义的字符将视为令牌的一部分

　　注意：将 min_gram 和 max_gram 设置为相同的值通常是有意义的。

　　　　　　min_gram值越小，匹配的文档就越多，但匹配出来的文档相关性质量就越低。

　　　　　　max_gram值越长,  匹配的文档就越少，但匹配出来的文档相关性质量就越高。

　　　　　　通常：min_gram 长度为 3是一个很好的起点。

　　索引级别max_ngram_diff参数控制最大允许的差异，max_gram的值不能超过。

三.配置示例

　　示例1 

　　　　在此示例中，将分词器配置保留letter,digit二种类型，并设置min_gram和max_gram都为 3

PUT my-index-000001
{
  "settings": {
    "analysis": {
      "analyzer": {
        "my_analyzer": {
          "tokenizer": "my_tokenizer"
        }
      },
      "tokenizer": {
        "my_tokenizer": {
          "type": "ngram",
          "min_gram": 3,
          "max_gram": 3,
          "token_chars": [
            "letter",
            "digit"
          ]
        }
      }
    }
  }
}

　　　　分词示例

POST my-index-000001/_analyze
{
  "analyzer": "my_analyzer",
  "text": "2 Quick Foxes."
}

　　　　分词结果：[ Qui, uic, ick, Fox, oxe, xes ]

　　示例2

　　　　与示例1不同的是min_gram值为1，max_gram值为3，当二种不同时，必需要设置index.max_ngram_diff 参数值

PUT my-index-000001
{
  "settings": {
    "index.max_ngram_diff":3,
    "analysis": {
      "analyzer": {
        "my_analyzer": {
          "tokenizer": "my_tokenizer"
        }
      },
      "tokenizer": {
        "my_tokenizer": {
          "type": "ngram",
          "min_gram": 1,
          "max_gram": 3,
          "token_chars": [
            "letter",
            "digit"
          ]
        }
      }
    }
  }
}

　　　　分词示例

POST my-index-000001/_analyze
{
  "analyzer": "my_analyzer",
  "text": "2 Quick Foxes."
}

　　　　分词结果：[2,Q,Qu,Qui,u,ui,uic,i,ic,ick,c,ck,k,Fo,Fox,o,ox,oxe,x,xe,xes,e,es,s]

　　示例3

　　　　高亮显示示例

PUT my-index-000001
{
  "settings": {
    "index.max_ngram_diff":3,
    "analysis": {
      "analyzer": {
        "my_analyzer": {
          "tokenizer": "my_tokenizer"
        }
      },
      "tokenizer": {
        "my_tokenizer": {
          "type": "ngram",
          "min_gram": 1,
          "max_gram": 3,
          "token_chars": [
            "letter",
            "digit"
          ]
        }
      }
    }
  },
  "mappings": {
    "properties": {
      "remark":{
        "type": "text",
        "analyzer": "my_analyzer"
      }
    }
  }
}

　　　　插入一个文档

post my-index-000001/_doc
{
  "remark": "2 Quick Foxes."
}

　　　　搜索关键词并高亮显示，实现了模糊搜索的功能

get my-index-000001/_search
{
  "highlight":{
    "fields": {
      "remark": {}
    }
  },
  "query":{
    "match": {
      "remark": "uic"
    }
  }
}

　　　　搜索结果如下：

{
  "took" : 1304,
  "timed_out" : false,
  "_shards" : {
    "total" : 1,
    "successful" : 1,
    "skipped" : 0,
    "failed" : 0
  },
  "hits" : {
    "total" : {
      "value" : 1,
      "relation" : "eq"
    },
    "max_score" : 1.7260926,
    "hits" : [
      {
        "_index" : "my-index-000001",
        "_type" : "_doc",
        "_id" : "DPs3wo4B-QCTFG8xdKKR",
        "_score" : 1.7260926,
        "_source" : {
          "remark" : "2 Quick Foxes."
        },
        "highlight" : {
          "remark" : [
            "2 Q<em>u</em><em>i</em><em>c</em>k Foxes."
          ]
        }
      }
    ]
  }
}

参考官方资料：N-gram tokenizer