Eelasticsearch 多字段特性及 Mapping 中配置自定義 Analyzer詳解

多字段特性

1.廠家名字實現精確匹配

• 增加一個 keyword 字段

2.使用不同的 analyzer

• 不同語言
• pinyin 字段的搜索
• 還支持爲搜索和索引指定不同的 analyzer
  

Excat values v.s Full Text

• Excat Values ：包括數字 / 日期 / 具體一個字符串 （例如 「Apple Store」）
  Elasticsearch 中的 keyword
• 全文本，非結構化的文本數據
  Elasticsearch 中的 text
  

Excat values不需要分詞

Elaticsearch 爲每一個字段創建一個倒排索引
Exact Value 在索引時，不需要做特殊的分詞處理

自定義分詞

當 Elasticsearch 自帶的分詞器無法滿足時，可以自定義分詞器。通過自組合不同的組件實現：

• Character Filter
• Tokenizer
• Token Filter

Character Filters

在 Tokenizer 之前對文本進行處理，例如增加刪除及替換字符。可以配置多個 Character Filters。會影響 Tokenizer 的 position 和 offset 信息
一些自帶的 Character Filters：

• HTML strip - 去除 html 標籤
• Mapping - 字符串替換
• Pattern replace - 正則匹配替換

Tokenizer

• 將原始的文本按照一定的規則，切分爲詞（term or token）
• Elasticsearch 內置的 Tokenizers：whitespace | standard | uax_url_email | pattern | keyword | path hierarchy
• 可以用 JAVA 開發插件，實現自己的 Tokenizer

Token Filters

• 將 Tokenizer 輸出的單詞，進行增加、修改、刪除
• 自帶的 Token Filters：Lowercase |stop| synonym（添加近義詞）