整理输入文本 | Elasticsearch: 权威指南 | Elastic
2024-12-25
当输入文本是干净的时候分词器提供最佳分词结果,有效文本,这里 有效 指的是遵从 Unicode 算法期望的标点符号规则 。 然而很多时候,我们需要处理的文本会是除了干净文本之外的任何文本。在分词之前整理文本会提升输出结果的质量。
将 HTML 通过 标准分词器
或 icu_分词器
分词将产生糟糕的结果。这些分词器不知道如何处理 HTML 标签。例如:
GET /_analyze?tokenizer=standard <p>Some déjà vu <a href="http://somedomain.com>">website</a>
标准分词器
会混淆 HTML 标签和实体,并且输出以下词汇单元: p
、 Some
、 d
、 eacute
、 j
、 agrave
、 vu
、 a
、
href
、 http
、 somedomain.com
、 website
、 a
。这些词汇单元显然不知所云!
字符过滤器 可以添加进分析器中,在将文本传给分词器之前预处理该文本。在这种情况下,我们可以用 html_strip
字符过滤器
移除 HTML 标签并编码 HTML 实体如 é
为一致的 Unicode 字符。
字符过滤器可以通过 analyze
API 进行测试,这需要在查询字符串中指明它们:
GET /_analyze?tokenizer=standard&char_filters=html_strip <p>Some déjà vu <a href="http://somedomain.com>">website</a>
想将它们作为分析器的一部分使用,需要把它们添加到 custom
类型的自定义分析器里:
PUT /my_index { "settings": { "analysis": { "analyzer": { "my_html_analyzer": { "tokenizer": "standard", "char_filter": [ "html_strip" ] } } } } }
一旦自定义分析器创建好之后, 我们新的 my_html_analyzer
就可以用 analyze
API 测试:
GET /my_index/_analyze?analyzer=my_html_analyzer <p>Some déjà vu <a href="http://somedomain.com>">website</a>
这次输出的词汇单元才是我们期望的: Some
, déjà
, vu
, website
。
标准分词器
和 icu_分词器
都能理解单词中的撇号应当被视为单词的一部分,然而包围单词的单引号在不应该。
分词文本 You're my 'favorite'
,
会被输出正确的词汇单元 You're , my , favorite
。
不幸的是, Unicode 列出了一些有时会被用为撇号的字符:
U+0027
'
)— 原始 ASCII 符号
U+2018
‘
)— 当单引用时作为一个引用的开始
U+2019
’
)— 当单引用时座位一个引用的结束,也是撇号的首选字符。
当这三个字符出现在单词中间的时候, 标准分词器
和 icu_分词器
都会将这三个字符视为撇号(这会被视为单词的一部分)。
然而还有另外三个长得很像撇号的字符:
U+201B
‛
)— 跟 U+2018
一样,但是外观上有区别
U+0091
U+0092
标准分词器
和 icu_分词器
把这三个字符视为单词的分界线 — 一个将文本拆分为词汇单元的位置。不幸的是,一些出版社用 U+201B
作为名字的典型书写方式例如 M‛coy
,
第二个俩字符或许可以被你的文字处理软件打出来,这取决于这款软件的年纪。
即使在使用可以“接受”的引号标记时,一个用单引号书写的词 — You’re
— 也和一个用撇号书写的词 — You're
— 不一样,这意味着搜索其中的一个变体将会找不到另一个。
幸运的是,可以用 mapping
对这些混乱的字符进行分类,
该过滤器可以运行我们用另一个字符替换所有实例中的一个字符。这种情况下,我们可以简单的用 U+0027
替换所有的撇号变体:
PUT /my_index { "settings": { "analysis": { "char_filter": { "quotes": { "type": "mapping", "mappings": [ "\\u0091=>\\u0027", "\\u0092=>\\u0027", "\\u2018=>\\u0027", "\\u2019=>\\u0027", "\\u201B=>\\u0027" ] } }, "analyzer": { "quotes_analyzer": { "tokenizer": "standard", "char_filter": [ "quotes" ] } } } } }
我们自定义了一个 | |
为了更清晰,我们使用每个字符的 JSON Unicode 转义语句,当然我们也可以使用他们本身字符表示: | |
我们用自定义的 |
像以前一样,我们需要在创建了分析器后测试它:
GET /my_index/_analyze?analyzer=quotes_analyzer You’re my ‘favorite’ M‛Coy
这个例子返回如下词汇单元,其中所有的单词中的引号标记都被替换为了撇号: You're
, my
, favorite
, M'Coy
。
投入更多的努力确保你的分词器接收到高质量的输入,你的搜索结果质量也将会更好。
官方地址:https://www.elastic.co/guide/cn/elasticsearch/guide/current/char-filters.html