Elasticsearch 自定义分词同义词环节的这个细节不大好理解......
1、问题引出
球友认证考试前一天晚上提问：
扩展背景描述：
这是 Elasticsearch 自定义分词 Text analysis 章节 Token filter reference 小节的 同义词 token 过滤 （Synonym token filter）的一个参数。
的确，官方文档讲解的不详细。
我们彻底解读一下。
2、自定义分词基础认知
如果读者们对自定义分词的实现有疑问，推荐阅读：
3、给个实战例子，一探究竟
3.1 自定义分词 DSL
PUT test_index
{
"settings": {
"index": {
"analysis": {
"analyzer": {
"synonym": {
"tokenizer": "whitespace",
"filter": [
"synonym"
]
}
},
"filter": {
"synonym": {
"type": "synonym",
"lenient": true,
"synonyms": [
"ipod, i-pod, i pod"
]
}
}
}
}
},
"mappings": {
"properties": {
"title": {
"type": "text",
"analyzer": "synonym"
}
}
}
}
解读如下：
如图所示，结合前面的 DSL 定义。
自定义分词器的名字：synonym。
tokenizer 使用：whitespace 空白分词器。
filter 也就是 token filter 使用：synonym 同义词实现。
而空白分隔分词器的本质，举例如下：
POST _analyze
{
"analyzer": "whitespace",
"text": "The 2 QUICK Brown-Foxes jumped over the lazy dog's bone."
}
分词后的结果为：
The |
2 |
QUICK |
Brown-Foxes |
jumped |
over |
the |
lazy |
dog's |
bone. |
概括一下：空格分词器在遇到空格字符时会将文本分解为多个词，仅以空格作为分词分隔单元。
3.2 token filter 细节参数解读
参数 1 —— "type": "synonym"
含义：同义词类型。
参数 2 ——"lenient": true
含义：如果为 true，则在解析同义词配置时会忽略异常。重要的是要注意，只有那些无法解析的同义词规则才被忽略。
默认值：false。
参数 3 —— "synonyms"
指定同义词，也就是指定谁和谁成为同义词。
参数4 ——“expand ”
这个就是文章开头提及的参数，缺省值就是 true。所以上述 DSL 并没有显示指定。
那参数：expand 到底啥意思呢？
4、通过对比，认清 expand 含义
4.1 验证 DSL
POST test_index/_doc/1
{"title":"ipod is my love"}
POST test_index/_doc/2
{"title":"i-pod is my love"}
POST test_index/_doc/3
{"title":"i pod is my love"}
POST test_index/_search
{
"query": {
"match": {
"title": "ipod"
}
}
}
POST test_index/_search
{
"query": {
"match": {
"title": "i-pod"
}
}
}
POST test_index/_search
{
"query": {
"match": {
"title": "i pod"
}
}
}
4.2 expand设置为 true
默认值，无需指定即可生效。
分词验证一把：
POST test_index/_analyze
{
"text":"i pod is my love",
"analyzer": "synonym"
}
结论截图如下：
执行 4.1 的 DSL，检索任何一个，全量三个文档都能返回。
ipod, i-pod, i pod 的含义如下：
具体意思：
ipod 等价于 ipod, i-pod, i pod 三个的每一个。
i-pod等价于 ipod, i-pod, i pod 三个的每一个。
i pod 等价于 ipod, i-pod, i pod 三个的每一个。
而，"ipod, i-pod, i pod => ipod"的含义如下：
POST test_index/_analyze
{
"text":"i pod is my love",
"analyzer": "synonym"
}
进一步解读为：
ipod 仅等价于 ipod,。
i-pod 仅等价于 ipod,。
i pod 仅等价于 ipod,。
4.3 expand设置为 false
DELETE test_index
PUT test_index
{
"settings": {
"index": {
"analysis": {
"analyzer": {
"synonym": {
"tokenizer": "whitespace",
"filter": [
"synonym"
]
}
},
"filter": {
"synonym": {
"type": "synonym",
"expand":false,
"lenient": true,
"synonyms": [
"ipod, i-pod, i pod"
]
}
}
}
}
},
"mappings": {
"properties": {
"title": {
"type": "text",
"analyzer": "synonym"
}
}
}
}
POST test_index/_analyze
{
"text":"i pod is my love",
"analyzer": "synonym"
}
POST test_index/_analyze
{
"text":"i-pod is my love",
"analyzer": "synonym"
}
上述最后两个 analyze 分词结果为：
ipod, i-pod, i pod 的含义如下：ipod, i-pod, i pod 和 ipod 等价。具体意思：
ipod 仅 等价于 ipod一个。
i-pod 仅 等价于 ipod一个。
i pod 仅 等价于 ipod一个。
"ipod, i-pod, i pod => ipod"的含义同 4.2 解读，不再赘述。
5、有了结论再看官方文档
expand 是扩展的意思。
如果为 true，支持扩展，和每一个同义词是同义词。
如果为 false，不支持扩展，仅和最后指向的同义词同义。
6、小结
实践一把，探究真相！
和你一起，死磕 Elastic！
Elastic 核心知识点脑图解读，助力快速建立全局知识体系！
推荐：
中国最大的 Elastic 非官方公众号
点击查看“阅读原文”，更短时间更快习得更多干货。和全球 1000 位+ Elastic 爱好者（含中国 50%+ Elastic 认证工程师）一起每日精进 ELK 技能！