原创

Elasticsearch基础(九)——倒排索引原理

我们在第一章中简单介绍过倒排索引,本章我们来看下倒排索引的底层原理。先来回顾下什么是倒排索引,假设我们向某个索引里写入了下面两条document:

document 某字段内容
doc1 I really liked my small dogs, and I think my mom also liked them.
doc2 He never liked any dogs, so I hope that my mom will not expect me to liked him.

Elasticsearch会对document的字段内容进行分词,然后构成倒排索引,比如可能是下面这个样子:

word doc1 doc2
I Y Y
really N Y
liked Y Y
省略其它分词....

解释一下,Y表示这个word存在于document中,N表示不存在。

然后,当客户端进行搜素时,Elasticsearch也会对搜索关键字进行分词,比如关键字是“I liked her”,那么就会拆分成Ilikedher,这样Elasticsearch就能快速根据分词结果找到对应的document,doc1和doc2中都包含Iliked,就会都被检索出来。

即使输入“I like her”也能被检索出来,这跟分词器的行为有关。

一、分词器

建立倒排索引最关键的部分就是分词器。分词器会对文本内容进行一些特定处理,然后根据处理后的结果再建立倒排索引,主要的处理过程一般如下:

  1. character filter:符号过滤,比如<span>hello<span>过滤成helloI&you过滤成I and you
  2. tokenizer:分词,比如,将hello you and me切分成helloyouandme
  3. token filter:比如,dogs替换为dogliked替换为likeTom 替换为 tomsmall 替换为 little等等。

不同分词器的行为是不同的,Elasticsearch主要内置了以下几种分词器:standard analyzersimple analyzerwhitespace analyzerlanguage analyzer

我们可以通过以下命令,看下分词器的分词效果:

GET /{index}/_analyze
{
  "analyzer": "standard", 
  "text": "a dog is in the house"
}
# 采用standard分词器对text进行分词

分词器的各种替换行为,也叫做normalization,本质是为了提升命中率,官方叫做recall召回率。

对于document中的不同字段类型,Elasticsearch会采用不同的分词器进行处理,比如date类型压根就不会分词,检索时就是完全匹配,而对于text类型则会进行分词处理。

Elasticsearch通过_mapping元数据来定义不同字段类型的建立索引的行为,这块内容官方文档已经写得非常清楚了,我不再赘述。

1.1 定制分词器

我们可以修改分词器的默认行为。比如,我们修改my_index索引的分词器,启用english停用词:

PUT /my_index
{
  "settings": {
    "analysis": {
      "analyzer": {
        "es_std": {
          "type": "standard",
          "stopwords": "_english_"
        }
      }
    }
  }
}

然后可以通过以下命令,查看分词器的分词效果:

GET /my_index/_analyze
{
  "analyzer": "es_std", 
  "text": "a dog is in the house"
}

也可以完全定制自己的分词器,更多分词器的用法读者可以参考Elasticsearch官方文档:

PUT /my_index
{
  "settings": {
    "analysis": {
      "char_filter": {
        "&_to_and": {
          "type": "mapping",
          "mappings": ["&=> and"]
        }
      },
      "filter": {
        "my_stopwords": {
          "type": "stop",
          "stopwords": ["the", "a"]
        }
      },
      "analyzer": {
        "my_analyzer": {
          "type": "custom",
          "char_filter": ["html_strip", "&_to_and"],
          "tokenizer": "standard",
          "filter": ["lowercase", "my_stopwords"]
        }
      }
    }
  }
}

二、总结

在Elasticsearch中建立的索引时,一旦建立完成,索引就不可变,主要是出于性能考虑。关于倒排索引,最核心的一些东西就是上述文章所示的,更多内容建议读者自己去看官方文档。Elasticsearch的使用大多都是些API的调来调去,核心的东西其实就那么点。

正文到此结束
本文目录