Elasticsearch：词分析中的 Normalizer 的使用

在 Elasticsearch 的词分析中，normalizer 与 analyzer 类似，只是它们只能发出token。因此，它们没有 tokenizer，只接受可用 char filters 和 token filters 的子集。只允许使用基于每个字符的过滤器。例如，允许使用 lowercase 过滤器，但不允许使用 stemming filter（词干过滤器），它需要将关键字视为一个整体。

Elastic 中国社区官方博客

2512人浏览 · 2022-09-22 12:10:41

Elastic 中国社区官方博客 · 2022-09-22 12:10:41 发布

在 Elasticsearch 的词分析中，normalizer 与 analyzer 类似，只是它们只能发出一个 token。因此，它们没有 tokenizer，只接受可用 char filters 和 token filters 的子集。只允许使用基于每个字符的过滤器。例如，允许使用 lowercase 过滤器，但不允许使用 stemming filter（词干过滤器），它需要将关键字视为一个整体。当前可以在规范化器中使用的过滤器列表如下：arabic_normalization、asciifolding、bengali_normalization、cjk_width、decimal_digit、elision、german_normalization、hindi_normalization、indic_normalization、lowercase、persian_normalization、scandinavian_folding、serbian_normalization、sorani_normalization、uppercase。

Elasticsearch 附带了一个 lowercase 的内置 normalizer。对于其他形式的规范化，需要自定义配置。在之前的一个中文简体及繁体的示例中有展示。请参阅文章 “Elasticsearch：简体繁体转换分词器 - STConvert analysis”。

定制 normalizers

如上所述，定制的 normalizer 采用一个或多个 char filtes 和一个或多个 token filters。比如，我们定义如下的一个索引：

PUT my_index
{
  "settings": {
    "analysis": {
      "char_filter": {
        "quote": {
          "type": "mapping",
          "mappings": [
            "« => \"",
            "» => \""
          ]
        }
      },
      "normalizer": {
        "my_normalizer": {
          "type": "custom",
          "char_filter": [
            "quote"
          ],
          "filter": [
            "lowercase",
            "asciifolding"
          ]
        }
      }
    }
  },
  "mappings": {
    "properties": {
      "foo": {
        "type": "keyword",
        "normalizer": "my_normalizer"
      }
    }
  }
}

在上面，我们在 normalizer 的定义中，我们使用了一个 char filter。它把 « 及 » 字符转换为引号 "。同时它也对字母进行小写及 asciifolding。我们现在以如下的一个文档来进行展示：

PUT my_index/_doc/1
{
  "foo": "«açaí à la Carte»"
}

根据我们上面定义的 normalizer，我们可以看出来上面的字段 foo 有且仅有一个 token："acai a la carte”，这是因为 « 及 » 字符转换为引号 "，而 “açaí à la Carte” 经过 asciifolding 过滤器后，变为 acai a la Carte。再经过 lowercase 的过滤器，它就变为 "acai a la carte”。

针对上面的索引，我们可以进行如下的搜索：

GET my_index/_search
{
  "query": {
    "match": {
      "foo": "\"acai a la carte\""
    }
  }
}

上面返回的结果是：

{
  "took": 0,
  "timed_out": false,
  "_shards": {
    "total": 1,
    "successful": 1,
    "skipped": 0,
    "failed": 0
  },
  "hits": {
    "total": {
      "value": 1,
      "relation": "eq"
    },
    "max_score": 0.2876821,
    "hits": [
      {
        "_index": "my_index",
        "_id": "1",
        "_score": 0.2876821,
        "_source": {
          "foo": "«açaí à la Carte»"
        }
      }
    ]
  }
}