转载自简书本文链接地址: Elasticsearch通过ngram分词机制实现搜索推荐
1、什么是ngram
例如英语单词 quick，5种长度下的ngram
1
2
3
4
5
| ngram length=1，q u i c k
ngram length=2，qu ui ic ck
ngram length=3，qui uic ick
ngram length=4，quic uick
ngram length=5，quick
|
2、什么是edge ngram
quick这个词，抛锚首字母后进行ngram
使用edge ngram将每个单词都进行进一步的分词和切分，用切分后的ngram来实现前缀搜索推荐功能
1
2
3
4
5
6
7
8
9
10
11
12
| h
he
hel
hell
hello doc1,doc2
w doc1,doc2
wo
wor
worl
world
e doc2
|
比如搜索hello w
doc1和doc2都匹配hello和w，而且position也匹配，所以doc1和doc2被返回。
搜索的时候，不用在根据一个前缀，然后扫描整个倒排索引了；简单的拿前缀去倒排索引中匹配即可，如果匹配上了，那么就完事了。
3、最大最小参数
1
2
| min ngram = 1
max ngram = 3
|
最小几位最大几位。（这里是最小1位最大3位）
比如有helloworld单词
那么就是如下
最大三位就停止了。
4、试验一下ngram
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
| PUT /my_index
{
"settings": {
"analysis": {
"filter": {
"autocomplete_filter" : {
"type" : "edge_ngram",
"min_gram" : 1,
"max_gram" : 20
}
},
"analyzer": {
"autocomplete" : {
"type" : "custom",
"tokenizer" : "standard",
"filter" : [
"lowercase",
"autocomplete_filter"
]
}
}
}
}
}
|
1
2
3
4
5
6
7
8
9
10
| PUT /my_index/_mapping/my_type
{
"properties": {
"title": {
"type": "string",
"analyzer": "autocomplete",
"search_analyzer": "standard"
}
}
}
|
注意这里search_analyzer为什么是standard而不是autocomplete？
因为搜索的时候没必要在进行每个字母都拆分，比如搜索hello w。直接拆分成hello和w去搜索就好了，没必要弄成如下这样：
弄成这样的话效率反而更低了。
插入4条数据
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
| PUT /my_index/my_type/1
{
"title" : "hello world"
}
PUT /my_index/my_type/2
{
"title" : "hello we"
}
PUT /my_index/my_type/3
{
"title" : "hello win"
}
PUT /my_index/my_type/4
{
"title" : "hello dog"
}
|
执行搜索
1
2
3
4
5
6
7
8
| GET /my_index/my_type/_search
{
"query": {
"match_phrase": {
"title": "hello w"
}
}
}
|
结果
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
| {
"took": 6,
"timed_out": false,
"_shards": {
"total": 5,
"successful": 5,
"failed": 0
},
"hits": {
"total": 3,
"max_score": 1.1983768,
"hits": [
{
"_index": "my_index",
"_type": "my_type",
"_id": "2",
"_score": 1.1983768,
"_source": {
"title": "hello we"
}
},
{
"_index": "my_index",
"_type": "my_type",
"_id": "1",
"_score": 0.8271048,
"_source": {
"title": "hello world"
}
},
{
"_index": "my_index",
"_type": "my_type",
"_id": "3",
"_score": 0.797104,
"_source": {
"title": "hello win"
}
}
]
}
}
|
本来match_phrase不会分词。只匹配短语，但是为什么这样却能匹配出三条？
是因为我们建立mapping的时候对title进行了分词设置，运用了ngram将他进行了拆分，而搜索的时候按照标准的standard分词器去拆分term，这样效率杠杠的！！
