本篇文章为你整理了Elasticsearch Analyzer 内置分词器（elk分词器）的详细内容，包含有es安装ik分词器 elk分词器 elasticsearch 分析器 elasticsearch的分词器 Elasticsearch Analyzer 内置分词器，希望能帮助你了解 Elasticsearch Analyzer 内置分词器。
篇主要介绍一下 Elasticsearch中 Analyzer 分词器的构成 和一些Es中内置的分词器 以及如何使用它们
es 提供了 analyze api 可以方便我们快速的指定 某个分词器 然后对输入的text文本进行分词 帮助我们学习和实验分词器
POST _analyze
"analyzer": "standard",
"text": "The 2 QUICK Brown-Foxes jumped over the lazy dogs bone."
[ the, 2, quick, brown, foxes, jumped, over, the, lazy, dogs, bone ]
1.Analyzer
在ES中有很重要的一个概念就是 分词，ES的全文检索也是基于分词结合倒排索引做的。所以这一文我们来看下何谓之分词。如何分词。
分词器是专门处理分词的组件，在很多中间件设计中每个组件的职责都划分的很清楚，单一职责原则，以后改的时候好扩展。
分词器由三部分组成。
Character Filters : 主要对原文本做处理, 例如 去除 html 标签
Tokenizer : 按照规则 把文本切分为单词, 也就是分词
Token Filters : 将切分后的单词 进行加工处理, 小写,删除stopwords 停顿词, 增加同义词 , 扩展一些
分词场景:
数据写入index 的时候进行分词
query 查询时候 需要对查询文本 进行分词
2.Elasticsearch 内置分词器
在es中有不少内置分词器
Standard Analyzer : 默认分词器, 按Unicode文本分割算法拆分 , 转化为小写 , 支持中文(但是中文按照每个文字拆分,没啥意义)
Simple Analyzer : 按照非字母切分 并且转化为小写
Stop Analyzer : 和 simple 一样 但是多了 过滤停用词(the a is) 默认使用 stop token filter 的 _ _ english _ _ 预定义
Whitespace Analyzer : 每当遇到 空格的时候 会进行分词 , 不会转小写
Keyword Analyzer : 不分词 直接将输入当做输出
Patter Analyzer : 正则表达式
Language : 语言分词器 30多种
Customer Analyzer : 自定义分词器
3. Standard Analyzer
Standard 是es中默认的分词器 , 它是按照 Unicode 文本分割算法去 对文本进行分词的
POST _analyze
"analyzer": "standard",
"text": "The 2 QUICK Brown-Foxes jumped over the lazy dogs bone."
[ the, 2, quick, brown, foxes, jumped, over, the, lazy, dogs, bone ]
3.1 Definition
包括了 转小写的 token filter 和 stop token filter 去除停顿词
Tokenizer
[Standard Tokenizer]
Token Filters
[Standard Token Filter] : 没用只是作为保留的token filter (The standard token filter currently does nothing. It remains as a placeholder in case some filtering function needs to be added in a future version.)
[Lower Case Token Filter] : 转小写的 token filter
[Stop Token Filter] : 停顿词 token filter 默认是没有开启
3.2 Configuration
max_token_length : 最大的分词长度,如果超过此长度 则直接分词 default 255
stopwords : 预定义的停顿词列表 如: _ _ englisth _ _ 或者 停顿词数组[] 默认 none 不设置
stopwords_path : 包含停顿词的文件路径
3.3 实验
// 使用 自定义的分词器 基于 standard
PUT my_index
"settings": {
"analysis": {
"analyzer": {
"my_english_analyzer": {
"type": "standard",
"max_token_length": 5, // 最大词数
"stopwords": "_english_" // 开启过滤停顿词 使用 englisth 语法
// 可以看到 最长5个字符 就需要进行分词了, 并且停顿词 the 没有了
["hello", "goodn", "ame", "jack"]
4. Simple Analyzer
简单的分词器 分词规则就是 遇到 非字母的 就分词, 并且转化为小写,(lowercase tokennizer )
POST _analyze
"analyzer": "simple",
"text": "The 2 QUICK Brown-Foxes jumped over the lazy dogs bone."
[ the, quick, brown, foxes, jumped, over, the, lazy, dog, s, bone ]
4.1 Definition
Tokenizer
Lower Case Tokenizer
4.2 Configuation
无配置参数
4.3 实验
simple analyzer 分词器的实现 就是如下
PUT /simple_example
"settings": {
"analysis": {
"analyzer": {
"rebuilt_simple": {
"tokenizer": "lowercase",
"filter": [
5. Stop Analyzer
stop analyzer 和 simple analyzer 一样, 只是多了 过滤 stop word 的 token filter , 并且默认使用 english 停顿词规则
POST _analyze
"analyzer": "stop",
"text": "The 2 QUICK Brown-Foxes jumped over the lazy dogs bone."
// 可以看到 非字母进行分词 并且转小写 然后 去除了停顿词
[ quick, brown, foxes, jumped, over, lazy, dog, s, bone ]
5.1 Definition
Tokenizer
Lower Case Tokenizer : 转小写的
Token filters
Stop Token Filter : 过滤停顿词 默认使用 规则 english
5.2 Configuration
stopwords : 指定分词的规则 默认 english , 或者分词的数组
stopwords_path : 指定分词停顿词文件
5.3 实验
如下就是对 Stop Analyzer 的实现 , 先转小写 后进行停顿词的过滤
PUT /stop_example
"settings": {
"analysis": {
"filter": {
"english_stop": {
"type": "stop",
"stopwords": "_english_"
"analyzer": {
"rebuilt_stop": {
"tokenizer": "lowercase",
"filter": [
"english_stop"
设置 stopwords 参数 指定过滤的停顿词列表
PUT my_index
"settings": {
"analysis": {
"analyzer": {
"my_stop_analyzer": {
"type": "stop",
"stopwords": ["the", "over"]
POST my_index/_analyze
"analyzer": "my_stop_analyzer",
"text": "The 2 QUICK Brown-Foxes jumped over the lazy dogs bone."
[ quick, brown, foxes, jumped, lazy, dog, s, bone ]
6. Whitespace Analyzer
空格 分词器, 顾名思义 遇到空格就进行分词, 不会转小写
POST _analyze
"analyzer": "whitespace",
"text": "The 2 QUICK Brown-Foxes jumped over the lazy dogs bone."
[ The, 2, QUICK, Brown-Foxes, jumped, over, the, lazy, dogs, bone. ]
6.1 Definition
Tokenizer
Whitespace Tokenizer
6.2 Configuration
无配置
6.3 实验
whitespace analyzer 的实现就是如下, 可以根据实际情况进行 添加 filter
PUT /whitespace_example
"settings": {
"analysis": {
"analyzer": {
"rebuilt_whitespace": {
"tokenizer": "whitespace",
"filter": [
7. Keyword Analyzer
很特殊 它不会进行分词, 怎么输入 就怎么输出
POST _analyze
"analyzer": "keyword",
"text": "The 2 QUICK Brown-Foxes jumped over the lazy dogs bone."
//注意 这里并没有进行分词 而是原样输出
[ The 2 QUICK Brown-Foxes jumped over the lazy dogs bone. ]
7.1 Definition
Tokennizer
Keyword Tokenizer
7.2 Configuration
无配置
7.3 实验
rebuit 如下 就是 Keyword Analyzer 实现
PUT /keyword_example
"settings": {
"analysis": {
"analyzer": {
"rebuilt_keyword": {
"tokenizer": "keyword",
"filter": [
8. Patter Analyzer
正则表达式 进行拆分 ,注意 正则匹配的是 标记, 就是要被分词的标记 默认是 按照 \w+ 正则分词
POST _analyze
"analyzer": "pattern",
"text": "The 2 QUICK Brown-Foxes jumped over the lazy dogs bone."
// 默认是 按照 \w+ 正则
[ the, 2, quick, brown, foxes, jumped, over, the, lazy, dog, s, bone ]
8.1 Definition
Tokennizer
Pattern Tokenizer
Token Filters
Lower Case Token Filter
Stop Token Filter (默认未开启)
8.2 Configuration
提供了如下 这么多语言分词器 , 其中 english 也在其中
arabic, armenian, basque, bengali, bulgarian, catalan, czech, dutch, english, finnish, french, galician, german, hindi, hungarian, indonesian, irish, italian, latvian, lithuanian, norwegian, portuguese, romanian, russian, sorani, spanish, swedish, turkish.
GET _analyze
"analyzer": "english",
"text": "The 2 QUICK Brown-Foxes jumped over the lazy dogs bone."
[ 2, quick, brown, foxes, jumped, over, lazy, dog, bone ]
10. Customer Analyzer
没啥好说的 就是当提供的 内置分词器不满足你的需求的时候 ,你可以结合 如下3部分
Character Filters : 主要对原文本做处理, 例如 去除 html 标签
Tokenizer : 按照规则 把文本切分为单词, 也就是分词
Token Filters : 将切分后的单词 进行加工处理, 小写,删除stopwords 停顿词, 增加同义词 , 扩展一些
PUT my_index
"settings": {
"analysis": {
"analyzer": {
"my_custom_analyzer": {
"type": "custom",
"char_filter": [
"emoticons"
"tokenizer": "punctuation",
"filter": [
"lowercase",
"english_stop"
"tokenizer": {
"punctuation": {
"type": "pattern",
"pattern": "[ .,!?]"
"char_filter": {
"emoticons": {
"type": "mapping",
"mappings": [
":) = _happy_",
":( = _sad_"
"filter": {
"english_stop": {
"type": "stop",
"stopwords": "_english_"
POST my_index/_analyze
"analyzer": "my_custom_analyzer",
"text": "Im a :) person, and you?"
[ im, _happy_, person, you ]
本篇主要介绍了 Elasticsearch 中 的一些 内置的 Analyzer 分词器, 这些内置分词器可能不会常用,但是如果你能好好梳理一下这些内置 分词器,一定会对你理解Analyzer 有很大的帮助, 可以帮助你理解 Character Filters , Tokenizer 和 Token Filters 的用处.
有机会再聊聊 一些中文分词器 如 IKAnalyzer, ICU Analyzer ,Thulac 等等.. 毕竟开发中 中文分词器用到更多些
欢迎大家访问 个人博客 Johnny小屋
欢迎关注个人公众号
以上就是Elasticsearch Analyzer 内置分词器（elk分词器）的详细内容，想要了解更多 Elasticsearch Analyzer 内置分词器的内容，请持续关注盛行IT软件开发工作室。
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。