整理输入文本

当输入文本是干净的时候分词器提供最佳分词结果,有效文本,这里 有效 指的是遵从 Unicode 算法期望的标点符号规则 。 然而很多时候,我们需要处理的文本会是除了干净文本之外的任何文本。在分词之前整理文本会提升输出结果的质量。

HTML 分词

将 HTML 通过 标准分词器icu_分词器 分词将产生糟糕的结果。这些分词器不知道如何处理 HTML 标签。例如:

GET /_analyze?tokenizer=standard
<p>Some d&eacute;j&agrave; vu <a href="http://somedomain.com>">website</a>

标准分词器 会混淆 HTML 标签和实体,并且输出以下词汇单元: pSomedeacutejagravevuahrefhttpsomedomain.comwebsitea 。这些词汇单元显然不知所云!

字符过滤器 可以添加进分析器中,在将文本传给分词器之前预处理该文本。在这种情况下,我们可以用 html_strip 字符过滤器 移除 HTML 标签并编码 HTML 实体如 &eacute; 为一致的 Unicode 字符。

字符过滤器可以通过 analyze API 进行测试,这需要在查询字符串中指明它们:

GET /_analyze?tokenizer=standard&char_filters=html_strip
<p>Some d&eacute;j&agrave; vu <a href="http://somedomain.com>">website</a>

想将它们作为分析器的一部分使用,需要把它们添加到 custom 类型的自定义分析器里:

PUT /my_index
{
    "settings": {
        "analysis": {
            "analyzer": {
                "my_html_analyzer": {
                    "tokenizer":     "standard",
                    "char_filter": [ "html_strip" ]
                }
            }
        }
    }
}

一旦自定义分析器创建好之后, 我们新的 my_html_analyzer 就可以用 analyze API 测试:

GET /my_index/_analyze?analyzer=my_html_analyzer
<p>Some d&eacute;j&agrave; vu <a href="http://somedomain.com>">website</a>

这次输出的词汇单元才是我们期望的: Somedéjàvuwebsite

整理标点符号

标准分词器icu_分词器 都能理解单词中的撇号应当被视为单词的一部分,然而包围单词的单引号在不应该。 分词文本 You're my 'favorite' , 会被输出正确的词汇单元 You're , my , favorite

不幸的是, Unicode 列出了一些有时会被用为撇号的字符:

U+0027
撇号标记为 (')— 原始 ASCII 符号
U+2018
左单引号标记为 ()— 当单引用时作为一个引用的开始
U+2019
右单引号标记为 ()— 当单引用时座位一个引用的结束,也是撇号的首选字符。

当这三个字符出现在单词中间的时候, 标准分词器icu_分词器 都会将这三个字符视为撇号(这会被视为单词的一部分)。 然而还有另外三个长得很像撇号的字符:

U+201B
Single high-reversed-9 (高反单引号)标记为 ()— 跟 U+2018 一样,但是外观上有区别
U+0091
ISO-8859-1 中的左单引号 — 不会被用于 Unicode 中
U+0092
ISO-8859-1 中的右单引号 — 不会被用于 Unicode 中

标准分词器icu_分词器 把这三个字符视为单词的分界线 — 一个将文本拆分为词汇单元的位置。不幸的是,一些出版社用 U+201B 作为名字的典型书写方式例如 M‛coy , 第二个俩字符或许可以被你的文字处理软件打出来,这取决于这款软件的年纪。

即使在使用可以“接受”的引号标记时,一个用单引号书写的词 — You’re — 也和一个用撇号书写的词 — You're — 不一样,这意味着搜索其中的一个变体将会找不到另一个。

幸运的是,可以用 mapping 对这些混乱的字符进行分类, 该过滤器可以运行我们用另一个字符替换所有实例中的一个字符。这种情况下,我们可以简单的用 U+0027 替换所有的撇号变体:

PUT /my_index
{
  "settings": {
    "analysis": {
      "char_filter": { 
        "quotes": {
          "type": "mapping",
          "mappings": [ 
            "\\u0091=>\\u0027",
            "\\u0092=>\\u0027",
            "\\u2018=>\\u0027",
            "\\u2019=>\\u0027",
            "\\u201B=>\\u0027"
          ]
        }
      },
      "analyzer": {
        "quotes_analyzer": {
          "tokenizer":     "standard",
          "char_filter": [ "quotes" ] 
        }
      }
    }
  }
}

我们自定义了一个 char_filter (字符过滤器)叫做 quotes ,提供所有撇号变体到简单撇号的映射。

为了更清晰,我们使用每个字符的 JSON Unicode 转义语句,当然我们也可以使用他们本身字符表示: "‘=>'"

我们用自定义的 quotes 字符过滤器创建一个新的分析器叫做 quotes_analyzer

像以前一样,我们需要在创建了分析器后测试它:

GET /my_index/_analyze?analyzer=quotes_analyzer
You’re my ‘favorite’ M‛Coy

这个例子返回如下词汇单元,其中所有的单词中的引号标记都被替换为了撇号: You're, my, favorite, M'Coy

投入更多的努力确保你的分词器接收到高质量的输入,你的搜索结果质量也将会更好。