Skip to content

Latest commit

 

History

History
203 lines (165 loc) · 7.81 KB

20_Using_stopwords.asciidoc

File metadata and controls

203 lines (165 loc) · 7.81 KB

使用停用词

移除停用词的工作是由 stop 停用词过滤器完成的，可以通过创建自定义的分析器来使用它（参见 使用停用词过滤器​{ref}/analysis-stop-tokenfilter.html[stop 停用词过滤器]​)。但是，也有一些自带的分析器预置使用停用词过滤器：

{ref}/analysis-lang-analyzer.html[语言分析器]

每个语言分析器默认使用与该语言相适的停用词列表，例如：english 英语分析器使用 english 停用词列表。

{ref}/analysis-standard-analyzer.html[standard 标准分析器]

默认使用空的停用词列表：none ，实际上是禁用了停用词。

{ref}/analysis-pattern-analyzer.html[pattern 模式分析器]

默认使用空的停用词列表：为 none ，与 standard 分析器类似。

停用词和标准分析器（Stopwords and the Standard Analyzer）

为了让标准分析器能与自定义停用词表连用，我们要做的只需创建一个分析器的配置好的版本，然后将停用词列表传入：

PUT /my_index
{
  "settings": {
    "analysis": {
      "analyzer": {
        "my_analyzer": { (1)
          "type": "standard", (2)
          "stopwords": [ "and", "the" ] (3)
        }
      }
    }
  }
}

  1. 自定义的分析器名称为 my_analyzer 。

  2. 这个分析器是一个标准 standard 分析器，进行了一些自定义配置。

  3. 过滤掉的停用词包括 and 和 the 。

Tip
 任何语言分析器都可以使用相同的方式配置自定义停用词。

保持位置（Maintaining Positions）

analyzer API的输出结果很有趣:

GET /my_index/_analyze?analyzer=my_analyzer
The quick and the dead
{
   "tokens": [
      {
         "token":        "quick",
         "start_offset": 4,
         "end_offset":   9,
         "type":         "<ALPHANUM>",
         "position":     1 (1)
      },
      {
         "token":        "dead",
         "start_offset": 18,
         "end_offset":   22,
         "type":         "<ALPHANUM>",
         "position":     4
      }
   ]
}

  1. position 标记每个词汇单元的位置。

停用词如我们期望被过滤掉了，但有趣的是两个词项的位置 position 没有变化：quick 是原句子的第二个词，dead 是第五个。这对短语查询十分重要，因为如果每个词项的位置被调整了，一个短语查询 quick dead 会与以上示例中的文档错误匹配。

指定停用词（Specifying Stopwords）

停用词可以以内联的方式传入，就像我们在前面的例子中那样，通过指定数组:

"stopwords": [ "and", "the" ]

特定语言的默认停用词，可以通过使用 lang 符号来指定:

"stopwords": "_english_"

TIP: Elasticsearch 中预定义的与语言相关的停用词列表可以在文档"languages", "predefined stopword lists for")​{ref}/analysis-stop-tokenfilter.html[stop 停用词过滤器]​ 中找到。

停用词可以通过指定一个特殊列表 none 来禁用。例如，使用 english 分析器而不使用停用词，可以通过以下方式做到：

PUT /my_index
{
  "settings": {
    "analysis": {
      "analyzer": {
        "my_english": {
          "type":      "english", (1)
          "stopwords": "_none_" (2)
        }
      }
    }
  }
}

  1. my_english 分析器是基于 english 分析器。

  2. 但禁用了停用词。

最后，停用词还可以使用一行一个单词的格式保存在文件中。此文件必须在集群的所有节点上，并且通过 stopwords_path 参数设置路径:

PUT /my_index
{
  "settings": {
    "analysis": {
      "analyzer": {
        "my_english": {
          "type":           "english",
          "stopwords_path": "stopwords/english.txt" (1)
        }
      }
    }
  }
}

  1. 停用词文件的路径，该路径相对于 Elasticsearch 的 config 目录。

使用停用词过滤器（Using the stop Token Filter）

当你创建 custom 分析器时候，可以组合多个 ​{ref}/analysis-stop-tokenfilter.html[stop 停用词过滤器]​ 分词器。例如：我们想要创建一个西班牙语的分析器:

  • 自定义停用词列表

  • light_spanish 词干提取器

  • 在 asciifolding 词汇单元过滤器中除去附加符号

我们可以通过以下设置完成:

PUT /my_index
{
  "settings": {
    "analysis": {
      "filter": {
        "spanish_stop": {
          "type":        "stop",
          "stopwords": [ "si", "esta", "el", "la" ]  (1)
        },
        "light_spanish": { (2)
          "type":     "stemmer",
          "language": "light_spanish"
        }
      },
      "analyzer": {
        "my_spanish": {
          "tokenizer": "spanish",
          "filter": [ (3)
            "lowercase",
            "asciifolding",
            "spanish_stop",
            "light_spanish"
          ]
        }
      }
    }
  }
}

  1. 停用词过滤器采用与 standard 分析器相同的参数 stopwords 和 stopwords_path 。

  2. 参见 算法提取器（Algorithmic Stemmers）。

  3. 过滤器的顺序非常重要，下面会进行解释。

我们将 spanish_stop 过滤器放置在 asciifolding 过滤器之后.这意味着以下三个词组 esta 、ésta 、está ，先通过 asciifolding 过滤器过滤掉特殊字符变成了 esta ，随后使用停用词过滤器会将 esta 去除。 如果我们只想移除 esta 和 ésta ，但是 está 不想移除。必须将 spanish_stop 过滤器放置在 asciifolding 之前，并且需要在停用词中指定 esta 和 ésta 。

更新停用词（Updating Stopwords）

想要更新分析器的停用词列表有多种方式， 分析器在创建索引时，当集群节点重启时候，或者关闭的索引重新打开的时候。

如果你使用 stopwords 参数以内联方式指定停用词，那么你只能通过关闭索引，更新分析器的配置​{ref}/indices-update-settings.html#update-settings-analysis[update index settings API]​，然后在重新打开索引才能更新停用词。

如果你使用 stopwords_path 参数指定停用词的文件路径 ，那么更新停用词就简单了。你只需更新文件(在每一个集群节点上)，然后通过两者之中的任何一个操作来强制重新创建分析器:

  • 关闭和重新打开索引 (参考 {ref}/indices-open-close.html[索引的开与关])，

  • 一一重启集群下的每个节点。

当然，更新的停用词不会改变任何已经存在的索引。这些停用词的只适用于新的搜索或更新文档。如果要改变现有的文档，则需要重新索引数据。参加 [reindex] 。