[[392391]]

本文轉(zhuǎn)載自微信公眾號「程序員歷小冰」，作者歷小冰。轉(zhuǎn)載本文請聯(lián)系程序員歷小冰公眾號。   

本篇文章則著重分析 ElasticSearch 在全文搜索前如何使用 ik 進行分詞，讓大家對 ElasticSearch 的全文搜索和 ik 中文分詞原理有一個全面且深入的了解。

全文搜索和精確匹配

ElasticSearch 支持對文本類型數(shù)據(jù)進行全文搜索和精確搜索，但是必須提前為其設(shè)置對應(yīng)的類型：

• keyword 類型，存儲時不會做分詞處理，支持精確查詢和分詞匹配查詢;
• text 類型，存儲時會進行分詞處理，也支持精確查詢和分詞匹配查詢。

比如，創(chuàng)建名為 article 的索引(Index)，并為其兩個字段(Filed)配置映射(Mapping)，文章內(nèi)容設(shè)置為 text 類型，而文章標題設(shè)置為 keyword 類型。

Elasticsearch 在進行存儲時，會對文章內(nèi)容字段進行分詞，獲取并保存分詞后的詞元(tokens);對文章標題則是不進行分詞處理，直接保存原值。

上圖的右半邊展示了 keyword 和 text 兩種類型的不同存儲處理過程。而左半邊則展示了 ElasticSearch 相對應(yīng)的兩種查詢方式：

• term 查詢，也就是精確查詢，不進行分詞，而是直接根據(jù)輸入詞進行查詢;
• match 查詢，也就是分詞匹配查詢，先對輸入詞進行分詞，然后逐個對分詞后的詞元進行查詢。

舉個例子，有兩篇文章，一篇的標題和內(nèi)容都是“程序員”，另外一篇的標題和內(nèi)容都是“程序”，那么二者在 ElasticSearch 中的倒排索引存儲如下所示(假設(shè)使用特殊分詞器)。

這時，分別使用 term 和 match 查詢對兩個字段進行查詢，就會得出如圖右側(cè)的結(jié)果。

Analyzer 處理過程

可見，keyword 與 text 類型， term 與 match 查詢方式之間不同就在于是否進行了分詞。在 ElasticSearch 中將這個分詞的過程統(tǒng)稱了 Text analysis，也就是將字段從非結(jié)構(gòu)化字符串(text)轉(zhuǎn)化為結(jié)構(gòu)化字符串(keyword)的過程。

Text analysis 不僅僅只進行分詞操作，而是包含如下流程：

• 使用字符過濾器(Character filters)，對原始的文本進行一些處理，例如去掉空白字符等;
• 使用分詞器(Tokenizer)，對原始的文本進行分詞處理，得到一些詞元(tokens);
• 使用詞元過濾器(Token filters)，對上一步得到的詞元繼續(xù)進行處理，例如改變詞元(小寫化)，刪除詞元(刪除量詞)或增加詞元(增加同義詞)，合并同義詞等。

ElasticSearch 中處理 Text analysis 的組件被稱為 Analyzer。相應(yīng)地，Analyzer 也由三部分組成，character filters、tokenizers 和 token filters。

Elasticsearch 內(nèi)置了 3 種字符過濾器、10 種分詞器和 31 種詞元過濾器。此外，還可以通過插件機制獲取第三方實現(xiàn)的相應(yīng)組件。開發(fā)者可以按照自身需求定制 Analyzer 的組成部分。

"analyzer": { 
    "my_analyzer": { 
        "type":           "custom", 
        "char_filter":  [ "html_strip"], 
        "tokenizer":      "standard", 
        "filter":       [ "lowercase",] 
    } 
} 

按照上述配置，my_analyzer 分析器的功能大致如下：

• 字符過濾器是 html_strip，會去掉 HTML 標記相關(guān)的字符;
• 分詞器是 ElasticSearch 默認的標準分詞器 standard;
• 詞元過濾器是小寫化 lowercase 處理器，將英語單詞小寫化。

一般來說，Analyzer 中最為重要的就是分詞器，分詞結(jié)果的好壞會直接影響到搜索的準確度和滿意度。ElasticSearch 默認的分詞器并不是處理中文分詞的最優(yōu)選擇，目前業(yè)界主要使用 ik 進行中文分詞。

ik 分詞原理

ik 是目前較為主流的 ElasticSearch 開源中文分詞組件，它內(nèi)置了基礎(chǔ)的中文詞庫和分詞算法幫忙開發(fā)者快速構(gòu)建中文分詞和搜索功能，它還提供了擴展詞庫字典和遠程字典等功能，方便開發(fā)者擴充網(wǎng)絡(luò)新詞或流行語。

ik 提供了三種內(nèi)置詞典，分別是：

• main.dic：主詞典，包括日常的通用詞語，比如程序員和編程等;
• quantifier.dic：量詞詞典，包括日常的量詞，比如米、公頃和小時等;
• stopword.dic：停用詞，主要指英語的停用詞，比如 a、such、that 等。

此外，開發(fā)者可以通過配置擴展詞庫字典和遠程字典對上述詞典進行擴展。

ik 跟隨 ElasticSearch 啟動時，會將默認詞典和擴展詞典讀取并加載到內(nèi)存，并使用字典樹 tire tree (也叫前綴樹)數(shù)據(jù)結(jié)構(gòu)進行存儲，方便后續(xù)分詞時使用。

字典樹的典型結(jié)構(gòu)如上圖所示，每個節(jié)點是一個字，從根節(jié)點到葉節(jié)點，路徑上經(jīng)過的字符連接起來，為該節(jié)點對應(yīng)的詞。所以上圖中的詞包括：程序員、程門立雪、編織、編碼和工作。

一、加載字典

ik 的 Dictionary 單例對象會在初始化時，調(diào)用對應(yīng)的 load 函數(shù)讀取字典文件，構(gòu)造三個由 DictSegment 組成的字典樹，分別是 MainDict、QuantifierDict 和 StopWords。我們下面就來看一下其主詞典的加載和構(gòu)造過程。loadMainDict 函數(shù)較為簡單，它會首先創(chuàng)建一個 DictSegment 對象作為字典樹的根節(jié)點，然后分別去加載默認主字典，擴展主字典和遠程主字典來填充字典樹。

復制代碼

在 loadDictFile 函數(shù)執(zhí)行過程中，會從詞典文件讀取一行一行的詞，交給 DictSegment 的fillSegment 函數(shù)處理。

fillSegment 是構(gòu)建字典樹的核心函數(shù)，具體實現(xiàn)如下所示，處理邏輯大致有如下幾個步驟：

一、按照索引，獲取詞中的一個字;

二、檢查當前節(jié)點的子節(jié)點中是否有該字，如果沒有，則將其加入到 charMap中;

三、調(diào)用 lookforSegment 函數(shù)在字典樹中尋找代表該字的節(jié)點，如果沒有則插入一個新的;

四、遞歸調(diào)用 fillSegment 函數(shù)處理下一個字。

ik 初始化過程大致如此，再進一步詳細的邏輯大家可以直接去看源碼，中間都是中文注釋，相對來說較為容易閱讀。

二、分詞邏輯

ik 中實現(xiàn)了 ElasticSearch 相關(guān)的抽象類，來提供自身的分詞邏輯實現(xiàn)：

• IKAnalyzer 繼承了 Analyzer ，用來提供中文分詞的分析器;
• IKTokenizer 繼承了 Tokenizer，用來提供中文分詞的分詞器，其 incrementToken 是 ElasticSearch 調(diào)用 ik 進行分詞的入口函數(shù)。

incrementToken 函數(shù)會調(diào)用 IKSegmenter 的 next方法，來獲取分詞結(jié)果，它是 ik 分詞的核心方法。

如上圖所示，IKSegmenter 中有三個分詞器，在進行分詞時會遍歷詞中的所有字，然后將單字按照順序，讓三個分詞器進行處理：

• LetterSegmenter，英文分詞器比較簡單，就是把連續(xù)的英文字符進行分詞;
• CN_QuantifierSegmenter，中文量詞分詞器，判斷當前的字符是否是數(shù)詞和量詞，會把連起來的數(shù)詞和量詞分成一個詞;
• CJKSegmenter，核心分詞器，基于前文的字典樹進行分詞。

我們只講解一下 CJKSegmenter 的實現(xiàn)，其 analyze 函數(shù)大致分為兩個邏輯:

• 根據(jù)單字去字典樹中進行查詢，如果單字是詞，則生成詞元;如果是詞前綴，則放入到臨時命中列表中;
• 然后根據(jù)單字和之前處理時保存的臨時命中列表數(shù)據(jù)一起去字典樹中查詢，如果命中，則生成詞元。

具體的代碼邏輯，如上所示。為了方便大家理解，舉個例子，比如輸入的詞是 編碼工作：

• 首先處理編字;
  • 因為當前 tmpHits 為空，直接進行單字判斷;
  • 直接拿 編 字去前文示意圖的字典樹查詢(詳見 matchInMainDict 函數(shù))，發(fā)現(xiàn)能夠命中，并且該字不是一個詞的結(jié)尾，所以將 編 和其在輸入詞中的位置生成 Hit 對象，存儲到 tmpHits 中。
• 接著處理 碼 字;
  • 因為 tmpHits 不為空，所以拿著 編 對應(yīng)的 Hit 對象和 碼字去字典樹中查詢(詳見 matchWithHit 函數(shù))， 發(fā)現(xiàn)命中了 編碼 一詞，所以將這個詞作為輸出詞元之一，存入 AnalyzeContext;但是因為 碼 已經(jīng)是葉節(jié)點，并沒有子節(jié)點，表示不是其他詞的前綴，所以將對應(yīng)的 Hit 對象刪除掉;
  • 接著拿單字 碼 去字典樹中查詢，看單字是否成詞，或者構(gòu)成詞的前綴。
• 依次類推，將所有字處理完。

三、消除歧義和結(jié)果輸出

通過上述步驟，有時候會生成很多分詞結(jié)果集合，比如說，程序員愛編程 會被分成 程序員、程序、員、愛 和 編程 五個結(jié)果。這也是 ik 的 ik_max_word 模式的輸出結(jié)果。但是有些場景，開發(fā)者希望只有 程序員、愛 和 編程 三個分詞結(jié)果，這時就需要使用 ik 的 ik_smart 模式，也就是進行消除歧義處理。

ik 使用 IKArbitrator 進行消除歧義處理，主要使用組合遍歷的方式進行處理。從上一階段的分詞結(jié)果中取出不相交的分詞集合，所謂相交，就是其在文本中出現(xiàn)的位置是否重合。比如 程序員、程序 和 員 三個分詞結(jié)果是相交的，但是 愛 和 編程 是不相交的。所以分歧處理時會將 程序員、程序 和 員 作為一個集合，愛 作為一個集合，編碼 作為一個集合，分別進行處理，將集合中按照規(guī)則優(yōu)先級最高的分詞結(jié)果集選出來，具體規(guī)則如下所示：

• 有效文本長度長優(yōu)先;
• 詞元個數(shù)少優(yōu)先;
• 路徑跨度大優(yōu)先;
• 位置越靠后的優(yōu)先，因為根據(jù)統(tǒng)計學結(jié)論，逆向切分概率高于正向切分;
• 詞長越平均優(yōu)先;
• 詞元位置權(quán)重大優(yōu)先。

根據(jù)上述規(guī)則，在第一個集合中，程序員 明顯要比 程序 和 員 要更符合規(guī)則，所以消除歧義的結(jié)果就是輸出 程序員，而不是 程序 和 員。

最后，對于輸入字來說，有些位置可能并不在輸出結(jié)果中，所以會以單字的方式作為詞元直接輸出(詳見AnalyzeContext 的 outputToResult 函數(shù))。比如 程序員是職業(yè)，是 字是不會被分詞出來的，但是在最終輸出結(jié)果時，要將其作為單字輸出。

后記

ElasticSearch 和 ik 組合是目前較為主流的中文搜索技術(shù)方案，理解其搜索和分詞的基礎(chǔ)流程和原理，有利于開發(fā)者更快地構(gòu)建中文搜索功能，或基于自身需求，特殊定制搜索分詞策略。