上一篇解决了文档的结构定义——mapping 把 JSON 字段翻译成 Lucene 数据结构。这一篇进入 text 类型字段怎样从原始字符串变成可搜索的词项。

mapping 决定一个字段"要不要做全文索引"，analysis 决定"怎样做"。一个 text 字段在写入时经过 analysis pipeline，产生一组标准化的词项（terms），这些词项被写入倒排索引。搜索时，查询文本也经过 analysis，产生同样标准化的词项，然后在倒排索引中匹配。

本文只抓一个问题：analysis pipeline 的三个阶段怎样工作，以及索引时分析和搜索时分析为什么可能用不同的 analyzer。

Analysis 三阶段

一个 analyzer 由三个组件按顺序组成：

1
2
3
4
5
原始文本
  → Character Filter(s)  字符级预处理
  → Tokenizer            切分为 token
  → Token Filter(s)      token 级后处理
  → [term1, term2, ...]  写入倒排索引

三个阶段的职责边界和数据流向如下图。左侧是输入的原始文本，右侧是写入倒排索引的词项列表。中间每个阶段只做一类变换：字符级替换、切分、token 级修饰。

Character Filter 在分词之前处理原始字符流。典型用途包括：去除 HTML 标签（html_strip）、字符映射替换（mapping，如把 & 替换为 and）、正则替换（pattern_replace）。一个 analyzer 可以有零个或多个 character filter。

Tokenizer 把经过 character filter 处理后的字符流切分为独立的 token。每个 analyzer 有且只有一个 tokenizer。常见的 tokenizer：

Tokenizer 切分规则 示例输入 → 输出
standard Unicode 文本分词规则 “The quick-fox” → [“The”, “quick”, “fox”]
whitespace 按空白符切分 “The quick-fox” → [“The”, “quick-fox”]
keyword 不切分，整体作为一个 token “The quick-fox” → [“The quick-fox”]
pattern 按正则表达式切分 可自定义分隔符
ik_smart / ik_max_word 中文分词（需安装 IK 插件） “搜索引擎” → [“搜索引擎”] 或 [“搜索”, “引擎”]

Token Filter 对 tokenizer 产生的 token 做后处理。一个 analyzer 可以有零个或多个 token filter，按顺序执行。常见的 token filter：

Token Filter 作用
lowercase 转小写
stop 去除停用词（the, a, is 等）
stemmer 词干化（running → run, dogs → dog）
synonym 同义词扩展（quick → fast）
asciifolding 去除变音符号（café → cafe）
edge_ngram 前缀 n-gram（search → [s, se, sea, sear, …])

内置 Analyzer

ES 预定义了几个常用的 analyzer，它们是 character filter + tokenizer + token filter 的固定组合：

Analyzer 组成 效果
standard standard tokenizer + lowercase filter 按 Unicode 规则分词，转小写
simple 按非字母字符切分 + lowercase 去掉数字和标点
whitespace 按空白符切分 保留大小写和标点
keyword 不切分 整个输入作为单个词项
english standard tokenizer + 英语停用词 + 英语词干 针对英文优化

standard analyzer 是默认 analyzer。大多数场景下足够使用，但对中文等不以空格分词的语言，需要安装专门的分词插件（如 IK Analyzer、jieba）。

Custom Analyzer

当内置 analyzer 不满足需求时，可以定义 custom analyzer：

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
PUT /custom-analysis-demo
{
  "settings": {
    "analysis": {
      "char_filter": {
        "ampersand_mapping": {
          "type": "mapping",
          "mappings": ["& => and"]
        }
      },
      "filter": {
        "english_stop": {
          "type": "stop",
          "stopwords": "_english_"
        }
      },
      "analyzer": {
        "my_analyzer": {
          "type": "custom",
          "char_filter": ["ampersand_mapping"],
          "tokenizer": "standard",
          "filter": ["lowercase", "english_stop"]
        }
      }
    }
  }
}

这个自定义 analyzer 的处理流程：

1
2
3
4
5
"Search & Retrieval is Important"
  → char filter: "Search and Retrieval is Important"
  → tokenizer:  ["Search", "and", "Retrieval", "is", "Important"]
  → lowercase:  ["search", "and", "retrieval", "is", "important"]
  → stop:       ["search", "retrieval", "important"]

上面的 JSON 配置和文本示例对应到组件拓扑如下图。my_analyzer 把一个自定义 char_filter、内置 tokenizer、两个 token filter 串成一条管道。内置 analyzer（如 standard）也是同样的结构，只是组件选型由 ES 预设。

索引时 Analysis vs 搜索时 Analysis

ES 在两个时机执行 analysis：写入时（index time）和搜索时（search time）。

默认情况下，两个时机使用同一个 analyzer。但在某些场景下需要不同的 analyzer。典型场景是搜索时的同义词扩展：

1
2
3
4
5
索引时：按原词索引
  "quick brown fox" → ["quick", "brown", "fox"]

搜索时：扩展同义词
  搜索 "fast" → analyzer 扩展为 ["fast", "quick"] → 匹配到包含 "quick" 的文档

通过 search_analyzer 字段配置搜索时使用的 analyzer：

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
PUT /synonym-demo
{
  "settings": {
    "analysis": {
      "filter": {
        "my_synonyms": {
          "type": "synonym",
          "synonyms": ["quick,fast", "big,large"]
        }
      },
      "analyzer": {
        "search_with_synonyms": {
          "type": "custom",
          "tokenizer": "standard",
          "filter": ["lowercase", "my_synonyms"]
        }
      }
    }
  },
  "mappings": {
    "properties": {
      "content": {
        "type": "text",
        "analyzer": "standard",
        "search_analyzer": "search_with_synonyms"
      }
    }
  }
}

实验：用 _analyze API 观察分词

_analyze API 可以直接测试 analyzer 的分词效果，不需要创建 index：

1
2
3
4
5
6
# 默认 standard analyzer
POST /_analyze
{
  "text": "The Quick Brown Fox jumped over 2 lazy dogs!",
  "analyzer": "standard"
}

返回：

1
2
3
4
5
6
7
8
9
10
11
12
13
{
  "tokens": [
    {"token": "the",    "position": 0},
    {"token": "quick",  "position": 1},
    {"token": "brown",  "position": 2},
    {"token": "fox",    "position": 3},
    {"token": "jumped", "position": 4},
    {"token": "over",   "position": 5},
    {"token": "2",      "position": 6},
    {"token": "lazy",   "position": 7},
    {"token": "dogs",   "position": 8}
  ]
}

对比 simple analyzer（去掉数字）：

1
2
3
4
5
POST /_analyze
{
  "text": "The Quick Brown Fox jumped over 2 lazy dogs!",
  "analyzer": "simple"
}

返回的 tokens 中不包含 “2”，因为 simple analyzer 按非字母字符切分，数字被丢弃。

对比 whitespace analyzer（保留大小写和标点）：

1
2
3
4
5
POST /_analyze
{
  "text": "The Quick Brown Fox jumped over 2 lazy dogs!",
  "analyzer": "whitespace"
}

返回 [“The”, “Quick”, “Brown”, “Fox”, “jumped”, “over”, “2”, “lazy”, “dogs!”]——注意 “The” 保留了大写，“dogs!” 保留了感叹号。

用自定义的 token filter 组合测试：

1
2
3
4
5
6
POST /_analyze
{
  "tokenizer": "standard",
  "filter": ["lowercase", "stop", "stemmer"],
  "text": "The dogs were running quickly through the forest"
}

返回 [“dog”, “run”, “quickli”, “through”, “forest”]——停用词 “the”、“were” 被去除，“dogs” → “dog”（词干化），“running” → “run”（词干化）。

模式提炼：管道处理模式

1
input → stage1 → stage2 → stage3 → output

Analysis pipeline 是管道处理模式（pipeline pattern）的典型实现。每个阶段接收上一阶段的输出，做一种特定的变换，传给下一阶段。这种模式在软件工程中反复出现：

系统 管道 阶段
ES Analysis text → terms char filter → tokenizer → token filter
Unix Shell data stream cmd1 | cmd2 | cmd3
Logstash event → output input → filter → output
ES Ingest document → document processor pipeline
Java Stream Collection → result map → filter → collect
Compiler source → binary lexer → parser → codegen

管道模式的优势在于每个阶段职责单一、可独立替换和组合。ES 的 analysis 系统正是通过组合不同的 char filter、tokenizer 和 token filter 来适配不同的语言和业务需求。

工程迁移表

概念 Elasticsearch Apache Solr Lucene RDBMS
分析器 Analyzer Analyzer (FieldType) Analyzer (Java class) 全文索引（有限）
字符预处理 Character Filter CharFilter CharFilter 无
分词器 Tokenizer Tokenizer Tokenizer 内置（不可配置）
词项后处理 Token Filter TokenFilter TokenFilter 无
配置方式 JSON (settings.analysis) XML (schema.xml) Java API SQL 参数
中文分词 IK / jieba 插件 SmartCN / jieba CJKAnalyzer 有限支持
同义词 synonym filter SynonymFilterFactory SynonymFilter 无

常见误解

误解一：analyzer 只在写入时起作用。 搜索时查询文本也会经过 analysis。如果索引时用 standard analyzer 转小写，搜索时用 keyword analyzer 不转小写，大写查询词就匹配不到小写词项。

误解二：中文可以用默认 standard analyzer。 standard analyzer 按 Unicode 规则分词，对中文会把每个字拆成独立的 token（逐字切分）。搜索"搜索引擎"会被拆成"搜"“索”“引”"擎"四个词项，召回大量不相关文档。中文需要安装专门的分词插件。

误解三：analysis 只影响 text 字段。 是的，只有 text 类型的字段会经过 analysis。keyword、integer、date 等字段类型不经过 analysis，直接以原始值索引。

练习

  1. 用 _analyze API 测试同一段英文文本在 standard、english、whitespace 三个 analyzer 下的分词差异。注意 english analyzer 的词干化效果。

  2. 创建一个 index，定义包含 lowercase + stop + stemmer 三个 token filter 的 custom analyzer。写入文档后，验证搜索 “running” 能否匹配到包含 “run” 的文档。

  3. 定义一个使用 search_analyzer 的字段，配置搜索时同义词扩展。验证搜索同义词能否命中原始文档。

系列导航

上一篇 下一篇
Mapping 与字段类型：给文档定义结构 写入路径：近实时、Translog 与 Refresh/Flush

参考资料