1.概述

转载：总结一些ES不常用的filter

ES内置的token filter很多，大部分实际工作中都用不到。这段时间准备ES认证工程师的考试，备考的时候需要熟悉这些不常用的filter。ES官方对一些filter只是一笔带过，我就想着把备考的笔记整理成博客备忘，也希望能帮助到有这方面需求的人。

2.length filer

官方解释：

A token filter of type length that removes words that are too long or too short for the stream.

这个filter的功能是，去掉过长或者过短的单词。它有两个参数可以设置：

min 定义最短长度，默认是0
max 定义最长长度，默认是Integer.MAX_VALUE

先来简单测试下它的效果，

GET _analyze
{"tokenizer" : "standard","filter": [{"type": "length", "min":1, "max":3 }],  "text" : "The 2 QUICK Brown-Foxes jumped over the lazy dog's bone"
}

输出：

{"tokens" : [{"token" : "The","start_offset" : 0,"end_offset" : 3,"type" : "<ALPHANUM>","position" : 0},{"token" : "2","start_offset" : 4,"end_offset" : 5,"type" : "<NUM>","position" : 1},{"token" : "the","start_offset" : 36,"end_offset" : 39,"type" : "<ALPHANUM>","position" : 7}]
}

可以看到大于3的单词都被过滤掉了。

如果要给某个索引指定length filer，可以参考下面这个示例：

PUT /length_example
{"settings" : {"analysis" : {"analyzer" : {"default" : {"tokenizer" : "standard","filter" : ["my_length"]}},"filter" : {"my_length" : {"type" : "length","min" : 1,"max": 3}}}}
}GET length_example/_analyze
{"analyzer": "default", "text" : "The 2 QUICK Brown-Foxes jumped over the lazy dog's bonet"
}

3.ngram filter

ngram filter的意义可以参考ngram tokenize，后者相当于是keyword tokenizer 加上 ngram filter，效果是一样的。

它的含义是：首先将text文本切分，执行时采用N-gram切割算法。N-grams 算法，像一个穿越单词的滑窗，是一个特定长度的持续的字符序列。

说着挺抽象，来个例子：

GET _analyze
{"tokenizer": "ngram","text": "北京大学"
}GET _analyze
{"tokenizer" : "keyword","filter": [{"type": "ngram", "min_gram":1, "max_gram":2 }],  "text" : "北京大学"
}

可以看到有两个属性，

min_gram 在单词中最小字符长度，且默认为1
max_gram 在单词中最大字符长度，且默认为2

max和min的间隔，也就是步长默认最大只能是1，可以通过设置索引的max_ngram_diff修改，示例如下：

PUT /ngram_example
{"settings" : {"index": {"max_ngram_diff": 10},"analysis" : {"analyzer" : {"default" : {"tokenizer" : "keyword","filter" : ["my_ngram"]}},"filter" : {"my_ngram" : {"type" : "ngram","min_gram" : 2,"max_gram": 4}}}}
}

使用索引的analyzer测试，

GET ngram_example/_analyze
{"analyzer": "default", "text" : "北京大学"
}

输出，

{"tokens" : [{"token" : "北京","start_offset" : 0,"end_offset" : 4,"type" : "word","position" : 0},{"token" : "北京大","start_offset" : 0,"end_offset" : 4,"type" : "word","position" : 0},{"token" : "北京大学","start_offset" : 0,"end_offset" : 4,"type" : "word","position" : 0},{"token" : "京大","start_offset" : 0,"end_offset" : 4,"type" : "word","position" : 0},{"token" : "京大学","start_offset" : 0,"end_offset" : 4,"type" : "word","position" : 0},{"token" : "大学","start_offset" : 0,"end_offset" : 4,"type" : "word","position" : 0}]
}

你应该已经基本了解ngram filter的用法了，可能会有个疑问，这个过滤器用在什么场景呢？事实上，它适合前缀中缀检索，比如搜索推荐功能，当你只输入了某个句子的一部分时，搜索引擎会显示出以这部分为前缀的一些匹配项，从而实现推荐功能。

在7.9 推出的模糊匹配中，也是使用了这个东东

4.trim filter

这个filter从名字也可以看出它的功能，它可以删除前后空格。看个示例：

GET _analyze
{"tokenizer" : "keyword","filter": [{"type": "trim"}],  "text" : " 北京大学"
}

输出，

{"tokens" : [{"token" : "北京大学","start_offset" : 0,"end_offset" : 5,"type" : "word","position" : 0}]
}

5.truncate filter

这个filter有一个length属性，可以截断分词后的term，确保term的长度不会超过length。下面看个示例，

GET _analyze
{"tokenizer" : "keyword","filter": [{"type": "truncate", "length": 3}],  "text" : "北京大学"
}

输出，

{"tokens" : [{"token" : "北京大","start_offset" : 0,"end_offset" : 4,"type" : "word","position" : 0}]
}

再来一个示例：

GET _analyze
{"tokenizer" : "standard","filter": [{"type": "truncate", "length": 3}],  "text" : "The 2 QUICK Brown-Foxes jumped over the lazy dog's bone."
}

输出，

{"tokens" : [{"token" : "The","start_offset" : 0,"end_offset" : 3,"type" : "<ALPHANUM>","position" : 0},{"token" : "2","start_offset" : 4,"end_offset" : 5,"type" : "<NUM>","position" : 1},{"token" : "QUI","start_offset" : 6,"end_offset" : 11,"type" : "<ALPHANUM>","position" : 2},...

这个filter在keyword比较长的场景下，可以用来避免出现一些OOM等问题。

6.unique filter

unique词元过滤器的作用就是保证同样结果的词元只出现一次。看个示例：

GET _analyze
{"tokenizer": "standard","filter": ["unique"],"text": "this is a test test test"
}

输出，

{"tokens" : [{"token" : "this","start_offset" : 0,"end_offset" : 4,"type" : "<ALPHANUM>","position" : 0},{"token" : "is","start_offset" : 5,"end_offset" : 7,"type" : "<ALPHANUM>","position" : 1},{"token" : "a","start_offset" : 8,"end_offset" : 9,"type" : "<ALPHANUM>","position" : 2},{"token" : "test","start_offset" : 10,"end_offset" : 14,"type" : "<ALPHANUM>","position" : 3}]
}

7.synonym token filter

同义词过滤器。它的使用场景是这样的，比如有一个文档里面包含番茄这个词，我们希望搜索番茄或者西红柿，圣女果都可以找到这个文档。示例如下：

PUT /synonym_example
{"settings": {"analysis" : {"analyzer" : {"synonym" : {"tokenizer" : "whitespace","filter" : ["my_synonym"]}},"filter" : {"my_synonym" : {"type" : "synonym","synonyms_path" : "analysis/synonym.txt"}}}}
}

我们需要在ES实例的config目录下，新建一个analysis/synonym.txt的文件，内容如下：

番茄,西红柿,圣女果

记得要重启。

然后测试下，

GET /synonym_example/_analyze
{"analyzer": "synonym","text": "番茄"
}

输出，

{"tokens" : [{"token" : "番茄","start_offset" : 0,"end_offset" : 2,"type" : "word","position" : 0},{"token" : "西红柿","start_offset" : 0,"end_offset" : 2,"type" : "SYNONYM","position" : 0},{"token" : "圣女果","start_offset" : 0,"end_offset" : 2,"type" : "SYNONYM","position" : 0}]
}

如何组合使用多个filter
我们知道一个分析器可以包含多个过滤器，那怎么来实现呢？看下面这个例子：

GET _analyze
{"tokenizer" : "standard","filter": [{"type": "length", "min":1, "max":4 },{"type": "truncate", "length": 3}],  "text" : "The 2 QUICK Brown-Foxes jumped over the lazy dog's bone."
}

这个例子中，我们把length filter和truncate filter组合在一起使用，它首先基于标准分词，分词后的term大于4字节的会首先被过滤掉，接着剩下的term会被截断到3个字节。输出结果是，

{"tokens" : [{"token" : "The","start_offset" : 0,"end_offset" : 3,"type" : "<ALPHANUM>","position" : 0},{"token" : "2","start_offset" : 4,"end_offset" : 5,"type" : "<NUM>","position" : 1},{"token" : "ove","start_offset" : 31,"end_offset" : 35,"type" : "<ALPHANUM>","position" : 6},{"token" : "the","start_offset" : 36,"end_offset" : 39,"type" : "<ALPHANUM>","position" : 7},{"token" : "laz","start_offset" : 40,"end_offset" : 44,"type" : "<ALPHANUM>","position" : 8},{"token" : "bon","start_offset" : 51,"end_offset" : 55,"type" : "<ALPHANUM>","position" : 10}]
}

如果是在索引中使用的话，参考下面这个例子:

PUT /length_truncate_example
{"settings" : {"analysis" : {"analyzer" : {"default" : {"tokenizer" : "standard","filter" : ["my_length", "my_truncate"]}},"filter" : {"my_length" : {"type" : "length","min" : 1,"max": 4},"my_truncate" : {"type" : "truncate","length": 3}}}}
}GET length_truncate_example/_analyze
{"analyzer": "default", "text" : "The 2 QUICK Brown-Foxes jumped over the lazy dog's bonet"
}

【Elasticsearch】不常用 length filer、ngram filter、trim filter、truncate filter、unique filter、synonym token相关推荐

java filter 不过滤器_Java中的Filter过滤器
Filter简介 Filter也称之为过滤器,它是Servlet技术中最实用的技术,Web开发人员通过Filter技术,对web服务器管理的所有web资源:例如Jsp, Servlet, 静态图片文件 ...
比 Bloom Filter 节省25%空间！Ribbon Filter 在 Lindorm中的应用
1 前言 Lindorm是一个低成本高吞吐的多模数据库,目前,Lindorm是阿里内部数据体量最大,覆盖业务最广的数据库产品.超高的性能和低RT一直是Lindorm追求的目标,因此Lindorm也在不 ...
比 Bloom Filter 节省25%空间！Ribbon Filter 在 Lindorm 中的应用
1 前言 Lindorm是一个低成本高吞吐的多模数据库,目前,Lindorm是阿里内部数据体量最大,覆盖业务最广的数据库产品.超高的性能和低RT一直是Lindorm追求的目标,因此Lindorm也在不 ...
django filter查询多选_Django:使用filter的pk进行多值查询操作
由于想要做收藏夹的功能,所以希望能够一次性查询出所有id的对象,查看文档,找到了如下方法 pk是primary key的缩写,顾名思义pk_in就是primary key在某一个范围内,具体操作(以自 ...
Lucene6去掉了Filter但是可以用BooleanQuery实现Filter查询
Lucene在6.0版本之后彻底废除了Filter的使用,采用BooleanQuery来实现Filter的功能,核心代码如下: TermQuery termQuery = new TermQuery( ...
使用ffmpeg的filter处理yuv数据包括split filter(分流)、crop filter(裁剪)、vflip filter(垂直向上的翻转)、overlay filter(合成)
使用ffmpeg的filter处理yuv数据包括split filter(分流).crop filter(裁剪).vflip filter(垂直向上的翻转).overlay filter(合成) #i ...
java web filter链_filter过滤链：Filter链是如何构建的？
在一个Web应用程序中可以注册多个Filter程序,每个Filter程序都可以针对某一个URL进行拦截.如果多个Filter程序都对同一个URL进行拦截,那么这些Filter就会组成一个Filter链 ...
“Abp.AbpException: Unknown filter name: MayHaveTenant. Be sure this filter is registered before.”的解决
本文由比特飞原创发布,欢迎大家踊跃转载. 转载请注明本文地址:"Abp.AbpException: Unknown filter name: MayHaveTenant. Be sure ...
布隆过滤器（Bloom Filter）、布谷鸟过滤器（Cuckoo Filter)、商过滤器（quotient filter）(持续更新~~~~)
过滤器位图布隆过滤器(Bloom Filter) 布谷鸟过滤器(Cuckoo Filter) 商过滤器(quotient filter) 文章参考链接位图在讨论布隆过滤器之前,先看一下位图是什 ...

【Elasticsearch】不常用 length filer、ngram filter、trim filter、truncate filter、unique filter、synonym token