控制词干提取

开箱即用的词干提取方案永远也不可能完美。尤其是算法提取器,他们可以愉快的将规则应用于任何他们遇到的词,包含那些你希望保持独立的词。也许,在你的场景,保持独立的 skiesskiing 是重要的,你不希望把他们提取为 ski (正如 english 分析器那样)。

语汇单元过滤器 {ref}/analysis-keyword-marker-tokenfilter.html[keyword_marker] 和 {ref}/analysis-stemmer-override-tokenfilter.html[stemmer_override]能让我们自定义词干提取过程。

阻止词干提取

语言分析器(查看 configuring-language-analyzers)的参数 stem_exclusion允许我们指定一个词语列表,让他们不被词干提取。

在内部,这些语言分析器使用 {ref}/analysis-keyword-marker-tokenfilter.html[keyword_marker 语汇单元过滤器]来标记这些词语列表为 keywords ,用来阻止后续的词干提取过滤器来触碰这些词语。例如,我们创建一个简单自定义分析器,使用 {ref}/analysis-porterstem-tokenfilter.html[porter_stem]​ 语汇单元过滤器,同时阻止 skies 的词干提取:

  1. PUT /my_index
  2. {
  3. "settings": {
  4. "analysis": {
  5. "filter": {
  6. "no_stem": {
  7. "type": "keyword_marker",
  8. "keywords": [ "skies" ] (1)
  9. }
  10. },
  11. "analyzer": {
  12. "my_english": {
  13. "tokenizer": "standard",
  14. "filter": [
  15. "lowercase",
  16. "no_stem",
  17. "porter_stem"
  18. ]
  19. }
  20. }
  21. }
  22. }
  23. }

<1> 参数 keywords 可以允许接收多个词语。

使用 analyze API 来测试,可以看到词 skies 没有被提取:

  1. GET /my_index/_analyze?analyzer=my_english
  2. sky skies skiing skis (1)

<1> 返回: sky, skies, ski, ski

[TIP]

虽然语言分析器只允许我们通过参数 stem_exclusion 指定一个词语列表来排除词干提取,不过 keyword_marker 语汇单元过滤器同样还接收一个 keywords_path 参数允许我们将所有的关键字存在一个文件。这个文件应该是每行一个字,并且存在于集群的每个节点。查看 updating-stopwords 了解更新这些文件的提示。

自定义提取

在上面的例子中,我们阻止了 skies 被词干提取,但是也许我们希望他能被提干为 sky 。The {ref}/analysis-stemmer-override-tokenfilter.html[stemmer_override] 语汇单元过滤器允许我们指定自定义的提取规则。与此同时,我们可以处理一些不规则的形式,如:mice 提取为 mousefeetfoot

  1. PUT /my_index
  2. {
  3. "settings": {
  4. "analysis": {
  5. "filter": {
  6. "custom_stem": {
  7. "type": "stemmer_override",
  8. "rules": [ (1)
  9. "skies=>sky",
  10. "mice=>mouse",
  11. "feet=>foot"
  12. ]
  13. }
  14. },
  15. "analyzer": {
  16. "my_english": {
  17. "tokenizer": "standard",
  18. "filter": [
  19. "lowercase",
  20. "custom_stem", (2)
  21. "porter_stem"
  22. ]
  23. }
  24. }
  25. }
  26. }
  27. }
  28. GET /my_index/_analyze?analyzer=my_english
  29. The mice came down from the skies and ran over my feet (3)

<1> 规则来自 original=>stem

<2> stemmer_override 过滤器必须放置在词干提取器之前。

<3> 返回 the, mouse, came, down, from, the, sky,and, ran, over, my, foot

TIP: 正如 keyword_marker 语汇单元过滤器,规则可以被存放在一个文件中,通过参数 rules_path 来指定位置。