ElasticSearch源码解析(二):ES的CharFilter、Tokenizer、TokenizerFilter
来源:互联网 发布:凶宅美人头 知乎 编辑:程序博客网 时间:2024/05/19 01:13
CharFilter
elasticsearch的CharFilter一共有2种分别是:HTMLStripCharFilter、MappingCharFilter。
HTMLStripCharFilter
这是用来去除html标签的filter,主要的逻辑在read方法中:
public int read() throws IOException { //输入字符的字节是否已读完 if (outputSegment.isRead()) { if (zzAtEOF) { return -1; } // 如果已读完则返回当前字符的下一个字符 int ch = nextChar(); ++outputCharCount; return ch; } //如果这个textsegment还没有读完则返回已读部分的下一个字符 int ch = outputSegment.nextChar(); ++outputCharCount; return ch; }nextChar()函数里面是个包含了一个有限自动机。如果不懂什么是有限自动机的,有限自动机的概念请参考编译原理的词法分析来了解。自动机的状态图我没有深入研究过,而且代码冗长也比较晦涩这里就不做介绍了。
MappingCharFilter
它主要是用来做字符串匹配替换的,可以通过NormalizeCharMap.Builder的addPair来添加替换规则。
Tokenizer
一共有10种tokenizer,用户需要根据搜索内容的语言特性做出选择,一般中文分词使用第三方的分词器比如ik analyzer,我们这里仅以其中一个举例说明。
StandardTokenizer是es默认的tokenizer,使用的是字典匹配类型的分词算法,它依据的是unicode编码,比较适应欧洲语言,它同样使用了一个有限自动机来实现字符串前缀匹配算法,将不同的词映射为以下14种类型:
public static final String [] TOKEN_TYPES = new String [] { "<ALPHANUM>", "<APOSTROPHE>", "<ACRONYM>", "<COMPANY>", "<EMAIL>", "<HOST>", "<NUM>", "<CJ>", "<ACRONYM_DEP>", "<SOUTHEAST_ASIAN>", "<IDEOGRAPHIC>", "<HIRAGANA>", "<KATAKANA>", "<HANGUL>" };
TokenFilter
一共有三种TokenFilter,也是使用同样的字符串前缀匹配算法来实现功能,这里以ClassicFilter为例说明,它主要用来去除像‘s这样的字母或者首字母缩略词中的点符号。
和tokenizer一样同样有个incrementToken方法:
public final boolean incrementToken() throws java.io.IOException { if (!input.incrementToken()) { return false; } final char[] buffer = termAtt.buffer(); final int bufferLength = termAtt.length(); final String type = typeAtt.type(); if (type == APOSTROPHE_TYPE && // remove 's bufferLength >= 2 && buffer[bufferLength-2] == '\'' && (buffer[bufferLength-1] == 's' || buffer[bufferLength-1] == 'S')) { // Strip last 2 characters off termAtt.setLength(bufferLength - 2); } else if (type == ACRONYM_TYPE) { // remove dots int upto = 0; for(int i=0;i<bufferLength;i++) { char c = buffer[i]; if (c != '.') buffer[upto++] = c; } termAtt.setLength(upto); } return true; }
1 0
- ElasticSearch源码解析(二):ES的CharFilter、Tokenizer、TokenizerFilter
- ES-MongoDB学习2_mongodb-river-elasticsearch源码解析
- Lucene源码解析--Analyzer之Tokenizer
- ElasticSearch 解析机制常见用法库 之 Tokenizer常用用法
- Solr与ES(ElasticSearch)的对比
- es(elasticsearch)游标(查询)的理解
- ElasticSearch源码解析(三):索引创建
- elasticsearch源码解析---AllocationDecider
- ElasticSearch Bulk 源码解析
- Elasticsearch[es]的命令总结
- Solr4.0(SolrCloud) & ElasticSearch(ES) 比较(二)
- es 二 ---- elasticsearch多节点集群不成功
- Elasticsearch学习笔记之二(ES集群)
- elasticsearch详解(二)——初识es
- hanlp for elasticsearch(基于hanlp的es分词插件)
- Picasso源码的简单解析(二)
- Elasticsearch系列(八)----ES生成JSON与解析JSON的方式
- ES elasticsearch
- UILabel 的文字顶部对齐
- CoreAnimation编程指南(一)核心动画基础
- Mybatis步步进阶(八)——Mybatis延迟加载和缓存机制
- 高效程序员的45个习惯第二章
- 【考试维护+考试值班+考试测试——大三下学期】
- ElasticSearch源码解析(二):ES的CharFilter、Tokenizer、TokenizerFilter
- 控制台输入数据
- Oracle CASE WHEN 用法介绍
- 什么是线程池
- iOS7、8、9相册适配
- python提取字符串中的中文、去除字符串中的空格换行符回车符
- Launcher3--拖拽
- NSURLConnection下载大小文件,断点下载
- Java中Integer、int、String类型之间的转换关系