ElasticSearch分词器定义
ElasticSearch分词器主要是：将用户输入的一段文本，按照一定逻辑，分析成多个词语的一种工具。
举一个分词简单的例子，比如：你输入mikechen的互联网架构，会自动帮你分成两个单词，一个是 mikechen，另一个是 互联网架构。
如下图所示：
ElasticSearch分词器原理
ElasticSearch的分词器由三种组件构成：
1.字符过滤器(Character Filters)
character filter 字符过滤器：在一段文本分词之前，先进行预处理，比如：说最常见的就是 过滤html标签。
<div> <span>mikechen的互联网架构<span> </div>
如果想获取其中文本：mikechen的互联网架构，你首先需要过滤的就是html标签。
2.分词器(Tokenizer)
按照规则切分为单词，比如：英文分词根据空格将单词分开，中文分词按单字隔开。
3.过滤加工(Token Filters)
将切分的单词进行加工，比如大写转小写，删除 stopwords，增加同义语等。
ElasticSearch分词器流程，如下图所示：
从图中可以看出，从上到下依次经过：
- 字符过滤：Character Filters；
- 分词器：Tokenizer ；
- 过滤加工：Token Filters；
这个顺序比较好理解，一个文本进来肯定要：先对文本数据进行处理，再去分词，最后对分词的结果进行过滤。
ElasticSearch分词器分类
ElasticSearch常见的内置分词器，有以下几类：
- Standard Analyzer：默认分词器，英文按单词词切分，并小写处理;
- Simple Analyzer：按照单词切分，符号被过滤, 小写处理；
- Stop Analyzer：小写处理，停用词过滤；
- Whitespace Analyzer：按照空格切分，不转小写；
- Keyword Analyzer：不分词，直接将输入当作输出；
- Pattern Analyzer：采用正则表达式分词；
- Language：提供了 30 多种常见语言的分词器；
- Customer Analyzer：自定义分词器；
下面我分别详解各大分词器的原理及使用示例。
1.标准分词器(Standard Analyzer)
Standard Analyzer：是默认分词器，英文按单词词切分，并小写处理;
使用示例：
下面是未被分词前的英文：
POST _analyze
{
"analyzer": "standard",
"text": "The 2 QUICK Brown-Foxes jumped over the lazy dog's bone."
}
采用标准分词器，分词后：
the, 2, quick, brown, foxes, jumped, over, the, lazy, dog's, bone
上面的英文按单词来切分，并且做了小写处理。
2.简单分词器(Simple Analyzer)
简单分词器(Simple Analyzer)：按照单词切分，符号被过滤, 小写处理。
使用示例：
POST _analyze
{
"analyzer": "simple",
"text": "The 2 QUICK Brown-Foxes jumped over the lazy dog's bone."
}
采用简单分词器，分词后：
the, quick, brown, foxes, jumped, over, the, lazy, dog, s, bone
按照单词来切分，数字、以及符号被过滤了，并小写处理。
3.停用词分词器(Stop Analyzer)
停用词分词器(Stop Analyzer)：主要采用小写处理，停用词过滤（the、a、is）。
使用示例：
POST _analyze
{
"analyzer": "stop",
"text": "The 2 QUICK Brown-Foxes jumped over the lazy dog's bone."
}
采用停用分词器，分词后：
quick, brown, foxes, jumped, over, lazy, dog, s, bone
上面把停用词过滤（the、a、is）过滤了，然后小写处理，比如：The就被过滤了。
4.空白分词器(Whitespace Analyzer)
空白分词器(Whitespace Analyzer)：非常容易理解，就是按照空白切分，比如：空格、制表符等，但是不转小写。
使用示例：
POST _analyze
{
"analyzer": "whitespace",
"text": "The 2 QUICK Brown-Foxes jumped over the lazy dog's bone."
}
采用空白分词器，分词后：
The, 2, QUICK, Brown-Foxes, jumped, over, the, lazy, dog's, bone.
按照空白切分，但是不转小写。
5.关键词分析器(Keyword Analyzer)
关键词分析器：不分词，直接将输入当作输出。
使用示例：
POST _analyze
{
"analyzer": "keyword",
"text": "The 2 QUICK Brown-Foxes jumped over the lazy dog's bone."
}
采用关键词分词器，分词后：
he 2 QUICK Brown-Foxes jumped over the lazy dog's bone.
不分词，直接将输入当作输出。
6.正则表达式分词(Pattern Analyzer)
正则表达式分词：就是采用正则表达式分词。
使用示例：
POST _analyze
{
"analyzer": "pattern",
"text": "The 2 QUICK Brown-Foxes jumped over the lazy dog's bone."
}
采用正则表达式分词器，分词后：
the, 2, quick, brown, foxes, jumped, over, the, lazy, dog, s, bone
默认使用的正则表达式是\W+，在匹配\W+的地方切词。
备注：\w包括英文字母、阿拉伯数字、_，\W是任意一个非\w字符，中文字符也算\W。
7.语言分词器(Language)
按照语言来分词，提供了 30 多种常见语言的分词器。
比如：如英语分词器（english），就是某一种常见语言的分词器。
8.Customer Analyzer
当内置分析器不能满足您的需求时，您可以创建一个自定义分析器。
可以自定义分词器：
Character Filter；
Tokenizer；
Token Filter；
然后，通过自组合不同的组件实现。
陈睿mikechen
10年+大厂架构经验，资深技术专家，就职于阿里巴巴、淘宝、百度等一线互联网大厂。
关注「mikechen」公众号，获取更多技术干货！
后台回复【面试】即可获取《史上最全阿里Java面试题总结》，后台回复【架构】，即可获取《阿里架构师进阶专题全部合集》