elasticsearch 弹性搜索中的阿拉伯文发音符号
我有一个案例,我想使用elasticsearch作为文本搜索引擎,搜索非常长的HTML阿拉伯语文本 除了带有变音符号的单词外,搜索效果相当不错,它似乎无法识别它们 例如: 这句话:“وَهكَذافُلّكٍْ”(这是存储在数据库中的一句) 与此完全相同:这是用户输入的搜索内容) 除了添加的变音符号,它们在计算机中作为单独的字符处理(但只是在其他字符之上呈现),情况完全相同 我想知道是否有办法让搜索忽略所有的发音符号 我考虑的第一种方法是,是否有一种方法可以告诉elasticsearch在索引时完全忽略变音符号(类似stopwords?)elasticsearch 弹性搜索中的阿拉伯文发音符号,elasticsearch,lucene,elasticsearch,Lucene,我有一个案例,我想使用elasticsearch作为文本搜索引擎,搜索非常长的HTML阿拉伯语文本 除了带有变音符号的单词外,搜索效果相当不错,它似乎无法识别它们 例如: 这句话:“وَهكَذافُلّكٍْ”(这是存储在数据库中的一句) 与此完全相同:这是用户输入的搜索内容) 除了添加的变音符号,它们在计算机中作为单独的字符处理(但只是在其他字符之上呈现),情况完全相同 我想知道是否有办法让搜索忽略所有的发音符号 我考虑的第一种方法是,是否有一种方法可以告诉elasticsearch在索引时
如果不是,是否适合在文档中使用另一个字段(文本\u规范化),在将其添加到elasticsearch之前手动删除变音符号,这是否有效?要解决您的问题,您可以使用阿拉伯语\u规范化标记过滤器,它将在索引之前从文本中删除变音符号。您需要定义一个自定义分析器,并且您的分析器应该如下所示:
"analyzer": {
"rebuilt_arabic": {
"tokenizer": "standard",
"filter": [
"lowercase",
"decimal_digit",
"arabic_stop",
"arabic_normalization",
"arabic_keywords",
"arabic_stemmer"
]
}
}
分析器API检查:
GET /_analyze
{
"tokenizer" : "standard",
"filter" : ["arabic_normalization"],
"text" : "وَهَكَذَا في كُلّ عَقْدٍ"
}
来自分析仪的结果:
{
"tokens" : [
{
"token" : "وهكذا",
"start_offset" : 0,
"end_offset" : 9,
"type" : "<ALPHANUM>",
"position" : 0
},
{
"token" : "في",
"start_offset" : 10,
"end_offset" : 12,
"type" : "<ALPHANUM>",
"position" : 1
},
{
"token" : "كل",
"start_offset" : 13,
"end_offset" : 17,
"type" : "<ALPHANUM>",
"position" : 2
},
{
"token" : "عقد",
"start_offset" : 18,
"end_offset" : 24,
"type" : "<ALPHANUM>",
"position" : 3
}
]
}
{
“代币”:[
{
“代币”:“代币”,
“起始偏移量”:0,
“端部偏移”:9,
“键入”:“要解决您的问题,您可以使用阿拉伯文规范化标记过滤器,它将在索引之前删除文本中的变音符号。您需要定义自定义分析器,并且您的分析器应如下所示:
"analyzer": {
"rebuilt_arabic": {
"tokenizer": "standard",
"filter": [
"lowercase",
"decimal_digit",
"arabic_stop",
"arabic_normalization",
"arabic_keywords",
"arabic_stemmer"
]
}
}
分析器API检查:
GET /_analyze
{
"tokenizer" : "standard",
"filter" : ["arabic_normalization"],
"text" : "وَهَكَذَا في كُلّ عَقْدٍ"
}
来自分析仪的结果:
{
"tokens" : [
{
"token" : "وهكذا",
"start_offset" : 0,
"end_offset" : 9,
"type" : "<ALPHANUM>",
"position" : 0
},
{
"token" : "في",
"start_offset" : 10,
"end_offset" : 12,
"type" : "<ALPHANUM>",
"position" : 1
},
{
"token" : "كل",
"start_offset" : 13,
"end_offset" : 17,
"type" : "<ALPHANUM>",
"position" : 2
},
{
"token" : "عقد",
"start_offset" : 18,
"end_offset" : 24,
"type" : "<ALPHANUM>",
"position" : 3
}
]
}
{
“代币”:[
{
“代币”:“代币”,
“起始偏移量”:0,
“端部偏移”:9,
“类型”: