2、一个Demo描述清楚问题

注：本文示例DSL在7.2版本运行ok，6.X之前早期版本可能需要微调。

PUT findex

{

 "mappings": {

   "properties": {

     "aname":{

       "type":"text"

     },

     "acode":{

       "type":"keyword"

     }

   }

 }

}

POST findex/_bulk

{"index":{"_id":1}}

{"acode":"160213.OF","aname":"X泰纳斯达克100"}

{"index":{"_id":2}}

{"acode":"160218.OF","aname":"X泰国证房地产"}

POST findex/_search

{

 "highlight": {

   "fields": {

     "acode": {}

   }

 },

 "query": {

   "bool": {

     "should": [

       {

         "wildcard": {

           "acode": "*1602*"

         }

       }

     ]

   }

 }

}

高亮检索结果，

 "highlight" : {

         "acode" : [

           "<em>160213.OF</em>"

         ]

       }

也就是说整个串都被高亮了，没有达到预期。

实际需求：搜索1602，相关数据：160213.O、160218.OF都能召回，且仅高亮搜索字段1602。

3、问题拆解

检索选型wildcard是为了解决子串能匹配的问题，wildcard的实现类似mysql的“like”模糊匹配。

传统的text标准分词器，包括中文分词器ik、英文分词器english、standard等都不能解决上述子串匹配问题。

而实际业务需求：

一方面：要求输入子串召回全串；

另一方面：要求高亮检索的子串。

只能更换一种分词Ngram来实现了！

4、什么是Ngram？

4.1 Ngram定义

Ngram是一种基于统计语言模型的算法。

Ngram基本思想：是将文本里面的内容按照字节进行大小为N的滑动窗口操作，形成了长度是N的字节片段序列。每一个字节片段称为gram，对所有gram的出现频度进行统计，并且按照事先设定好的阈值进行过滤，形成关键gram列表，也就是这个文本的向量特征空间，列表中的每一种gram就是一个特征向量维度。

该模型基于这样一种假设，第N个词的出现只与前面N-1个词相关，而与其它任何词都不相关，整句的概率就是各个词出现概率的乘积。

这些概率可以通过直接从语料中统计N个词同时出现的次数得到。常用的是二元的Bi-Gram（二元语法）和三元的Tri-Gram（三元语法）。

4.2 Ngram举例

中文句子：“你今天吃饭了吗”，它的Bi-Gram（二元语法）分词结果为：

你今

今天

天吃

吃饭

饭了

了吗

4.3 Ngram 应用场景

场景1：文本压缩、检查拼写错误、加速字符串查找、文献语种识别。

场景2：自然语言处理自动化领域得到新的应用,如自动分类、自动索引、超链的自动生成、文献检索、无分隔符语言文本的切分等。

场景3：自然语言的自动分类功能。对应到Elasticsearch检索，应用场景就更加明确：无分隔符语言文本的切分分词，提高检索效率（相比：wildcard 查询和正则查询）。

5、实践一把

PUT findex_ext

{

 "settings": {

   "index.max_ngram_diff": 10,

   "analysis": {

     "analyzer": {

       "my_analyzer": {

         "tokenizer": "my_tokenizer"

       }

     },

     "tokenizer": {

       "my_tokenizer": {

         "type": "ngram",

         "min_gram": 4,

         "max_gram": 10,

         "token_chars": [

           "letter",

           "digit"

         ]

       }

     }

   }

 },

 "mappings": {

   "properties": {

     "aname": {

       "type": "text"

     },

     "acode": {

       "type": "text",

       "analyzer": "my_analyzer",

       "fields": {

         "keyword": {

           "type": "keyword"

         }

       }

     }

   }

 }

}

POST findex_ext/_bulk

{"index":{"_id":1}}

{"acode":"160213.OF","aname":"X泰纳斯达克100"}

{"index":{"_id":2}}

{"acode":"160218.OF","aname":"X泰国证房地产"}

# 查看分词结果

POST findex_ext/_analyze

{

 "analyzer": "my_analyzer",

 "text":"160213.OF"

}

POST findex_ext/_search

{

 "highlight": {

   "fields": {

     "acode": {}

   }

 },

 "query": {

   "bool": {

     "should": [

       {

         "match_phrase": {

           "acode": {

             "query": "1602"

           }

         }

       }

     ]

   }

 }

}

注意：三个核心参数

min_gram：最小字符长度（切分），默认为1

max_gram：最大字符长度（切分），默认为2

token_chars：生成的分词结果中包含的字符类型，默认是全部类型。如上的示例中代表：保留数字、字母。若上述示例中，只指定  "letter",则数字就会被过滤掉，分词结果只剩下串中的字符如："OF"。

返回结果截取片段如下：

   "highlight" : {

         "acode" : [

           "<em>1602</em>13.OF"

         ]

       }

已经能满足检索和高亮的双重需求。

5、选型注意

Ngram的本质：用空间换时间。其能匹配的前提是写入的时候已经按照：min_gram、max_gram切词。

数据量非常少且不要求子串高亮，可以考虑keyword。

数据量大且要求子串高亮，推荐使用：Ngram分词结合match或者match_phrase检索实现。

数据量大，切记不要使用wildcard前缀匹配！

原因：带有通配符的pattern构造出来的DFA（Deterministic Finite Automaton）可能会很复杂，开销很大！甚至可能导致线上环境宕机。

Wood大叔也 多次强调：wildcard query应杜绝使用通配符打头，实在不得已要这么做，就一定需要限制用户输入的字符串长度。

6、小结

为讨论解决线上问题，引申出Ngram的原理和使用逻辑，并指出了wildcard和Ngram的适用业务场景。希望对实战中的你有所启发和帮助！

你在业务中遇到子串匹配和高亮的情况吗？你是如何分词和检索的？欢迎留言讨论。

参考：

1、https://zhuanlan.zhihu.com/p/32829048

2、http://blog.sciencenet.cn/blog-713101-797384.html

3、https://www.elastic.co/guide/en/elasticsearch/reference/current/analysis-ngram-tokenizer.html

4、https://elasticsearch.cn/article/171