Hunspell 词干提取器

Elasticsearch 提供了基于词典提取词干的 {ref}/analysis-hunspell-tokenfilter.html[hunspell 语汇单元过滤器（token filter）].Hunspell hunspell.github.io 是一个 Open Office、LibreOffice、Chrome、Firefox、Thunderbird 等众多其它开源项目都在使用的拼写检查器。

可以从这里获取 Hunspell 词典(((“Hunspell stemmer”, “obtaining a Hunspell dictionary”))) ：

一个 Hunspell 词典由两个文件组成 — 具有相同的文件名和两个不同的后缀 — 如 en_US—和下面的两个后缀的其中一个：

.dic

  1. 包含所有词根，采用字母顺序，再加上一个代表所有可能前缀和后缀的代码表 【集体称之为词缀( _affixes_ 】

.aff

  1. 包含实际 `.dic` 文件每一行代码表对应的前缀和后缀转换

安装一个词典

Hunspell 语汇单元过滤器在特定的 Hunspell 目录里寻找词典， 默认目录是 ./config/hunspell/ 。 .dic 文件和 .aff 文件应该要以子目录且按语言/区域的方式来命名。例如，我们可以为美式英语创建一个 Hunspell 词干提取器，目录结构如下：

  1. config/
  2.   └ hunspell/ (1)
  3.       └ en_US/ (2)
  4.           ├ en_US.dic
  5.           ├ en_US.aff
  6.           └ settings.yml (3)

<1> Hunspell 目录位置可以通过编辑 config/elasticsearch.yml 文件的： indices.analysis.hunspell.dictionary.location 设置来修改。

<2> en_US 是这个区域的名字，也是我们传给 hunspell 语汇单元过滤器参数 language 值。

<3> 一个语言一个设置文件，下面的章节会具体介绍。

按语言设置

在语言的目录设置文件 settings.yml 包含适用于所有字典内的语言目录的设置选项。

  1. ---
  2. ignore_case:          true
  3. strict_affix_parsing: true

这些选项的意思如下：

ignore_case

Hunspell 目录默认是区分大小写的，如，姓氏 Booker 和名词 booker 是不同的词，所以应该分别进行词干提取。 也许让 hunspell 提取器区分大小写是一个好主意，不过也可能让事情变得复杂：

  • 一个句子的第一个词可能会被大写，因此感觉上会像是一个名词。
  • 输入的文本可能全是大写，如果这样那几乎一个词都找不到。
  • 用户也许会用小写来搜索名字，在这种情况下，大写开头的词将找不到。

一般来说，设置参数 ignore_case 为 true 是一个好主意。

strict_affix_parsing

词典的质量千差万别。一些网上的词典的 .aff 文件有很多畸形的规则。默认情况下，如果 Lucene 不能正常解析一个词缀(affix)规则， 它会抛出一个异常。你可以通过设置 strict_affix_parsing 为 false 来告诉 Lucene 忽略错误的规则。

自定义词典

如果一个目录放置了多个词典 (.dic 文件)，他们会在加载时合并到一起。这可以让你以自定义的词典的方式对下载的词典进行定制：

  1. config/
  2.   └ hunspell/
  3.       └ en_US/  (1)
  4.           ├ en_US.dic
  5.           ├ en_US.aff (2)
  6.           ├ custom.dic
  7.           └ settings.yml

<1> custom 词典和 en_US 词典将合并到一起。

<2> 多个 .aff 文件是不允许的，因为会产生规则冲突。

.dic 文件和 .aff 文件的格式在这里讨论： hunspell-dictionary-format 。

创建一个 Hunspell 语汇单元过滤器

一旦你在所有节点上安装好了词典，你就能像这样定义一个 hunspell 语汇单元过滤器：

  1. PUT /my_index
  2. {
  3.   "settings": {
  4.     "analysis": {
  5.       "filter": {
  6.         "en_US": {
  7.           "type":     "hunspell",
  8.           "language": "en_US" (1)
  9.         }
  10.       },
  11.       "analyzer": {
  12.         "en_US": {
  13.           "tokenizer":  "standard",
  14.           "filter":   [ "lowercase", "en_US" ]
  15.         }
  16.       }
  17.     }
  18.   }
  19. }

<1> 参数 language 和目录下对应的名称相同。

你可以通过 analyze API 来测试这个新的分析器， 然后和 english 分析器比较一下它们的输出：

  1. GET /my_index/_analyze?analyzer=en_US (1)
  2. reorganizes
  4. GET /_analyze?analyzer=english (2)
  5. reorganizes

<1> 返回 organize

<2> 返回 reorgan

在前面的例子中，hunspell 提取器有一个有意思的事情，它不仅能移除前缀还能移除后缀。大多数算法词干提取仅能移除后缀。

[TIP]

Hunspell 词典会占用几兆的内存。幸运的是，Elasticsearch 每个节点只会创建一个词典的单例。 所有的分片都会使用这个相同的 Hunspell 分析器。

Hunspell 词典格式

尽管使用 hunspell 不必了解 Hunspell 词典的格式，不过了解格式可以帮助我们编写自己的自定义的词典。其实很简单。

例如，在美式英语词典（US English dictionary），en_US.dic 文件包含了一个包含词 analyze 的实体，看起来如下：

  1. analyze/ADSG

en_US.aff 文件包含了一个针对标记 A 、 G 、D 和 S 的前后缀的规则。其中应该只有一个能匹配，每一个规则的格式如下：

  1. [type] [flag] [letters to remove] [letters to add] [condition]

例如，下面的后缀 (SFX) 规则 D 。它是说，当一个词由一个辅音 (除了 a 、e 、i 、o 或 u 外的任意音节) 后接一个 y ，那么它可以移除 y 和添加 ied 结尾 （如，ready -> readied ）。

  1. SFX    D      y   ied  [^aeiou]y

前面提到的 A 、 G 、D 和 S 标记对应规则如下：

  1. SFX D Y 4
  2. SFX D   0     d          e (1)
  3. SFX D   y     ied        [^aeiou]y
  4. SFX D   0     ed         [^ey]
  5. SFX D   0     ed         [aeiou]y
  7. SFX S Y 4
  8. SFX S   y     ies        [^aeiou]y
  9. SFX S   0     s          [aeiou]y
  10. SFX S   0     es         [sxzh]
  11. SFX S   0     s          [^sxzhy] (2)
  13. SFX G Y 2
  14. SFX G   e     ing        e (3)
  15. SFX G   0     ing        [^e]
  17. PFX A Y 1
  18. PFX A   0     re         . (4)

<1> analyze 以一个 e 结尾，所以它可以添加一个 d 变成 analyzed 。

<2> analyze 不是由 s 、x 、z 、h 或 y 结尾，所以，它可以添加一个 s 变成 analyzes 。

<3> analyze 以一个 e 结尾，所以，它可以移除 e 和添加 ing 然后变成 analyzing 。

<4> 可以添加前缀 re 来形成 reanalyze 。这个规则可以组合后缀规则一起形成： reanalyzes 、reanalyzed 、reanalyzing 。

了解更多关于 Hunspell 的语法，可以前往 Hunspell 文档 。