Dostosowywanie analizatorów tekstu
Twórz i stosuj niestandardowe analizatory dla określonych pól, aby kontrolować sposób przetwarzania, stemmingu i indeksowania tekstu na potrzeby wyszukiwania.
Dostosowywanie analizatorów tekstu to bezpłatna lekcja Elasticsearch & Full Text Search Systems na CoddyKit. To lekcja 2 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Elasticsearch & Full Text Search Systems, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Elasticsearch & Full Text Search Systems zawiera 4 lekcji w sumie.
Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.
Why Custom Analyzers?
Elasticsearch comes with powerful default text analyzers, but sometimes your data needs a special touch. This is where custom analyzers shine!
They allow you to precisely control how your text fields are processed for search, ensuring optimal relevancy and accuracy for your specific use case.
The Analyzer Recipe
Recall that every analyzer, custom or built-in, follows a three-step process to transform raw text into searchable tokens:
- Character Filters: Clean up the raw input string (e.g., remove HTML tags).
- Tokenizer: Breaks the processed string into individual words or tokens.
- Token Filters: Modifies, adds, or removes tokens (e.g., lowercase, remove stop words, apply stemming).
A custom analyzer lets you pick and choose these ingredients!
Defining Custom Analyzers
You define custom analyzers within an index's settings block, under analysis. This tells Elasticsearch how to process text for that index.
Here's the basic structure for creating a custom analyzer:
PUT /my_custom_index
{
"settings": {
"analysis": {
"analyzer": {
"my_custom_analyzer": {
"type": "custom",
"char_filter": [],
"tokenizer": "standard",
"filter": []
}
}
}
}
}Custom Character Filters
Character filters are the first step, acting on the raw text. They can remove or replace characters before tokenization. You can define your own or use built-in ones.
html_strip: Removes HTML tags.mapping: Replaces specified characters or strings.
Here's how to define a custom mapping filter:
PUT /my_index_with_char_filter
{
"settings": {
"analysis": {
"char_filter": {
"ampersand_to_and": {
"type": "mapping",
"mappings": ["& => and "]
}
},
"analyzer": {
"my_analyzer": {
"type": "custom",
"char_filter": ["ampersand_to_and"],
"tokenizer": "standard",
"filter": ["lowercase"]
}
}
}
}
}Selecting a Tokenizer
The tokenizer breaks the stream of characters from the character filters into individual tokens (words). Your choice here is crucial for how words are identified.
Common built-in tokenizers you can use in custom analyzers include:
standard: Good for most languages, grammar-based.whitespace: Splits text only on whitespace.keyword: Treats the entire input as a single token (useful for exact values).pattern: Splits text based on a regular expression.
Custom Token Filters
Token filters refine the tokens generated by the tokenizer. This is where most of the search logic resides, like handling synonyms or stemming.
You can define custom versions of filters or use built-in ones:
lowercase: Converts tokens to lowercase.stop: Removes common, less meaningful words (stop words).synonym: Replaces tokens with their synonyms.stemmer: Reduces words to their root form.
Let's define a custom stop word filter:
PUT /my_index_with_token_filter
{
"settings": {
"analysis": {
"filter": {
"my_custom_stop_words": {
"type": "stop",
"stopwords": ["a", "the", "is", "and", "are"]
}
},
"analyzer": {
"my_analyzer": {
"type": "custom",
"tokenizer": "standard",
"filter": ["lowercase", "my_custom_stop_words"]
}
}
}
}
}Building a Full Custom Analyzer
Now, let's combine these concepts to create a practical custom analyzer for blog post content. It will:
- Remove HTML tags.
- Tokenize standard text.
- Lowercase all tokens.
- Remove common English stop words.
This analyzer is then applied to the content field.
PUT /blog_posts_index
{
"settings": {
"analysis": {
"char_filter": {
"html_strip_char_filter": {
"type": "html_strip"
}
},
"filter": {
"english_stop_words": {
"type": "stop",
"stopwords": ["the", "a", "an", "is", "are"]
}
},
"analyzer": {
"blog_content_analyzer": {
"type": "custom",
"char_filter": ["html_strip_char_filter"],
"tokenizer": "standard",
"filter": ["lowercase", "english_stop_words"]
}
}
}
},
"mappings": {
"properties": {
"content": {
"type": "text",
"analyzer": "blog_content_analyzer"
}
}
}
}Applying to Field Mappings
Once your custom analyzer is defined in the index settings, you apply it to a text field within your index's mapping. This tells Elasticsearch to use your custom logic when indexing and searching that specific field.
You simply specify the analyzer parameter with the name of your custom analyzer:
PUT /blog_posts_index/_mapping
{
"properties": {
"content": {
"type": "text",
"analyzer": "blog_content_analyzer"
},
"title": {
"type": "text",
"analyzer": "standard"
}
}
}Testing with _analyze API
How can you be sure your custom analyzer works as expected? Use the _analyze API! It lets you simulate how text will be processed by any analyzer.
This is an indispensable tool for debugging and validating your text analysis setup.
GET /blog_posts_index/_analyze
{
"analyzer": "blog_content_analyzer",
"text": "The <b>quick</b> brown fox jumps over the lazy dog."
}Quiz Time!
You've learned about the components of a custom analyzer and how to define them. Let's test your knowledge!
Custom Analyzers: Your Search Superpower
Congratulations! You've learned how to harness the power of custom analyzers in Elasticsearch.
- You can now define custom character filters, tokenizers, and token filters.
- You know how to combine these components to create a tailor-made analyzer for your data.
- You understand how to apply this analyzer to specific fields in your mappings.
- And importantly, you know how to test your analyzer using the
_analyzeAPI.
This skill is crucial for building highly relevant and accurate search experiences!
Często zadawane pytania
Czy lekcja „Dostosowywanie analizatorów tekstu” jest bezpłatna?
Tak — pełny tekst „Dostosowywanie analizatorów tekstu” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Elasticsearch & Full Text Search Systems, przejdź na CoddyKit PRO. Kurs Elasticsearch & Full Text Search Systems zawiera 4 lekcji w sumie.
Co nauczysz się w „Dostosowywanie analizatorów tekstu”?
Twórz i stosuj niestandardowe analizatory dla określonych pól, aby kontrolować sposób przetwarzania, stemmingu i indeksowania tekstu na potrzeby wyszukiwania. Ćwiczysz Elasticsearch & Full Text Search Systems z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć Elasticsearch & Full Text Search Systems?
Nie wymagamy żadnego doświadczenia. Elasticsearch & Full Text Search Systems w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 2 z 4.
Ile czasu zajmuje lekcja „Dostosowywanie analizatorów tekstu”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji Elasticsearch & Full Text Search Systems?
Tak. Każda lekcja Elasticsearch & Full Text Search Systems zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Analizatory, tokenizery i filtry
- Dostosowywanie analizatorów tekstu
- Podbijanie i ocenianie trafności
- Synonimy i stemming