ES拼音前缀索引

大家观察淘宝的首页搜索框，它除了支持中文前缀搜索提示外，还支持拼音前缀搜索提示。

拼音分为全拼和首字母两种，ES拼音分词插件需要用开源项目： elasticsearch-analysis-pinyin 。

当我们要索引”2018世界杯”的时候，我们期望产生2种分词结果：

2018shijiebei和2018sjb，即全拼和首拼，我们不需要类似于2018 shi jie bei这种的单字分词。

然后，我们利用ES的edge-ngram filter，将上述2种分词结果，做前缀切分。

2018shijiebei被filter拆成多个term建立倒排：

• 20
• 201
• 2018
• 2018s
• 2018sh
• 2018shi
• 2018shij
• 2018shiji
• 2018shijie

类似的，2018sjb被拆成：

• 20
• 201
• 2018
• 2018s
• 2018sj
• 2018sjb

一旦”2018世界杯”被映射成了这么多term的倒排，那么我们输入任意的前缀搜索词，均可以完成召回。

我现在将全拼和首拼都用一个analyzer拆分，但是建议大家还是把全拼和首拼分成2个anaylzer，这样搜索时相关性打分会更科学，下面看一下配置。

tokenizer

首先配置tokenizer，它的工作是把”2018世界杯”切分成全拼和首拼，一共就2个term。

'tokenizer' => [
	// 拼音分词
	'name_py_tokenizer' => [
		'type' => 'pinyin',
 
		'keep_none_chinese' => false, // 对非中文不拆分词
		'keep_full_pinyin' => false, // 关闭: 刘德华 -> liu, de, hua
 
		'keep_joined_full_pinyin' => true, // 刘德华 -> liudehua
		'keep_none_chinese_in_joined_full_pinyin' => true, // 刘德华2016 -> liudehua2016
 
		'keep_first_letter' => true, // 刘德华 -> ldh
		'keep_none_chinese_in_first_letter' => true, // 刘德华2016 -> ldh2016
 
		'none_chinese_pinyin_tokenize' => false, // 没有卵用
	]
],

如果我们要索引”世界杯worldcup”，那么keep_none_chinese=true则会导致把非中文部分拆出1个独立的term：worldcup，这不是我们希望的，我们只需要shijiebeiworldcup或者sjbworldcup，所以这个选项需要设置false。

其他的配置非常容易理解，看注释即可。

filter

接着，需要利用ES内置的edge-ngram filter，把全拼和首字拼按前缀拆term，也就是上面我们列举的大量的前缀term：

'filter' => [
	// 拼音前缀切词
	'name_py_filter' => [
		'type' => 'edge_ngram',
		'min_gram' => 1,
		'max_gram' => 20,
	]
],

analyzer

最后，我们利用tokenizer+filter来生成一个自定义的分析器：

'analyzer' => [
	// 索引时 - 拼音前缀分析器
	'name_py_analyzer' => [
		'type' => 'custom',
		'tokenizer' => 'name_py_tokenizer',
		'filter' => [
			'name_py_filter',
		]
	],
],

大家注意，analyzer的工作顺序是char_filter -> tokenizer -> filter，我们没有用到char_filter字符过滤。

搜索

搜索时一般应该利用termQuery，不需要对搜索词做分词，但是应该考虑做一些基本处理，比如转换小写，去除标点符号。

因此，我们可以配置一个用于search搜索词处理的analyzer，令其tokenizer使用keyword（不分词），通过char_filter阶段实现标点符号的过滤，通过filter阶段实现大小写转换。

有了search_analyzer，我们可以走matchQuery来应用它，确保搜索词和倒排能容易吻合。