Download - How to use Elasticsearch Analyzers by EmergiNet

Analyzers

Pablo Musa

EmergiNet

05 de Maio de 2014

Outline

1 Motivacao

2 Elasticsearch e EmergiNet

3 Conceitos Basicos

4 Criando um Analisador

5 Problemas Comuns

6 Outros Trabalhos

Pablo Musa (EmergiNet) Analyzers 05 de Maio de 2014 2 / 26

MotivacaoCaso de Uso

Site de compras

“Full text search” em SQL e complexo e lento

Necessidade de um sistema de busca:

I mais rapido

I mais preciso

I mais simples de desenvolver


Elasticsearch

Rapido (em media 100x)

Resultados excelentes

Facil de consumir

I Instalacao muito simples e escalavel

I API RESTful simples utilizando JSON

I “Schema e automatico”


Elasticsearch e EmergiNetNem sempre o padrao e o melhor

Ninguem conhece melhor seus dados do que voce

Mapping personalizado

EmergiNet solucao de consultoria ou execucao de projetos

Otimizar a aplicacao e incluir funcionalidades

1 Ordenacao

2 Aggregations

3 Auto-Complete, Suggester

4 Auxiliar no SEO (Search Engine Optimization)


ElasticsearchEmpty Index

{

"settings": {

"analysis": {

"filter": {

},

"analyzer": {

"my_analyzer": {

"type": "",

"char_filter": [],

"tokenizer": "",

"filter": []

}

}

}

},

"mappings": {

"my_type": {

"properties": {

"title": {

"type": "",

"index": "",

"analyzer": ""

}

}

}

}

}

“Empty” analysis and mappings. Example of the structure to be fulfilled.


Etapas de um analisador

1 Arrumar

2 Quebrar

3 Normalizar

Elasticsearch oferece analisadores pre-definidosPor exemplo: standard, simple, whitespace, language


ArrumarCharacter Filters

“Pre-processamento”

Limpeza da string

Opcional

Atualmente existem 3 tipos:I mapping (ex: "ph" => "f")

I html strip (removes tags and maps entities, "á" => "a")

I pattern replace (regular expression)


ArrumarAnalysis with Character Filters

"analysis": {

"filter": {

},

"analyzer": {

"my_analyzer": {

"type": "custom",

"char_filter": [

"html_strip"

],

"tokenizer": "",

"filter": []

}

}

}

Analysis with character filter function only.


QuebrarTokenizers

“Processamento”

Quebra da string em termos individuais

Obrigatorio

Atualmente existem 10 tipos:I standard

I keyword

I whitespace

I ngram, edge ngram

I letter, lowercase (opt), pattern, uax email url, path hierarchy


QuebrarAnalysis with Character Filters and Tokenizers

"analysis": {

"filter": {

},

"analyzer": {

"my_analyzer": {

"type": "custom",

"char_filter": [

"html_strip"

],

"tokenizer": "standard",

"filter": []

}

}

}

Analysis with character filter and tokenizer function.


NormalizarToken Filters

“Pos-processamento”

Normalizar os tokens (alterar ou remover)

Opcional

Atualmente existem 33 tipos:I ascii folding

I lowercase, uppercase

I stop

I stemmer

I ngram, edge ngram, length, snowball, synonym, ...


NormalizarAnalysis Complete

"analysis": {

"filter": {

},

"analyzer": {

"my_analyzer": {

"type": "custom",

"char_filter": [

"html_strip"

],


"filter": [

"lowercase",

"asciifolding"

]

}

}

}

Analysis using all functions.


Normalizarstop token filter

Stop Words

Remove palavras indesejadas

E baseado em uma lista de palavras e deve ser criado manualmente

"stop_noise": {

"type": "stop",

"stopwords_path": "sw.txt"

}

"stop_noise": {

"type": "stop",

"stopwords": ["o", "a",

"no", "na","de","da",

"as","os"]

}

Stop word token filter definition. ignore case and remove trailing are boolean settings.


NormalizarAnalysis Complete with stop words

"analysis": {

"filter": {

"stop_noise": {

"type": "stop",


}

},

"analyzer": {

"my_analyzer": {

"type": "custom",

"char_filter": [

"html_strip"

],


"filter": [

"lowercase",

"stop_noise",

"asciifolding"

]

}

}

}

Analysis using all functions and my own stop words filter.


Normalizarstemmer token filter

Stemmer (derivacoes)

“Trava” as palavras ("jogar"=>"joga" ou "jogar" =>"jog")

E baseado em um conjunto ja existente, mas deve ser criadomanualmente

"my_stemmer": {

"type": "stemmer",

"name": "light_portuguese"

}

Stemmer token filter definition. minimal portuguese and portuguese are other portugueseoptions.


NormalizarAnalysis Complete with stop words and stemmer

"analysis": {

"filter": {

"stop_noise": {

"type": "stop",


},

"light_pt": {

"type": "stemmer",


},

},

"analyzer": {

"my_analyzer": {

"type": "custom",

"char_filter": [

"html_strip"

],


"filter": [

"lowercase",

"stop_noise",

"asciifolding",

"light_pt"

]

}

}

}

Analysis using all functions, with my own stop words and light portuguese stemmer filters.


One Field Mapping

"mappings": {

"my_type": {

"properties": {

"title": {

"type": "string",

"index": "analyzed",

"analyzer": "my_analyzer",

}

}

}

}

Simple mapping with one string field using my analyzer.


Problemas

Ordenar

Aggregation

SEO (Search Engine Optimization)


ProblemasOrdenacao

Ordenacao em campos indexados gera resultados aleatorios

"Telha" < "casa"

Novo analisador

"sort": {

"type": "custom",

"tokenizer": "keyword",

"filter": [

"lowercase",

"asciifolding"

]

}

Sort analyzer. Makes use of lowercase and asciifolding filters and the keyword tokenizer.


ProblemasAggregation

Como funciona: ”sao”, ”paulo”, ”rio”

O que queremos: ”Sao Paulo”

Ou seja, nao queremos analise


ProblemasSearch Engine Optimization

Stemmer e ruim

Novo analisador

"url_analyzer": {

"type": "custom",

"char_filter": [

"html_strip"

],


"filter": [

"lowercase",

"stop_noise",

"asciifolding"

]

}

URL analyzer for SEO. It will not be used in mappings.


ProblemasSearch Engine Optimization

Nao precisamos mapea-lo para um field

analyze API

curl -XPOST "http://localhost:9200/my_index/_analyze?analyzer=my_analyzer" -d ’{

"O Meetup Elasticsearch RJ sera no dia 05 de maio as 18h."

}’

> meetup elasticsearch rj sera dia 05 maio 18h

analyze API Example.


Resultado

{

"settings": {

"analysis": {

"filter": {

"stop_noise": {

"type": "stop",


},

"light_pt": {

"type": "stemmer",


} },

"analyzer": {

"my_analyzer": {

"type": "custom",

"char_filter": [

"html_strip"

],


"filter": [

"lowercase",

"stop_noise",

"asciifolding",

"light_pt"

]

},

"sort": {

"type": "custom",

"tokenizer": "keyword",

"filter": [

"lowercase",

"asciifolding"

]

},

"url_analyzer": {

"type": "custom",

"char_filter": [

"html_strip"

],


"filter": [

"lowercase",

"stop_noise",

"asciifolding"

]

}

}

}

},

"mappings": {

"my_type": {

"properties": {

"title": {

"type": "string",


"analyzer": "my_analyzer",

"fields": {

"sort": {

"type": "string",


"analyzer": "sort"

},

"raw": {

"type": "string",

"index": "not_analyzed"

}

}

}

}

}

}

}

Complete mapping for one field using sub-fields to text search, sort, and aggregation.


Outros Trabalhos

Boost

Parent/Child

Armazenamento de Logs (Logstash + Kibana)

Consultoria de infra estrutura para ELK


Obrigadowww.emergi.net - [email protected]

“Keep it simple, but not simpler.”