Skip to content

Latest commit

 

History

History
95 lines (69 loc) · 3.73 KB

40_One_language_per_doc.asciidoc

File metadata and controls

95 lines (69 loc) · 3.73 KB

每份文档一种语言

每个主语言文档 只需要相当简单的设置。 不同语言的文档被分别存放在不同的索引中 — blogs-en 、 blogs-fr ， 如此等等 — 这样每个索引就可以使用相同的类型和相同的域，只是使用不同的分析器：

PUT /blogs-en
{
  "mappings": {
    "post": {
      "properties": {
        "title": {
          "type": "string", (1)
          "fields": {
            "stemmed": {
              "type":     "string",
              "analyzer": "english" (2)
            }
}}}}}}

PUT /blogs-fr
{
  "mappings": {
    "post": {
      "properties": {
        "title": {
          "type": "string", (1)
          "fields": {
            "stemmed": {
              "type":     "string",
              "analyzer": "french" (2)
            }
}}}}}}

  1. 索引 blogs-en 和 blogs-fr 的 post 类型都有一个包含 title 域。

  2. title.stemmed 子域使用了具体语言的分析器。

这个方法干净且灵活。新语言很容易被添加 — 仅仅是创建一个新索引—​因为每种语言都是彻底的被分开， 我们不用遭受在 [language-pitfalls] 中描述的词频和词干提取的问题。

每一种语言的文档都可被独立查询，或者通过查询多种索引来查询多种语言。 我们甚至可以使用 indices_boost 参数为特定的语言添加优先权：

GET /blogs-*/post/_search (1)
{
    "query": {
        "multi_match": {
            "query":   "deja vu",
            "fields":  [ "title", "title.stemmed" ] (2)
            "type":    "most_fields"
        }
    },
    "indices_boost": { (3)
        "blogs-en": 3,
        "blogs-fr": 2
    }
}

  1. 这个查询会在所有以 blogs- 开头的索引中执行。

  2. title.stemmed 字段使用每个索引中指定的分析器查询。

  3. 也许用户接受语言标头表明，更倾向于英语，然后是法语，所以相应的，我们会为每个索引的结果添加权重。任何其他语言会有一个中性的权重 1 。

外语单词

当然，有些文档含有一些其他语言的单词或句子，且不幸的是这些单词被切为了正确的词根。对于主语言文档，这通常并不是主要的问题。用户经常需要搜索很精确的单词—​例如，一个其他语言的引用—​而不是语型变化过的单词。召回率 (Recall)可以通过使用 [token-normalization] 中讲解的技术提升。

假设有些单词例如地名应当能被主语言和原始语言都能检索，例如 Munich 和 München 。 这些单词实际上是我们在 [synonyms] 解释过的同义词。

不要对语言使用类型

你也许很倾向于为每个语言使用分开的类型，来代替使用分开的索引。 为了达到最佳效果，你应当避免使用类型。在 [mapping] 解释过，不同类型但有相同域名的域会被索引在 相同的倒排索引 中。这意味着不同类型（和不同语言）的词频混合在了一起。

为了确保一种语言的词频不会污染其他语言的词频，在后面的章节中会介绍到，无论是为每个语言使用单独的索引，还是使用单独的域都可以。