termvector会获取document中的某个field内的各个term的统计信息。
# term_freq：在在该字段中的频率
# position：词在该字段中的位置
# start_offset：从什么偏移量开始的
# end_offset: 到什么偏移量结束
如果启用了term的统计信息，即term_statistics设为true，那么有哪些统计信息呢？
# doc_freq： 该词在文档中出现的频率
# ttf：total term frequency的缩写，一个term在所有document中出现的频率
如果启用了字段统计信息，即field_statistics设为true,那么有哪些统计信息呢？
# sum_doc_freq: 一个字段中所有term的文档频率之和
# doc_count: 有多少个文档包含这个字段
# sum_ttf：sum total term frequency的缩写，一个字段中的每一个term的在所有文档出现之和
term statistics和field statistics并不精准，不会被考虑有的doc可能被删除了
采集term信息的方式有两种：index-time 和 query-time
4.1 index-time方式
需要在mapping配置一下，然后建立索引的时候，就直接生成这些词条和文档的统计信息
PUT /website
{
"mappings": {
"article":{
"properties":{
"text":{
"type": "text",
"term_vector": "with_positions_offsets",
"store": "true",
"analyzer" : "fulltext"
}
}
}
},
"settings": {
"analysis": {
"analyzer": {
"fulltext":{
"type": "custom",
"tokenizer": "whitespace",
"filter": [
"lowercase",
"type_as_payload"
]
}
}
}
}
}
4.2 query-time方式
即之前没有在mapping里配置过，而是通过查询的方式产生这些统计信息
POST /ecommerce/music/1/_termvectors
{
"fields":["desc"],
"offsets":true,
"payloads":true,
"positions":true,
"term_statistics":true,
"field_statistics" : true
}
我么可以通过指定per_field_analyzer设置一个分词器对该字段文本进行分词。
POST /ecommerce/music/1/_termvectors
{
"fields":["desc"],
"offsets":true,
"payloads":true,
"positions":true,
"term_statistics":true,
"field_statistics" : true,
"per_field_analyzer":{
"text":"standard"
}
}
我们可以根据term的统计信息，过滤出我么想看的统计结果，比如过滤掉一些出现频率过低的term,比如我要过滤出该字段最多只有10个term，而且那些term在该字段中出现的频率为2，且
POST /ecommerce/music/1/_termvectors
{
"fields":["desc"],
"offsets":true,
"payloads":true,
"positions":true,
"term_statistics":true,
"field_statistics" : true,
"filter":{
"max_num_terms":10,
"min_term_freq" : 2,
"min_doc_freq" : 1
}
}
如对本文有疑问， 点击进行留言回复！！
我要评论
网友评论