在 Elasticsearch 的世界里，构建高效搜索引擎的关键一环，便是透彻理解分析器（Analyzer）的工作机制。一个优秀的搜索引擎，能够精准地返回与用户查询紧密相关的文档，而这背后，正是分析器在默默发挥着核心作用。它不仅负责处理待索引的文档，还在用户发起查询时，智能评估哪些文档与查询关键词的匹配度更高。

一、倒排索引：分析器的基石

在深入探讨分析器之前，有必要先了解与之紧密关联的倒排索引。倒排索引是一种极为重要的数据结构，它建立起了分词与包含该分词的文档编号之间的映射关系。此外，倒排索引还记录了分词在文档中的具体位置信息。正是得益于这种映射机制，Elasticsearch 在处理关键词查询时

，能够迅定位并返回匹配文档的编号。

1.1、文档构建倒排索引实例

假设有以下两条文档：

• 文档 1：Elasticsearch is fast速文档 2：I want to learn Elasticsearch

经过处理后，倒排索引构建结果如下（第一列为分词内容，第二列为分词出现的次数，第三列为分词所在的文档编号以及在文档中的位置）。通过倒排索引，分词被统计后映射到文档编号，并保存了其在文档中的位置。这里之所以看不到完整文档，正是因为文档已经过分析器的分析处理，这也正是本文要深入探讨的重点。

1.2、在倒排索引中查询的奥秘

在倒排索引中执行查询时，有一个关键要点需要注意：Elasticsearch 只会获取与查询关键词具有相同分词的文档。这一特性可以通过 match query 和 term query 两类查询进行验证。其中，match query 会借助分析器对查询内容进行分析，而 term query 则不会。在另一篇相关文档中，对这两类查询的区别有着详细的阐述。

以 “Elasticsearch” 为关键词进行查询为例，如果使用 term query，将不会得到任何结果，原因在于倒排索引中存储的分词是 “elasticsearch”，其开头字母为小写的 “e”。而使用 match query 进行相同关键字的查询时，Elasticsearch 会先利用分析器对查询关键字进行分析，得到 “elasticsearch”，然后再到倒排索引中检索，从而能够返回相应结果。

二、Elasticsearch 中的分析器：文档处理的核心

当向 Elasticsearch 插入一篇文档时，系统并不会直接原样保存文档内容，而是会先交由分析器进行分析。在分析过程中，分析器首先会对文本进行转换，并将其拆分为一个个分词，随后再将这些分词保存到倒排索引中。例如，将 “Let’s build an Autocomplete!” 插入 Elasticsearch 时，文本转换后会被划分为 “let’s”、“build”、“an” 和 “autocomplete” 这 4 个分词。

值得注意的是，分析器影响的是搜索文本的方式，并不会改变文本本身的内容。比如在上述例子中，即使搜索 “let”，Elasticsearch 返回的依然是全文 “Let's build a