课文中短语之间有多少个单词？

Question

我有一个问题，课文中短语之间的单词是如何计数的？例如，我有下一个文本：

埃隆·马斯克( Elon )是一位科技企业家和投资者。他是SpaceX的创始人、首席执行官和首席设计师。埃隆·马斯克( Elon )表示，SpaceX、Tesla和SolarCity的目标围绕着他改变世界和人类的愿景。

我想数一数"Elon“和"SpaceX”或"SolarCity“和"Tesla”之间有多少单词。如何在一个文档的框架内进行弹性搜索？

Answer 1

下面是我想出的。

映射

您需要确保该字段的类型为keyword，并且您将使用使用该文档的id字段的术语查询，以便只对该文档应用以下逻辑。

我创建了一个由单个多字段myfield组成的示例映射，如下所示：

{  
   "myfield":{  
      "type":"text",
      "fields":{  
         "keyword":{  
            "type":"keyword",
            "ignore_above":256
         }
      }
   }
}

查询

我用脚本查询和和聚合来计算两个短语之间的单词。

POST <your_index_name>/_search
{
  "query": {
    "term": {
      "_id": "1"
    }
  },
  "aggs": {
    "wordCount": {
      "sum": {
        "script": {
          "source": """
            String st = doc['myfield.keyword'].value.toString();
            if(st.contains(params.phrase_1) && st.contains(params.phrase_2)){
              int start = st.indexOf(params.phrase_1);
              int end = st.indexOf(params.phrase_2);

              //Substring would have list of words that includes phrase_1 till index of phrase_2
              String subString = st.substring(start,end);

              //Count tokens available in params.phrase_1
              StringTokenizer tokens_phrase_1 = new StringTokenizer(params.phrase_1);

              //Count total tokens available in substring
              StringTokenizer tokens = new StringTokenizer(subString);

              //Count = Count of Words - Count of words in phrase_1
              return tokens.countTokens()-tokens_phrase_1.countTokens();
            }else{
              //defensive logic
              return 0;
            }
          """,
          "params":{
            "phrase_1": "Elon Musk",
            "phrase_2": "SpaceX"

          }
        }
      }
    }
  }
}

注意，输入在params部分。我在上面的代码中添加了一些注释，这将有助于理解我是如何添加计算单词的逻辑的。

请测试这个，如果这有帮助，请告诉我！