本文介绍如何在 elasticsearch 中解决波兰语（如 on/ona）因词干分析导致的误匹配问题，通过自定义分词器、关键词保护及多语言分析策略实现精准检索。

本文介绍如何在 elasticsearch 中解决波兰语（如 on/ona）因词干分析导致的误匹配问题，通过自定义分词器、关键词保护及多语言分析策略实现精准检索。

在 Elasticsearch 多语言搜索实践中，波兰语等屈折语常因词干提取（stemming）引发语义混淆——典型案例如词根 “on”（他）与派生词 “ona”（她）被标准分析器（如 standard + polish_stem）统一归约为相同词干，导致查询 "on" 意外召回含 "ona" 的文档，丧失语义精确性。这并非配置疏漏，而是词干算法固有局限：Polish stemmer（如 snowball 实现）为提升召回率，会过度合并语法变体。

要实现 on 与 ona 的严格区分，核心思路是抑制词干化对关键术语的干扰，而非弃用整个分析流程。推荐采用以下三层策略：

✅ 1. 使用专用波兰语分析器 + 关键词保护（推荐首选）

Elasticsearch 官方支持 polish 内置分析器（7.x+），它比通用 snowball 更准确。结合 keyword_marker 过滤器可保护特定词汇不被词干化：

PUT /polish_index
{
  "settings": {
    "analysis": {
      "analyzer": {
        "polish_protected": {
          "type": "custom",
          "tokenizer": "standard",
          "filter": ["lowercase", "polish_keywords", "polish_stem"]
        }
      },
      "filter": {
        "polish_keywords": {
          "type": "keyword_marker",
          "keywords": ["on", "ona"]  // 显式声明需保护的词
        }
      }
    }
  },
  "mappings": {
    "properties": {
      "text": {
        "type": "text",
        "analyzer": "polish_protected",
        "search_analyzer": "polish_protected"
      }
    }
  }
}

⚠️ 注意：keyword_marker 必须置于 stem 过滤器之前，否则词干已发生，保护失效；关键词需全小写（因 lowercase 在其前）。

✅ 2. 精确匹配补充：.keyword 子字段

对需绝对精确匹配的字段（如性别标识），直接禁用分析，启用 .keyword：

"mappings": {
  "properties": {
    "gender": {
      "type": "text",
      "fields": {
        "keyword": { "type": "keyword" }  // 支持 term 查询
      }
    }
  }
}

查询时使用：

GET /polish_index/_search
{
  "query": { "term": { "gender.keyword": "on" } }
}

❌ 不推荐方案说明

• IK 分词器（如答案所提）：专为中文设计，对波兰语无原生支持，强行适配需大量定制词典且无法复用 polish_stem 规则，维护成本高，易引入新歧义。
• 纯 keyword 分析器：虽杜绝词干问题，但丧失所有语言处理能力（大小写、连字符等），不适用于常规文本搜索。

总结

解决 on/ona 类问题的关键，在于按需分层处理：对普通文本使用受保护的波兰语分析器；对结构化字段（如枚举值）启用 .keyword 精确匹配。避免“一刀切”禁用分析，兼顾检索精度与语言特性。上线前务必用 _analyze API 验证分词效果：

GET /polish_index/_analyze
{
  "analyzer": "polish_protected",
  "text": "on i ona"
}
// 期望输出 tokens: ["on", "i", "ona"]（二者未被合并）