如何配置Tokenizer拆分大小写拼接词并保留原词？排查搜索异常

问题说明 #

需要将「LoremIpsum」拆分为「lorem」「ipsum」「loremipsum」三个分词，现有索引分析配置创建无报错，但使用该分析器执行multi_match搜索时未得到预期结果。

现有配置分析 #

你的配置核心思路是对的：用keyword分词器保留完整词，再通过word_delimiter过滤器基于大小写拆分，同时保留原词，最后转小写。但搜索无结果通常和分词器未生效或查询分析器不匹配有关。

解决方案 #

1. 验证分析器的实际分词效果 #

先通过_analyze API确认分析器是否生成了预期的三个分词：

POST /_analyze
{
  "analyzer": "split_words",
  "text": "LoremIpsum"
}

正常返回应包含三个token：loremipsum、lorem、ipsum。如果缺少任一token，检查word_delimiter过滤器参数：

• 确保preserve_original: true（保留原词）
• 确保split_on_case_change: true（基于大小写变化拆分）
• 确保generate_word_parts: true（生成拆分后的词片段）

2. 确保字段映射使用目标分析器 #

检查字段映射是否指定了split_words作为索引分析器，否则字段会使用默认分析器处理文本，导致分词不匹配：

{
  "mappings": {
    "properties": {
      "target_field": {
        "type": "text",
        "analyzer": "split_words"
      }
    }
  }
}

3. 查询时指定相同的分析器 #

multi_match查询必须明确指定使用split_words分析器，否则查询词会用默认分析器处理，导致索引分词和查询分词不匹配：

{
  "query": {
    "multi_match": {
      "query": "lorem",
      "fields": ["target_field"],
      "analyzer": "split_words"
    }
  }
}

4. 可选：调整过滤器顺序（非必要，但优化逻辑） #

现有过滤器顺序asciifolding → split_words → lowercase是合理的，但如果你的文本包含重音字符，asciifolding放在最前可以先统一转成ASCII字符再拆分，不影响当前场景。

内容的提问来源于stack exchange，提问作者dominikweber