H__D  

一、分词介绍

1.1 什么是分词

  分词就是指将一个文本转化成一系列单词的过程,也叫文本分析,在Elasticsearch中称之为Analysis。

  举例:我是中国人 --> 我/是/中国人

1.2 分词api

  指定分词器进行分词

  示例:

POST /_analyze
{
  "analyzer": "standard",
  "text": "hello world"
}

  效果如下:

   

  在结果中不仅可以看出分词的结果,还返回了该词在文本中的位置。

  指定索引分词

  示例

POST /person/_analyze
{
    "analyzer": "standard",
    "field": "hobby",
    "text": "听音乐"
}

  效果如下:

  

二、中文分词

  中文分词的难点在于,在汉语中没有明显的词汇分界点,如在英语中,空格可以作为分隔符,如果分隔不正确就会造成歧义。

  如:

  • 我/爱/炒肉丝
  • 我/爱/炒/肉丝

  常用中文分词器,IK、jieba、THULAC等,推荐使用IK分词器。

  IK Analyzer是一个开源的,基于java语言开发的轻量级的中文分词工具包。从2006年12月推出1.0版开始, IKAnalyzer已经推出了3个大版本。最初,它是以开源项目Luence为应用主体的,结合词典分词和文法分析算 法的中文分词组件。新版本的IK Analyzer 3.0则发展为面向Java的公用分词组件,独立于Lucene项目,同时提 供了对Lucene的默认优化实现。

  采用了特有的“正向迭代最细粒度切分算法“,具有80万字/秒的高速处理能力 采用了多子处理器分析模式,支 持:英文字母(IP地址、Email、URL)、数字(日期,常用中文数量词,罗马数字,科学计数法),中文词汇 (姓名、地名处理)等分词处理。 优化的词典存储,更小的内存占用。

  IK分词器 Elasticsearch插件地址:https://github.com/medcl/elasticsearch-analysis-ik

  IK分词器有两种分词方式,ik_smart 为最少切分,ik_max_word为最细粒度划分

2.1 安装IK分词器

  1、从官网下载IK分词器,注意版本问题,与ES保持一致即可(本例ES版本7.6.1,IK版本7.6.1)

  2、在es目录中的plugins目录,新建目录ik

    命令:mkdir plugins/ik

  3、介绍ik分词器下载包,到plugins/ik目录

    命令:unzip -d /data/soft/elasticsearch-7.6.1/plugins/ik elasticsearch-analysis-ik-7.6.1.zip

  4、重新es

    查看java进程:jps

    关闭es:kill (pid)

    后台启动es:./bin/elasticsearch -d

2.2 测试IK分词器

  示例:

复制代码
POST /_analyze
{
  "analyzer": "standard",
  "text": "我是中国人"
}


POST /_analyze
{
  "analyzer": "ik_smart",
  "text": "我是中国人"
}

POST /_analyze
{
  "analyzer": "ik_max_word",
  "text": "我是中国人"
}
复制代码

  效果如下:

  

  可以看到,已经对中文进行了分词。

2.3 修改ES默认分词器

  ES的默认分词设置是standard,修改默认分词方法(这里修改person索引的默认分词为:ik_max_word):

 

PUT /person
{
    "settings" : {
        "index" : {
            "analysis.analyzer.default.type": "ik_max_word"
        }
    }
}

  

 

posted on   H__D  阅读(686)  评论(0编辑  收藏  举报
 
点击右上角即可分享
微信分享提示