elasticsearch中文分词器IK的使用
es中文分词器IK的使用
- 添加一个索引库
PUT /test - 利用该索引库进行分词测试
GET /test/_analyze
{
"analyzer": "ik_smart",
"text": "我爱你中国"
}
分词结果
{
"tokens": [
{
"token": "我爱你",
"start_offset": 0,
"end_offset": 3,
"type": "CN_WORD",
"position": 0
},
{
"token": "中国",
"start_offset": 3,
"end_offset": 5,
"type": "CN_WORD",
"position": 1
}
]
}
可以看到比es中默认的标准分词器standard对中文分词要好很多
3. 自定义词库
POST /test/analyze
{
"analyzer" : "ik_smart" ,
"text" :"公众号博思奥园"
}
默认情况下没有我们自定义的词库，它会将博思奥园拆分开，如果我们不想将它拆开，我们可以自定义词库
{
"tokens": [
{
"token": "公众",
"start_offset": 0,
"end_offset": 2,
"type": "CN_WORD",
"position": 0
},
{
"token": "号",
"start_offset": 2,
"end_offset": 3,
"type": "CN_CHAR",
"position": 1
},
{
"token": "博",
"start_offset": 3,
"end_offset": 4,
"type": "CN_CHAR",
"position": 2
},
{
"token": "思",
"start_offset": 4,
"end_offset": 5,
"type": "CN_CHAR",
"position": 3
},
{
"token": "奥",
"start_offset": 5,
"end_offset": 6,
"type": "CN_CHAR",
"position": 4
},
{
"token": "园",
"start_offset": 6,
"end_offset": 7,
"type": "CN_CHAR",
"position": 5
}
]
}
- 在ik/config目录下新建一个词典文件，myext.dic, 加入自己所需的词语
公众号
博思奥园 - 在ik/config/IKAnalyzer.cfg.xml 文件中配置远程扩展词接口：
<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd">
<properties>
<comment>IK Analyzer 扩展配置</comment>
<!--用户可以在这里配置自己的扩展字典 -->
<entry key="ext_dict">myext.dic</entry>
<!--用户可以在这里配置自己的扩展停止词字典-->
<entry key="ext_stopwords"></entry>
<!--用户可以在这里配置远程扩展字典 -->
<!-- <entry key="remote_ext_dict">words_location</entry> -->
<!--用户可以在这里配置远程扩展停止词字典-->
<!-- <entry key="remote_ext_stopwords">words_location</entry> -->
</properties>
重启es服务，在此访问接口
{
"tokens": [
{
"token": "公众号",
"start_offset": 0,
"end_offset": 3,
"type": "CN_WORD",
"position": 0
},
{
"token": "博思奥园",
"start_offset": 3,
"end_offset": 7,
"type": "CN_WORD",
"position": 1
}
]
}
已经按照我们的配置进行了分词
- 拓展
使用热更新 IK 分词
目前该插件支持热更新 IK 分词，通过上文在 IK 配置文件中提到的如下配置
<!--用户可以在这里配置远程扩展字典 -->
<entry key="remote_ext_dict">location</entry>
<!--用户可以在这里配置远程扩展停止词字典-->
<entry key="remote_ext_stopwords">location</entry>
其中 location 是指一个 url，比如 http://localhost:8080/myext.dic，该请求只需满足以下两点即可完成分词热更新。
该 http 请求需要返回两个头部(header)，一个是 Last-Modified，一个是 ETag，这两者都是字符串类型，只要有一个发生变化，该插件就会去抓取新的分词进而更新词库。
该 http 请求返回的内容格式是一行一个分词，换行符用 \n 即可。
满足上面两点要求就可以实现热更新分词了，不需要重启 ES 实例。
可以将需自动更新的热词放在一个 UTF-8 编码的 .txt 文件里，放在 nginx 或其他简易 http server 下，当 .txt 文件修改时，http server 会在客户端请求该文件时自动返回相应的 Last-Modified 和 ETag。可以另外做一个工具来从业务系统提取相关词汇，并更新这个 .txt 文件。
- 对比
es也有自己自带的默认分词器standard，我们可以将es自带的分词器进行对比
同样使用test索引，分别使用es自带的分词器和IK提供的分词器
- standard
{
"analyzer" : "standard" ,
"text" :"公众号博思奥园，中国文化博大精深"
}
es默认的分词器standard会将每一个汉字分成一个词条
- ik_max_word
{
"analyzer" : "ik_max_word" ,
"text" :"公众号博思奥园，中国文化博大精深"
}
- ik_smart
{
"analyzer" : "ik_smart" ,
"text" :"公众号博思奥园，中国文化博大精深"
}
通过分析可以看出，
- es提供的分词器对中文分词并不是很友好，将所有的文字都拆开了
- 而ik分词器就能够很友好的识别成语，更好的体会中国文化的博大精深，而ik_max_word与ik_smart之间的区别
- ik_max_word会将文本做最细粒度的拆分
- ik_smart会做最粗粒度的拆分
