搜索引擎ElasticSearch系列(五): ElasticSearch2.4.4 IK中文分词器插件安装
一:IK分词器简介
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4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。从3.0版本开 始,IK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。在2012版本中,IK实现了简单的分词 歧义排除算法,标志着IK分词器从单纯的词典分词向模拟语义分词衍化。
IK Analyzer 2012特性:
1.采用了特有的“正向迭代最细粒度切分算法“,支持细粒度和智能分词两种切分模式;
2.在系统环境:Core2 i7 3.4G双核,4G内存,window 7 64位, Sun JDK 1.6_29 64位 普通pc环境测试,IK2012具有160万字/秒(3000KB/S)的高速处理能力。
3.2012版本的智能分词模式支持简单的分词排歧义处理和数量词合并输出。
4.采用了多子处理器分析模式,支持:英文字母、数字、中文词汇等分词处理,兼容韩文、日文字符
5.优化的词典存储,更小的内存占用。支持用户词典扩展定义。特别的,在2012版本,词典支持中文,英文,数字混合词语。
二:默认standard分词器测试
1)启动es服务
2)打开浏览器输入: http://localhost:9200/_analyze?analyzer=standard&pretty=true&text=中华人民共和国
我们可以看到 “中华人民共和国” 被分成了单个汉字。
三:Ik中文分词器安装
插件下载: https://github.com/medcl/elasticsearch-analysis-ik
我们以1.10.4版本为例: https://files.cnblogs.com/files/sunyj/elasticsearch-analysis-ik-1.10.4.zip
1)在plugins文件夹下建ik文件夹
2)把下载的ik安装包解压后放到ik文件夹里,如下图:
3)重新启动es服务
4)打开浏览器输入:http://localhost:9200/_analyze?analyzer=ik&pretty=true&text=中华人民共和国
我们可以看到用analyzer=ik “中华人民共和国”被按中文的习惯分成了多个词组
Tips:
我们再分别输入:
http://localhost:9200/_analyze?analyzer=ik_max_word&pretty=true&text=中华人民共和国国歌
http://localhost:9200/_analyze?analyzer=ik_smart&pretty=true&text=中华人民共和国国歌
ik_max_word: 会将文本做最细粒度的拆分,比如会将“中华人民共和国国歌”拆分为“中华人民共和国,中华人民,中华,华人,人民共和国,人民,人,民,共和国,共和,和,国国,国歌”,会穷尽各种可能的组合;
ik_smart: 会做最粗粒度的拆分,比如会将“中华人民共和国国歌”拆分为“中华人民共和国,国歌”。
四:Ik在索引中的使用
新建index索引
PUT index { "settings": { "number_of_shards": 5 }, "mappings": { "fulltext": { "_all": { "analyzer": "ik_max_word", "search_analyzer": "ik_max_word", "term_vector": "no", "store": "false" }, "properties": { "content": { "type": "string", "analyzer": "ik_max_word", "search_analyzer": "ik_max_word", "include_in_all": "true", "boost": 8 } } } } }
插入一条数据
PUT /index/fulltext/1 {"content":"美国留给伊拉克的是个烂摊子吗"}
查询测试,输入
POST /index/fulltext/_search { "query": { "match": { "content": "美国" } }, "highlight": { "pre_tags": [ "<tag1>", "<tag2>" ], "post_tags": [ "</tag1>", "</tag2>" ], "fields": { "content": {} } } }
结果如图所示: