沉淀再出发：ElasticSearch的中文分词器ik
沉淀再出发：ElasticSearch的中文分词器ik
一、前言
为什么要在elasticsearch中要使用ik这样的中文分词呢，那是因为es提供的分词是英文分词，对于中文的分词就做的非常不好了，因此我们需要一个中文分词器来用于搜索和使用。
二、IK分词器的安装和使用
2.1、安装ik
我们可以从官方github上下载该插件，我们下载对应于我们使用的es的版本的ik,并且我们能够看到具体的安装步骤，可以有两种安装方法。
这里我们选择第一种方式：
重启es，我们就可以使用ik这个中文分词器了。
2.2、使用ik中文分词器
既然我们要使用ik中文分词器，那么就必须先在index数据库之中插入一些中文，然后再来索引一下这些中文的单词，就能看出是否成功了。
创建数据库：
使用kibana： PUT /lsx_index
使用curl: curl -XPUT http://localhost:9200/lsx_index
使用ik创建映射：
curl -XPOST http://localhost:9200/lsx_index/zyr_fulltext/_mapping -H 'Content-Type:application/json' -d' { "properties": { "content": { "type": "text", "analyzer": "ik_max_word", "search_analyzer": "ik_max_word" } } }'
如果使用kibana，那么应该是：
1 POST /lsx_index/zyr_fulltext/_mapping 2 { 3 "properties": { 4 "content": { 5 "type": "text", 6 "analyzer": "ik_max_word", 7 "search_analyzer": "ik_max_word" 8 } 9 } 10 }
ElasticSearch 的分词器称为analyzer。analyzer是字段文本的分词器，search_analyzer是搜索词的分词器。ik_max_word分词器是插件ik提供的，可以对文本进行最大数量的分词。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”。
插入一些数据（文档）：
大家注意，我们在插入数据的时候，如果使用git插入中文，则会出现如下错误，其实根本原因是我们使用的shell的字符集编码的问题，因此我们建议使用kibana来试一下：
{"error":{"root_cause":[{"type":"mapper_parsing_exception","reason":"failed to parse [content]"}],"type":"mapper_parsing_exception",
"reason":"failed to parse [content]","caused_by":{"type":"json_parse_exception","reason":"Invalid UTF-8 middle byte 0xc0\n at
[Source: org.elasticsearch.common.bytes.BytesReference$MarkSupportingStreamInputWrapper@29464944; line: 2, column: 15]"}},"status":400}
或者我们下载curl的其他curl工具，但是也是收效甚微：
当我们使用kibana的时候，一切都是那样的自然：
PUT /lsx_index/zyr_fulltext/1?pretty { "content":"这是一个测试文档" } PUT /lsx_index/zyr_fulltext/2?pretty { "content":"可以了解一些测试方面的东西" } PUT /lsx_index/zyr_fulltext/3?pretty { "content":"关于分词方面的测试" } PUT /lsx_index/zyr_fulltext/4?pretty { "content":"如果你想了解更多的内容" } PUT /lsx_index/zyr_fulltext/5?pretty { "content":"可以查看我的博客" } PUT /lsx_index/zyr_fulltext/6?pretty { "content":"我是朱彦荣" }
下面我们还是分词查询：
POST /lsx_index/zyr_fulltext/_search { "query" : { "match" : { "content" : "关于分词方面的测试，朱彦荣" } }, "highlight" : { "pre_tags" : ["<tag1>", "<tag2>"], "post_tags" : ["</tag1>", "</tag2>"], "fields" : { "content" : {} } } }
结果如下：
{ "took": 19, "timed_out": false, "_shards": { "total": 5, "successful": 5, "skipped": 0, "failed": 0 }, "hits": { "total": 4, "max_score": 3.3319345, "hits": [ { "_index": "lsx_index", "_type": "zyr_fulltext", "_id": "6", "_score": 3.3319345, "_source": { "content": "我是朱彦荣" }, "highlight": { "content": [ "我是<tag1>朱</tag1><tag1>彦</tag1><tag1>荣</tag1>" ] } }, { "_index": "lsx_index", "_type": "zyr_fulltext", "_id": "2", "_score": 2.634553, "_source": { "content": "可以了解一些测试方面的东西" }, "highlight": { "content": [ "可以了解一些<tag1>测试</tag1><tag1>方面</tag1><tag1>的</tag1>东西" ] } }, { "_index": "lsx_index", "_type": "zyr_fulltext", "_id": "3", "_score": 1.4384104, "_source": { "content": "关于分词方面的测试" }, "highlight": { "content": [ "<tag1>关于</tag1><tag1>分词</tag1><tag1>方面</tag1><tag1>的</tag1><tag1>测试</tag1>" ] } }, { "_index": "lsx_index", "_type": "zyr_fulltext", "_id": "1", "_score": 0.2876821, "_source": { "content": "这是一个测试文档" }, "highlight": { "content": [ "这是一个<tag1>测试</tag1>文档" ] } } ] } }
由此可以看到分词的强大功能了。
三、ik的高级配置
3.1、ik的扩展配置
如果我们仔细查看插件的目录，就可以看到有很多的预先设定的配置，比如停止词等等。
我们看一下IKAnalyzer.cfg.xml这个文件：
<?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"></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>
扩展词理所当然是我们自己常用的，但是又不被广泛认可的词，比如我们的姓名等，下面是停止词的一些理解：
可以看到我们可以增加一些配置在我们的文件之中，比如我们新建一个文件，这个文件之中加入我们的分词，然后重新启动es，再次查询这个词，就能发现系统不会将这些词分隔开了。这里我们需要注意，系统会默认将文件前面的目录补全，我们如果是在config目录下面新建的文件词典，那么直接在配置之中写入文件名即可。
3.2、ik的扩展测试
下面我们重新建立一个索引，走一下这个过程，整个过程如下：
1 #创建索引 2 PUT /zyr_lsx_index 3 4 #创建映射 5 POST /zyr_lsx_index/zyr_lsx_fulltext/_mapping 6 { 7 "properties": { 8 "detail_test": { 9 "type": "text", 10 "analyzer": "ik_max_word", 11 "search_analyzer": "ik_max_word" 12 } 13 } 14 } 15 16 #插入数据 17 PUT /zyr_lsx_index/zyr_lsx_fulltext/1?pretty 18 { 19 "detail_test":"这是一个测试文档" 20 } 21 22 PUT /zyr_lsx_index/zyr_lsx_fulltext/2?pretty 23 { 24 "detail_test":"可以了解一些测试方面的东西" 25 } 26 27 PUT /zyr_lsx_index/zyr_lsx_fulltext/3?pretty 28 { 29 "detail_test":"关于分词方面的测试" 30 } 31 PUT /zyr_lsx_index/zyr_lsx_fulltext/4?pretty 32 { 33 "detail_test":"如果你想了解更多的内容" 34 } 35 PUT /zyr_lsx_index/zyr_lsx_fulltext/5?pretty 36 { 37 "detail_test":"可以查看我的博客" 38 } 39 PUT /zyr_lsx_index/zyr_lsx_fulltext/6?pretty 40 { 41 "detail_test":"我是朱彦荣" 42 } 43 44 45 #搜索测试 46 POST /zyr_lsx_index/zyr_lsx_fulltext/_search 47 { 48 "query" : { 49 "match" : { "detail_test" : "朱彦荣" } 50 }, 51 "highlight" : { 52 "pre_tags" : ["<tag1>", "<tag2>"], 53 "post_tags" : ["</tag1>", "</tag2>"], 54 "fields" : { 55 "detail_test" : {} 56 } 57 } 58 }
同时我们对ik的配置文件进行修改：
IKAnalyzer.cfg.xml:
1 <?xml version="1.0" encoding="UTF-8"?> 2 <!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd"> 3 <properties> 4 <comment>IK Analyzer 扩展配置</comment> 5 <!--用户可以在这里配置自己的扩展字典 --> 6 <entry key="ext_dict">zyr_test.dic</entry> 7 <!--用户可以在这里配置自己的扩展停止词字典--> 8 <entry key="ext_stopwords"></entry> 9 <!--用户可以在这里配置远程扩展字典 --> 10 <!-- <entry key="remote_ext_dict">words_location</entry> --> 11 <!--用户可以在这里配置远程扩展停止词字典--> 12 <!-- <entry key="remote_ext_stopwords">words_location</entry> --> 13 </properties>
重启es，将上面的代码执行一遍，然后就会发现，我们自己定义的扩展词已经生效了，不会再被分割成一个个的字了，至此，我们对ik有了更深的理解，其次，我们还可以通过远程的方式来更新我们的词库，这样，我们就能理解搜狗输入法的一些记忆功能了。
其实我们也能看到我们的文件被加载了：
最终的结果：
四、总结
通过我们对ik的学习，我们更加深刻的理解了es的强大功能，以及如何使用插件扩展的方法，为我们以后自建搜索引擎提供了工具。
