Skip to content

ElasticSearch第二篇 ik分词

Jump to bottom
yangyp8110 edited this page Jan 17, 2018 · 1 revision

ES默认分词

第一篇安装好了Elasticsearch后，这篇看看分词，ES默认自带了分词器：

比如输入字符串：sojson在线工具

http://192.168.74.129:9200/_analyze?analyzer=standard&pretty=true&text=sojson在线工具

输出结果：

{
  "tokens" : [
    {
      "token" : "sojson",
      "start_offset" : 0,
      "end_offset" : 6,
      "type" : "<ALPHANUM>",
      "position" : 0
    },
    {
      "token" : "在",
      "start_offset" : 6,
      "end_offset" : 7,
      "type" : "<IDEOGRAPHIC>",
      "position" : 1
    },
    {
      "token" : "线",
      "start_offset" : 7,
      "end_offset" : 8,
      "type" : "<IDEOGRAPHIC>",
      "position" : 2
    },
    {
      "token" : "工",
      "start_offset" : 8,
      "end_offset" : 9,
      "type" : "<IDEOGRAPHIC>",
      "position" : 3
    },
    {
      "token" : "具",
      "start_offset" : 9,
      "end_offset" : 10,
      "type" : "<IDEOGRAPHIC>",
      "position" : 4
    }
  ]
}

中文是一个字一个字的分，而我们日常需要的应该是按词来分，比如：sojson、在线、工具

elasticsearch-analysis-ik 分词器

elasticsearch-analysis-ik 是一款中文的分词插件，支持自定义词库，也有默认的词库。

github : https://github.com/medcl/elasticsearch-analysis-ik

1、从github拉取对应es的ik版本

git checkout tags/{version}

2、maven打包(注意对应的ik版本与安装的Elasticsearch版本是否兼容)

从github获取5.0.1版本的ik ： https://github.com/yangyp8110/elasticsearch-analysis-ik/tree/v5.0.1 \

解压缩，用mvn打包，从项目地址(elasticsearch-analysis-ik-5.0.1\target\releases)取得zip包上传到es/plugins/ik下：

[esuser@yyp ~]$ cp elasticsearch-analysis-ik-5.0.1.zip install/elasticsearch/plugins/ik/
[esuser@yyp ~]$ cd install/elasticsearch/plugins/ik/
[esuser@yyp ik]$ ll
total 3216
-rw-r--r--. 1 esuser esuser 3290326 Feb 19 02:30 elasticsearch-analysis-ik-5.0.1.zip
[esuser@yyp ik]$ unzip elasticsearch-analysis-ik-5.0.1.zip 
[esuser@yyp ik]$ ll
total 5824
-rw-r--r--. 1 esuser esuser  263965 Feb 19  2017 commons-codec-1.9.jar
-rw-r--r--. 1 esuser esuser   61829 Feb 19  2017 commons-logging-1.2.jar
drwxr-xr-x. 3 esuser esuser    4096 Feb 19  2017 config
-rw-r--r--. 1 esuser esuser   51330 Feb 19  2017 elasticsearch-analysis-ik-5.0.1.jar
-rw-r--r--. 1 esuser esuser 4502014 Feb 19 02:40 elasticsearch-analysis-ik-5.0.1.zip
-rw-r--r--. 1 esuser esuser  736658 Feb 19  2017 httpclient-4.5.2.jar
-rw-r--r--. 1 esuser esuser  326724 Feb 19  2017 httpcore-4.4.4.jar
-rw-r--r--. 1 esuser esuser    2666 Feb 19  2017 plugin-descriptor.properties
[esuser@yyp ik]$ rm -rf elasticsearch-analysis-ik-5.0.1.zip 
[esuser@yyp ik]$

3、启动Elasticsearch

[esuser@yyp elasticsearch]$ bin/elasticsearch

启动成功！

ik 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”。

ik_max_word 与 ik_smart 测试：

ik_max_word : http://192.168.74.129:9200/_analyze?analyzer=ik_max_word&pretty=true&text=中华人民共和国国歌

{
  "tokens" : [
    {
      "token" : "中华人民共和国",
      "start_offset" : 9,
      "end_offset" : 16,
      "type" : "CN_WORD",
      "position" : 1
    },
    {
      "token" : "中华人民",
      "start_offset" : 9,
      "end_offset" : 13,
      "type" : "CN_WORD",
      "position" : 2
    },
    {
      "token" : "中华",
      "start_offset" : 9,
      "end_offset" : 11,
      "type" : "CN_WORD",
      "position" : 3
    },
    {
      "token" : "华人",
      "start_offset" : 10,
      "end_offset" : 12,
      "type" : "CN_WORD",
      "position" : 4
    },
    {
      "token" : "人民共和国",
      "start_offset" : 11,
      "end_offset" : 16,
      "type" : "CN_WORD",
      "position" : 5
    },
    {
      "token" : "人民",
      "start_offset" : 11,
      "end_offset" : 13,
      "type" : "CN_WORD",
      "position" : 6
    },
    {
      "token" : "共和国",
      "start_offset" : 13,
      "end_offset" : 16,
      "type" : "CN_WORD",
      "position" : 7
    },
    {
      "token" : "共和",
      "start_offset" : 13,
      "end_offset" : 15,
      "type" : "CN_WORD",
      "position" : 8
    },
    {
      "token" : "国",
      "start_offset" : 15,
      "end_offset" : 16,
      "type" : "CN_CHAR",
      "position" : 9
    },
    {
      "token" : "国歌",
      "start_offset" : 16,
      "end_offset" : 18,
      "type" : "CN_WORD",
      "position" : 10
    }
  ]
}

ik_smart : http://192.168.74.129:9200/_analyze?analyzer=ik_smart&pretty=true&text=中华人民共和国国歌

{
  "tokens" : [
    {
      "token" : "中华人民共和国",
      "start_offset" : 0,
      "end_offset" : 7,
      "type" : "CN_WORD",
      "position" : 0
    },
    {
      "token" : "国歌",
      "start_offset" : 7,
      "end_offset" : 9,
      "type" : "CN_WORD",
      "position" : 1
    }
  ]
}

1、创建索引

[esuser@yyp ik]$ curl -XPUT http://192.168.74.129:9200/index
{"acknowledged":true,"shards_acknowledged":true}[esuser@yyp ik]$

2、创建映射

[esuser@yyp ik]$ curl -XPOST http://192.168.74.129:9200/index/fulltext/_mapping -d'
{
    "fulltext": {
             "_all": {
            "analyzer": "ik_max_word",
            "search_analyzer": "ik_max_word",
            "term_vector": "no",
            "store": "false"
        },
        "properties": {
            "content": {
                "type": "text",
                "analyzer": "ik_max_word",
                "search_analyzer": "ik_max_word",
                "include_in_all": "true",
                "boost": 8
            }
        }
    }
}'
{"acknowledged":true}[esuser@yyp ik]$

3、给文档建索引

{"acknowledged":true}[esuser@yyp ik]$ curl -XPOST http://192.168.74.129:9200/index/fulltext/1 -d'
{"content":"美国留给伊拉克的是个烂摊子吗"}
'
{"_index":"index","_type":"fulltext","_id":"1","_version":1,"result":"created","_shards":{"total":2,"successful":1,"fai
led":0},"created":true}[esuser@yyp ik]$ curl -XPOST http://192.168.74.129:9200/index/fulltext/3 -d'
{"content":"中韩渔警冲突调查：韩警平均每天扣1艘中国渔船"}
'
{"_index":"index","_type":"fulltext","_id":"3","_version":1,"result":"created","_shards":{"total":2,"successful":1,"fai
led":0},"created":true}[esuser@yyp ik]$

4、查询结果高亮显示

[esuser@yyp ik]$ curl -XPOST http://192.168.74.129:9200/index/fulltext/_search  -d'
{
    "query" : { "match" : { "content" : "中国" }},
    "highlight" : {
        "pre_tags" : ["<tag1>", "<tag2>"],
        "post_tags" : ["</tag1>", "</tag2>"],
        "fields" : {
            "content" : {}
        }
    }
}
'

搜索返回结果：

{"took":185,"timed_out":false,"_shards":{"total":5,"successful":5,"failed":0},"hits":{"total":1,"max_score":2.2110996,"
hits":[{"_index":"index","_type":"fulltext","_id":"3","_score":2.2110996,"_source":{"content":"中韩渔警冲突调查：韩警平均每天扣1艘中国渔船"}
,"highlight":{"content":["中韩渔警冲突调查：韩警平均每天扣1艘<tag1>中国</tag1>渔船"]}}]}}[esuser@yyp ik]$

Dictionary Configuration

[esuser@yyp plugins]$ ll ik/config/
total 3016
drwxr-xr-x. 2 esuser esuser    4096 Feb 19  2017 custom
-rw-r--r--. 1 esuser esuser     697 Nov 16 11:45 IKAnalyzer.cfg.xml
-rw-r--r--. 1 esuser esuser 3058510 Nov 16 11:45 main.dic
-rw-r--r--. 1 esuser esuser     123 Nov 16 11:45 preposition.dic
-rw-r--r--. 1 esuser esuser    1824 Nov 16 11:45 quantifier.dic
-rw-r--r--. 1 esuser esuser     164 Nov 16 11:45 stopword.dic
-rw-r--r--. 1 esuser esuser     192 Nov 16 11:45 suffix.dic
-rw-r--r--. 1 esuser esuser     752 Nov 16 11:45 surname.dic
[esuser@yyp plugins]$ cd ik/config/
[esuser@yyp config]$ cat IKAnalyzer.cfg.xml 
<?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">custom/mydict.dic;custom/single_word_low_freq.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">custom/ext_stopword.dic</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>
[esuser@yyp config]$

热更新 IK 分词使用方法

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://yoursite.com/getCustomDict ，该请求只需满足以下两点即可完成分词热更新。

1、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。

2、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。

Clone this wiki locally