七、分词器
7.1、分词器介绍
了解分词器的概念
-
分词器（Analyzer）是将一段文本，按照一定逻辑，拆分成多个词语的一种工具，如下所示
- 华为手机 —> 华为、手、手机
-
ElasticSearch 内置分词器有以下几种
- Standard Analyzer
- 默认分词器，按词/字切分，小写处理 （英文）华 为 手 机
- Simple Analyzer
- 按照非字母切分(符号被过滤)，小写处理
- Stop Analyzer
- 小写处理，停用词过滤(the,a,is)
- Whitespace Analyzer
- 按照空格切分，不转小写
- Keyword Analyzer
- 不分词，直接将输入当作输出
- Patter Analyzer
- 正则表达式，默认/W+(非字符分割) （中文会被去掉）
- Language
- 提供了30多种常见语言的分词器
- Standard Analyzer
-
ES提供了一个接口给我们来验证分词效果，如下所示
-
# 分词效果验证 GET _analyze { "text": "我爱写代码", "analyzer": "standard" } -
分词效果如下所示
-
Elasticsearch内置分词器对中文很不友好（偏好英文），处理方式为一个字一个词
-
7.2、IK分词器介绍及安装
学会如何集成ik分词器
7.2.1、IK分词器介绍
- IKAnalyzer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，是一个基于Maven构建的项目，具有60万字/秒的高速处理能力，并且支持用户词典扩展定义。
- 下载地址：https://github.com/medcl/elasticsearch-analysis-ik/releases
- IKAnalyzer又称庖丁解牛分词器
- 分词器的核心
- 1）词库
- 2）分词算法
ik_smart：最小分词法- 我是程序员 -> 我、是、程序员
ik_max_word：最细分词法- 我是程序员 -> 我、是、程序员、程序、员
7.2.2、IK分词器安装
-
1）下载好ik分词器后，进入创建ES容器的时候挂载的plugins目录
-
2）将ik分词器添加到plugins里面即可
-
3）重启es容器
docker restart elasticsearch- PS：如果发现重启失败，es启动后又意外关闭，可以查看日志，一般是下载的ik分词器版本跟es不一致导致的；可以参考博客修改（或者进入到ik分词器文件夹中修改plugin-descriptor.properties文件中的es版本号）
-
4）验证ik分词器是否安装成功
-
GET _analyze { "text": "我是程序员", "analyzer": "ik_max_word" } -
-
-
一般情况下，
ik_smart算法足够使用了，ik_max_word以最细粒度分词，会分太多次，数据量过大
7.3、使用IK分词器
7.3.1、没有设置ik分词器之前
-
目前person索引库的name字段位text类型，我们使用term查询（不分词查询），发现并没有结果
-
GET person/_search { "query": { "term": { "name": { "value": "翠花" } } } } -
-
因为默认情况下，text类型使用standard分词器进行分词
-
-
7.3.2、重建索引并设置ik分词器
-
1）这时需要删除person索引库，然后重新设置name的类型为text，且analyzer为ik_max_word
-
# 删除person索引库 DELETE person PUT person { "mappings": { "properties": { "name":{ "type": "text", "analyzer": "ik_max_word" }, "age":{ "type": "integer" } } } } -
-
-
2）插入数据
-
POST person/_doc/1 { "name": "翠花", "age": 20, "sex": "女" } -
-
-
3）再次查询
-
GET person/_search { "query": { "term": { "name": { "value": "翠花" } } } } -
-
这时候不分词查询就有结果了
-
7.3.3、扩展词词典
- 随着互联网的发展，”造词运动”也越发的频繁。出现了很多新的词语，在原有的词汇列表中并不存在。比如：”奥力给”，或者我们自定义的词等等
- 所以我们的词汇也需要不断的更新，IK分词器提供了扩展词汇的功能
- 使用步骤如下所示
1）打开IK分词器config目录
- 文件如下所示
- PS：如果之前没有做目录挂载的话，可以参考如下命令
docker cp elasticsearch:/usr/share/elasticsearch/plugins/analysis-ik/config/IKAnalyzer.cfg.xml /root
2）修改IKAnalyzer.cfg.xml配置文件
-
在IKAnalyzer.cfg.xml配置文件中添加如下内容
-
<?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 *** 添加扩展词典--> <entry key="ext_dict">ext.dic</entry> </properties>
-
-
3）新建ext.dic文件
-
新建一个ext.dic文件，可以参考config目录下复制一个配置文件进行修改，添加如下内容
-
奥里给 啊噢额
-
4）重启elasticsearch
docker restart elasticsearch（容器名称或id）
5）测试效果
-
GET /_analyze { "analyzer": "ik_max_word", "text": "奥里给，啊噢额" } -
-
PS：如果发现没能正常分词，可以使用
cat ext.dic查看输出在终端的文字是否乱码- 在更改文件的时候，编码必须是UTF-8格式
-
PS：ik分词器不能使用中英文混合！
7.3.4、停用词词典
- 在互联网项目中，网络传输的速度很快，所以很多语言是不允许在网络上传递的，如：关于宗教、政治等敏感词语，那么我们在搜索的时候，也应该忽略当前词汇
- IK分词器也提供了强大的停用词功能，让我们在索引的时候，就直接忽略当前停用词汇表中的内容
- 停用词词典使用步骤如下所示
1）修改IKAnalyzer.cfg.xml配置文件
-
<?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">ext.dic</entry> <!--用户可以在这里配置自己的扩展停止词字典 *** 添加停用词词典--> <entry key="ext_stopwords">stop.dic</entry> </properties>
2）在stopword.dic添加停用词
结业
3）重启elasticsearch
docker restart elasticsearch（容器名称或id）- 查看日志：
docker logs -f elasticsearch（容器名称或id）- 仔细看的话，可以在日志中查看到以及成功加载stopword.dic配置文件
4）测试效果
-
GET /_analyze { "analyzer": "ik_max_word", "text": "2018届计算机1班的结业率高达10%,奥里给！" } -
原创文章，作者：wdmbts，如若转载，请注明出处：https://blog.ytso.com/276334.html