Elasticsearch實踐(四):IK分詞
環境:Elasticsearch 6.2.4 + Kibana 6.2.4 + ik 6.2.4
Elasticsearch默認也能對中文進行分詞。
我們先來看看自帶的中文分詞效果:
curl -XGET "http://localhost:9200/_analyze" -H 'Content-Type: application/json' -d '{"analyzer": "default","text": "今天天氣真好"}'
GET /_analyze { "analyzer": "default", "text": "今天天氣真好" }
結果:
{ "tokens": [ { "token": "今", "start_offset": 0, "end_offset": 1, "type": "<IDEOGRAPHIC>", "position": 0 }, { "token": "天", "start_offset": 1, "end_offset": 2, "type": "<IDEOGRAPHIC>", "position": 1 }, { "token": "天", "start_offset": 2, "end_offset": 3, "type": "<IDEOGRAPHIC>", "position": 2 }, { "token": "氣", "start_offset": 3, "end_offset": 4, "type": "<IDEOGRAPHIC>", "position": 3 }, { "token": "真", "start_offset": 4, "end_offset": 5, "type": "<IDEOGRAPHIC>", "position": 4 }, { "token": "好", "start_offset": 5, "end_offset": 6, "type": "<IDEOGRAPHIC>", "position": 5 } ] }
我們發現,是按照每個字進行分詞的。這種在實際應用裏肯定達不到想要的效果。當然,如果是日誌搜索,使用自帶的就足夠了。
analyzer=default
其實調用的是standard
分詞器。
接下來,我們安裝IK分詞插件進行分詞。
安裝IK
IK項目地址:https://github.com/medcl/elasticsearch-analysis-ik
首先需要說明的是,IK插件必須和 ElasticSearch 的版本一直,否則不兼容。
安裝方法1:
從 https://github.com/medcl/elasticsearch-analysis-ik/releases 下載壓縮包,然後在ES的plugins
analysis-ik
子目錄,把壓縮包的內容復制到這個目錄裏面即可。最終plugins/analysis-ik/
目錄裏面的內容:
plugins/analysis-ik/
commons-codec-1.9.jar
commons-logging-1.2.jar
elasticsearch-analysis-ik-6.2.4.jar
httpclient-4.5.2.jar
httpcore-4.4.4.jar
plugin-descriptor.properties
然後重啟 ElasticSearch。
安裝方法2:
./usr/local/elk/elasticsearch-6.2.4/bin/elasticsearch-plugin install https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v6.2.4/elasticsearch-analysis-ik-6.2.4.zip
如果已下載壓縮包,直接使用:
./usr/local/elk/elasticsearch-6.2.4/bin/elasticsearch-plugin install file:///tmp/elasticsearch-analysis-ik-6.2.4.zip
然後重啟 ElasticSearch。
IK分詞
IK支持兩種分詞模式:
- ik_max_word: 會將文本做最細粒度的拆分,會窮盡各種可能的組合
- ik_smart: 會做最粗粒度的拆分
接下來,我們測算IK分詞效果和自帶的有什麽不同:
curl -XGET "http://localhost:9200/_analyze" -H 'Content-Type: application/json' -d'{"analyzer": "ik_smart","text": "今天天氣真好"}'
結果:
{
"tokens": [
{
"token": "今天天氣",
"start_offset": 0,
"end_offset": 4,
"type": "CN_WORD",
"position": 0
},
{
"token": "真好",
"start_offset": 4,
"end_offset": 6,
"type": "CN_WORD",
"position": 1
}
]
}
再試一下ik_max_word
的效果:
{
"tokens": [
{
"token": "今天天氣",
"start_offset": 0,
"end_offset": 4,
"type": "CN_WORD",
"position": 0
},
{
"token": "今天",
"start_offset": 0,
"end_offset": 2,
"type": "CN_WORD",
"position": 1
},
{
"token": "天天",
"start_offset": 1,
"end_offset": 3,
"type": "CN_WORD",
"position": 2
},
{
"token": "天氣",
"start_offset": 2,
"end_offset": 4,
"type": "CN_WORD",
"position": 3
},
{
"token": "真好",
"start_offset": 4,
"end_offset": 6,
"type": "CN_WORD",
"position": 4
}
]
}
設置mapping默認分詞器
示例:
{
"properties": {
"content": {
"type": "text",
"analyzer": "ik_max_word",
"search_analyzer": "ik_max_word"
}
}
}
註:這裏設置 search_analyzer
與 analyzer
相同是為了確保搜索時和索引時使用相同的分詞器,以確保查詢中的術語與反向索引中的術語具有相同的格式。如果不設置 search_analyzer
,則 search_analyzer
與 analyzer
相同。詳細請查閱:https://www.elastic.co/guide/en/elasticsearch/reference/current/search-analyzer.html
自定義分詞詞典
我們也可以定義自己的詞典供IK使用。比如:
curl -XGET "http://localhost:9200/_analyze" -H 'Content-Type: application/json' -d'{"analyzer": "ik_smart","text": "去朝陽公園"}'
結果:
{
"tokens": [
{
"token": "去",
"start_offset": 0,
"end_offset": 1,
"type": "CN_CHAR",
"position": 0
},
{
"token": "朝陽",
"start_offset": 1,
"end_offset": 3,
"type": "CN_WORD",
"position": 1
},
{
"token": "公園",
"start_offset": 3,
"end_offset": 5,
"type": "CN_WORD",
"position": 2
}
]
}
我們希望朝陽公園
作為一個整體,這時候可以把該詞加入到自己的詞典裏。
新建自己的詞典只需要簡單幾步就可以完成:
1、在elasticsearch-6.2.4/config/analysis-ik/
目錄增加一個my.dic
:
$ touch my.dic
$ echo 朝陽公園 > my.dic
$ cat my.dic
朝陽公園
.dic
為詞典文件,其實就是簡單的文本文件,詞語與詞語直接需要換行。註意是UTF8編碼。我們看一下自帶的分詞文件:
$ head -n 5 main.dic
一一列舉
一一對應
一一道來
一丁
一丁不識
2、然後修改elasticsearch-6.2.4/config/analysis-ik/IKAnalyzer.cfg.xml
文件:
<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd">
<properties>
<comment>IK Analyzer 擴展配置</comment>
<!--用戶可以在這裏配置自己的擴展字典 -->
<entry key="ext_dict">my.dic</entry>
<!--用戶可以在這裏配置自己的擴展停止詞字典-->
<entry key="ext_stopwords"></entry>
<!--用戶可以在這裏配置遠程擴展字典 -->
<!-- <entry key="remote_ext_dict">words_location</entry> -->
<!--用戶可以在這裏配置遠程擴展停止詞字典-->
<!-- <entry key="remote_ext_stopwords">words_location</entry> -->
</properties>
增加了my.dic
,然後重啟ES。我們再看一下效果:
curl http://localhost:9200/_analyze/?analyzer=ik_smart&text=去朝陽公園
結果:
{
"tokens": [
{
"token": "去",
"start_offset": 0,
"end_offset": 1,
"type": "CN_CHAR",
"position": 0
},
{
"token": "朝陽公園",
"start_offset": 1,
"end_offset": 5,
"type": "CN_WORD",
"position": 1
}
]
}
說明自定義詞典生效了。如果有多個詞典,使用英文分號隔開:
<entry key="ext_dict">my.dic;custom/single_word_low_freq.dic</entry>
另外,我們看到配置裏還有個擴展停止詞字典
,這個是用來輔助斷句的。我們可以看一下自帶的一個擴展停止詞字典
:
$ head -n 5 extra_stopword.dic
也
了
仍
從
以
也就是IK分詞器遇到這些詞就認為前面的詞語不會與這些詞構成詞語。
IK分詞也支持遠程詞典,遠程詞典的好處是支持熱更新。詞典格式和本地的一致,都是一行一個分詞(換行符用 \n
),還要求填寫的URL滿足:
該 http 請求需要返回兩個頭部(header),一個是 Last-Modified,一個是 ETag,這兩者都是字符串類型,只要有一個發生變化,該插件就會去抓取新的分詞進而更新詞庫。
詳見:https://github.com/medcl/elasticsearch-analysis-ik 熱更新 IK 分詞使用方法 部分。
註意:上面的示例裏我們改的是`
elasticsearch-6.2.4/config/analysis-ik/
目錄下內容,是因為IK是通過方法2裏elasticsearch-plugin
安裝的。如果你是通過解壓方式安裝的,那麽IK配置會在plugins目錄,即:elasticsearch-6.2.4/plugins/analysis-ik/config
。也就是說插件的配置既可以放在插件所在目錄,也可以放在Elasticsearch的config目錄裏面。
ES內置的Analyzer分析器
es自帶了許多內置的Analyzer分析器,無需配置就可以直接在index中使用:
- 標準分詞器(standard):以單詞邊界切分字符串為terms,根據Unicode文本分割算法。它會移除大部分的標點符號,小寫分詞後的term,支持停用詞。
- 簡單分詞器(simple):該分詞器會在遇到非字母時切分字符串,小寫所有的term。
- 空格分詞器(whitespace):遇到空格字符時切分字符串,
- 停用詞分詞器(stop):類似簡單分詞器,同時支持移除停用詞。
- 關鍵詞分詞器(keyword):無操作分詞器,會輸出與輸入相同的內容作為一個single term。
- 模式分詞器(pattern):使用正則表達式講字符串且分為terms。支持小寫字母和停用詞。
- 語言分詞器(language):支持許多基於特定語言的分詞器,比如english或french。
- 簽名分詞器(fingerprint):是一個專家分詞器,會產生一個簽名,可以用於去重檢測。
- 自定義分詞器:如果內置分詞器無法滿足你的需求,可以自定義custom分詞器,根據不同的character filters,tokenizer,token filters的組合 。
詳見文檔:https://www.elastic.co/guide/en/elasticsearch/reference/current/analysis-analyzers.html
參考
1、medcl/elasticsearch-analysis-ik: The IK Analysis plugin integrates Lucene IK analyzer into elasticsearch, support customized dictionary.
https://github.com/medcl/elasticsearch-analysis-ik
2、ElesticSearch IK中文分詞使用詳解 - xsdxs的博客 - CSDN博客
https://blog.csdn.net/xsdxs/article/details/72853288
Elasticsearch實踐(四):IK分詞