Elasticsearch连续剧之分词器

一、前言

ES文档的数据拆分成一个个有完整含义的关键词并将关键词与文档对应这样就可以通过关键词查询文档。要想正确地分词需要选择合适的分词器。
现在咱们来探索一下分词器的真实面目!

二、默认分词器

standard analyzerElasticsearch默认分词器根据空格和标点
符号对英文进行分词会进行单词的大小写转换。

默认分词器是英文分词器对中文的分词是一字一词。

三、IK分词器

IK分词器全名IKAnalyzer是一个开源的基于Java语言开发的轻量级中文分词工具包。

1.主要算法

支持对中文进行分词提供了两种分词算法

ik_smart最少切分
ik_max_word最细粒度划分

2.安装IK分词器

2.1 关闭es服务

2.2 上传ik分词器到虚拟机

tips: ik分词器的版本要和es版本保持一致

2.3 解压

解压ik分词器到elasticsearch的plugins目录下

unzip elasticsearch-analysis-ik-7.17.0.zip -d /usr/local/elasticsearch1/plugins/analysis-ik

2.4 启动ES服务

su es

#进入ES安装文件夹
cd /usr/local/elasticsearch1/bin/

#启动ES服务
./elasticsearch -d

2.5 测试分词器效果

#算法1
GET /_analyze
{
 "text":"测试语句",
 "analyzer":"ik_smart"
}

eg:
GET /_analyze
{
  "text": "我爱美羊羊",
  "analyzer": "ik_smart"
}

#算法2
GET /_analyze
{
 "text":"测试语句",
 "analyzer":"ik_max_word"
}

eg:
GET /_analyze
{
  "text": "我爱美羊羊",
  "analyzer": "ik_max_word"
}

2.6 IK分词器词典

IK分词器根据词典进行分词词典文件在IK分词器的config目录中。

• main.dicIK中内置的词典。记录了IK统计的所有中文单词。
• IKAnalyzer.cfg.xml用于配置自定义词库。
  

四、拼音分词器

拼音分词器可以将中文分成对应的全拼全拼首字母等。

1.安装

和ik分词器安装一样也是先将es服务关闭将拼音分词器上传至虚拟机并且分词器版本需要和es版本一致参考ik分词器安装

2.测试分词效果

GET /_analyze
{
 "text":测试语句,
 "analyzer":pinyin
}

eg:
GET /_analyze
{
  "text": "xi yang yang",
  "analyzer": "pinyin"
}

五、自定义分词器

前面两种分词器各有优点但是他们的功能确实不够完备比如使用ik分词器可以对中文进行分词但是却不能对拼音分词所以在现实开发中我们一般使用自定义分词器进行分词这样既可以对文字分词也可以对拼音分词现在咱们来研究一下如何写一个ik+pinyin分词器。

1.创建自定义分词器

PUT /索引名
{
  "settings" : {
    "analysis" : {
      "analyzer" : {
        "ik_pinyin" : { //自定义分词器名
          "tokenizer":"ik_max_word", // 基本分词器
          "filter":"pinyin_filter" // 配置分词器过滤
         }
       },
      "filter" : { // 分词器过滤时配置另一个分词器相当于同时使用两个分词器
        "pinyin_filter" : { 
          "type" : "pinyin", // 另一个分词器
          // 拼音分词器的配置
          "keep_separate_first_letter" : false, // 是否分词每个字的首字母
          "keep_full_pinyin" : true, // 是否分词全拼
          "keep_original" : true, // 是否保留原始输入
          "remove_duplicated_term" : true // 是否删除重复项
         }
       }
     }
   },
  "mappings":{
    "properties":{
      "域名1":{
        "type":域的类型,
        "store":是否单独存储,
        "index":是否创建索引,
             "analyzer":分词器
       },
      "域名2":{ 
        ...
       }
     }
   }
}

eg:
PUT /student2
{
  "settings": {
    "analysis": {
      "analyzer": {
        "ik_pinyin":{
          "tokenizer":"ik_max_word",
          "filter":"pinyin_filter"
        }
      },
      "filter": {
        "pinyin_filter":{
          "type":"pinyin",
          "keep_separate_first_letter" : false, 
          "keep_full_pinyin" : true,
          "keep_original" : true, 
          "remove_duplicated_term" : true 
        }
      }
    }
  },
  "mappings": {
    "properties": {
      "name":{
        "type": "text",
        "store": true,
        "index": true,
        "analyzer": "ik_pinyin"
      },
      "age":{
        "type": "integer"
      }
    }
  }
}

2.测试

GET /student2/_analyze
{
 "text": "程序员",
 "analyzer": "ik_pinyin"
}