Elasticsearch连续剧之分词器

Posted 2023-03-03 狮子也疯狂

目录

• 一、前言
• 二、默认分词器
• 三、IK分词器
• • 1.主要算法
  • 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
    • 2.3 解压
    • 2.4 启动ES服务
    • 2.5 测试分词器效果
    • 2.6 IK分词器词典
• 四、拼音分词器
• • 1.安装
  • 2.测试分词效果
• 五、自定义分词器
• • 1.创建自定义分词器
  • 2.测试

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 analyzer：Elasticsearch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.dic：IK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"