ik分词停用词典stopword.dic对中文不起作用，求大侠帮忙是怎么回事

Posted 2023-04-30

参考技术A 用txt打开stopword.dic，选择另存为的编码格式设为utf-8，再次拷贝到src目录下试下，但是在utf-8的编码格式下好像对英文识别又有点问题。 参考技术B 我也遇到这个问题！

Elasticsearch 安装IK分词器

文章目录

• 安装IK分词器
• • 1.在线安装ik插件（较慢）
  • 2.离线安装ik插件（推荐）
  • • 1）查看据卷目录
    • 2）解压缩分词器安装包
    • 3）上传到es容器的插件数据卷中
    • 4）重启容器
    • 5）测试：
  • 3 扩展词词典
  • 4 停用词词典

安装IK分词器

1.在线安装ik插件（较慢）

# 进入容器内部
docker exec -it elasticsearch /bin/bash

# 在线下载并安装
./bin/elasticsearch-plugin  install https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v7.12.1/elasticsearch-analysis-ik-7.12.1.zip

#退出
exit
#重启容器
docker restart elasticsearch

2.离线安装ik插件（推荐）

这个也给大家提供了百度网盘：

链接：https://pan.baidu.com/s/1wK-d3wxNpOKYlK6KJJC0vw?pwd=plih
提取码：plih

具体离线安装步骤如下：

1）查看据卷目录

安装插件需要知道elasticsearch的plugins目录位置，而我们用了数据卷挂载，因此需要查看elasticsearch的数据卷目录，通过下面命令查看:

docker volume inspect es-plugins

显示结果：

[
    
        "CreatedAt": "2022-05-06T10:06:34+08:00",
        "Driver": "local",
        "Labels": null,
        "Mountpoint": "/var/lib/docker/volumes/es-plugins/_data",
        "Name": "es-plugins",
        "Options": null,
        "Scope": "local"
    
]

说明plugins目录被挂载到了：/var/lib/docker/volumes/es-plugins/_data 这个目录中。

2）解压缩分词器安装包

下面我们需要把网盘中的ik分词器解压缩，重命名为ik，或者直接下载这个解压好的ik文件夹

3）上传到es容器的插件数据卷中

也就是/var/lib/docker/volumes/es-plugins/_data ：

4）重启容器

# 4、重启容器
docker restart es

# 查看es日志
docker logs -f es

里面能看到加载了刚才的ik分词

5）测试：

IK分词器包含两种模式：

• ik_smart：最少切分

• ik_max_word：最细切分

我们先用最细切分测试下

GET /_analyze

  "analyzer": "ik_max_word",
  "text": "杨天真无敌安心学习java"

结果：

  "tokens" : [
    
      "token" : "杨",
      "start_offset" : 0,
      "end_offset" : 1,
      "type" : "CN_CHAR",
      "position" : 0
    ,
    
      "token" : "天真",
      "start_offset" : 1,
      "end_offset" : 3,
      "type" : "CN_WORD",
      "position" : 1
    ,
    
      "token" : "真无",
      "start_offset" : 2,
      "end_offset" : 4,
      "type" : "CN_WORD",
      "position" : 2
    ,
    
      "token" : "无敌",
      "start_offset" : 3,
      "end_offset" : 5,
      "type" : "CN_WORD",
      "position" : 3
    ,
    
      "token" : "安心",
      "start_offset" : 5,
      "end_offset" : 7,
      "type" : "CN_WORD",
      "position" : 4
    ,
    
      "token" : "心学",
      "start_offset" : 6,
      "end_offset" : 8,
      "type" : "CN_WORD",
      "position" : 5
    ,
    
      "token" : "学习",
      "start_offset" : 7,
      "end_offset" : 9,
      "type" : "CN_WORD",
      "position" : 6
    ,
    
      "token" : "java",
      "start_offset" : 9,
      "end_offset" : 13,
      "type" : "ENGLISH",
      "position" : 7
    
  ]

我们也可以使用 ik_smart：最少切分

测试结果如下：

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：“栓Q”，“耗子尾汁”，“内卷” 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。

1）打开IK分词器config目录：

2）在IKAnalyzer.cfg.xml配置文件内容添加：

<?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）新建一个 ext.dic，可以参考config目录下复制一个配置文件进行修改

大威天龙
奥力给
耗子尾汁
栓Q
内卷

4）重启elasticsearch

docker restart es

# 查看 日志
docker logs -f elasticsearch

日志中已经成功加载ext.dic配置文件

5）测试效果：

GET /_analyze

  "analyzer": "ik_max_word",
  "text": "大威天龙，奥力给！大家耗子尾汁，不要内卷了，我真的栓Q。"

注意当前文件的编码必须是 UTF-8 格式，严禁使用Windows记事本编辑

我们看结果可以看到各个新词都已经分出来了：

4 停用词词典

在互联网项目中，在网络间传输的速度很快，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，那么我们在搜索时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，让我们在索引时就直接忽略当前的停用词汇表中的内容。

1）IKAnalyzer.cfg.xml配置文件内容添加：

<?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">stopword.dic</entry>
</properties>

3）在 stopword.dic 添加停用词

安倍晋三
特朗普

4）重启elasticsearch

# 重启服务
docker restart elasticsearch
docker restart kibana

# 查看 日志
docker logs -f elasticsearch

日志中已经成功加载stopword.dic配置文件

5）测试效果：

GET /_analyze

  "analyzer": "ik_max_word",
  "text": "大威天龙，奥力给！安倍晋三耗子尾汁，我真的栓Q。"

注意当前文件的编码必须是 UTF-8 格式，严禁使用Windows记事本编辑