Press "Enter" to skip to content

一篇带你玩转 Elasticsearch 中文分词

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

PassJava (佳必过) 项目全套学习教程连载中,关注公众号悟空聊架构第一时间获取。

 

文档在线地址: www.passjava.cn

 

ElastiscSearch 系列文章的内容如下:

 

 

ES 中文分词

 

ES 内置了很多种分词器,但是对中文分词不友好,所以我们需要借助第三方中文分词工具包。

 

6.1 ES 中的分词的原理

 

6.1.1 ES 的分词器概念

 

ES 的一个分词器 ( tokenizer ) 接收一个字符流,将其分割为独立的词元 ( tokens ) ,然后输出词元流。

 

ES 提供了很多内置的分词器,可以用来构建自定义分词器 ( custom ananlyzers )

 

6.1.2 标准分词器原理

 

比如 stadard tokenizer 标准分词器,遇到空格进行分词。该分词器还负责记录各个词条 ( term ) 的顺序或 position 位置 ( 用于 phrase 短语和 word proximity 词近邻查询 ) 。每个单词的字符偏移量 ( 用于高亮显示搜索的内容 ) 。

 

6.1.3 英文和标点符号分词示例

 

查询示例如下:

 

POST _analyze
{
  "analyzer": "standard",
  "text": "Do you know why I want to study ELK? 2 3 33..."
}

 

查询结果:

 

do, you, know, why, i, want, to, study, elk, 2,3,33

 

从查询结果可以看到:

 

(1)标点符号没有分词。

 

(2)数字会进行分词。

 

 

6.1.4 中文分词示例

 

但是这种分词器对中文的分词支持不友好,会将词语分词为单独的汉字。比如下面的示例会将 悟空聊架构 分词为 , , , , ,期望分词为 悟空架构

 

POST _analyze
{
  "analyzer": "standard",
  "text": "悟空聊架构"
}

 

 

我们可以安装 ik 分词器来更加友好的支持中文分词。

 

6.2 安装 ik 分词器

 

6.2.1 ik 分词器地址

 

ik 分词器地址:

 

https://github.com/medcl/elasticsearch-analysis-ik/releases

 

先检查 ES 版本,我安装的版本是 7.4.2 ,所以我们安装 ik 分词器的版本也选择 7.4.2

 

http://192.168.56.10:9200/
{
  "name" : "8448ec5f3312",
  "cluster_name" : "elasticsearch",
  "cluster_uuid" : "xC72O3nKSjWavYZ-EPt9Gw",
  "version" : {
    "number" : "7.4.2",
    "build_flavor" : "default",
    "build_type" : "docker",
    "build_hash" : "2f90bbf7b93631e52bafb59b3b049cb44ec25e96",
    "build_date" : "2019-10-28T20:40:44.881551Z",
    "build_snapshot" : false,
    "lucene_version" : "8.2.0",
    "minimum_wire_compatibility_version" : "6.8.0",
    "minimum_index_compatibility_version" : "6.0.0-beta1"
  },
  "tagline" : "You Know, for Search"
}

 

 

6.2.2 安装 ik 分词器的方式

 

6.2.2.1 方式一:容器内安装 ik 分词器

进入 es 容器内部 plugins 目录

docker exec -it <容器 id> /bin/bash

获取 ik 分词器压缩包

wget https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v7.4.2/elasticsearch-analysis-ik-7.4.2.zip

解压缩 ik 压缩包

unzip 压缩包

删除下载的压缩包

rm -rf *.zip

 

6.2.2.2 方式二:映射文件安装 ik 分词器

 

进入到映射文件夹

 

cd /mydata/elasticsearch/plugins

 

下载安装包

 

wget https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v7.4.2/elasticsearch-analysis-ik-7.4.2.zip

解压缩 ik 压缩包

unzip 压缩包

删除下载的压缩包

rm -rf *.zip

 

6.2.2.3 方式三:Xftp 上传压缩包到映射目录

 

先用 XShell 工具连接虚拟机 ( 操作步骤可以参考之前写的文章 02. 快速搭建 Linux 环境-运维必备 ) ,然后用 Xftp 将下载好的安装包复制到虚拟机。

 

 

6.3 解压 ik 分词器到容器中

如果没有安装 unzip 解压工具,则安装 unzip 解压工具。

apt install unzip

解压 ik 分词器到当前目录的 ik 文件夹下。

命令格式:unzip <ik 分词器压缩包>

 

实例:

 

unzip ELK-IKv7.4.2.zip -d ./ik

 

修改文件夹权限为可读可写。

chmod -R 777 ik/

删除 ik 分词器压缩包

rm ELK-IKv7.4.2.zip

 

6.4 检查 ik 分词器安装

进入到容器中

docker exec -it <容器 id> /bin/bash

查看 Elasticsearch 的插件

elasticsearch-plugin list

 

结果如下,说明 ik 分词器安装好了。是不是很简单。

 

ik

 

 

然后退出 Elasticsearch 容器,并重启 Elasticsearch 容器

 

exit
docker restart elasticsearch

 

6.5 使用 ik 中文分词器

 

ik 分词器有两种模式

 

智能分词模式 ( ik_smart )

最大组合分词模式 ( ik_max_word )

我们先看下 智能分词 模式的效果。比如对于 一颗小星星 进行中文分词,得到的两个词语: 一颗小星星

 

我们在 Dev Tools Console 输入如下查询

 

POST _analyze
{
  "analyzer": "ik_smart",
  "text": "一颗小星星"
}

 

得到如下结果,被分词为 一颗和小星星。

 

 

再来看下 最大组合分词模式 。输入如下查询语句。

 

POST _analyze
{
  "analyzer": "ik_max_word",
  "text": "一颗小星星"
}

 

一颗小星星 被分成了 6 个词语:一颗、一、颗、小星星、小星、星星。

 

 

我们再来看下另外一个中文分词。比如搜索悟空哥聊架构,期望结果:悟空哥、聊、架构三个词语。

 

实际结果:悟、空哥、聊、架构四个词语。ik 分词器将悟空哥分词了,认为 空哥 是一个词语。所以需要让 ik 分词器知道 悟空哥 是一个词语,不需要拆分。那怎幺办做呢?

 

 

6.6 自定义分词词库

 

6.6.1 自定义词库的方案

 

方案

新建一个词库文件,然后在 ik 分词器的配置文件中指定分词词库文件的路径。可以指定本地路径,也可以指定远程服务器文件路径。这里我们使用远程服务器文件的方案,因为这种方案可以支持热更新 ( 更新服务器文件,ik 分词词库也会重新加载 ) 。

修改配置文件

ik 分词器的配置文件在容器中的路径:

 

/usr/share/elasticsearch/plugins/ik/config/IKAnalyzer.cfg.xml。

 

修改这个文件可以通过修改映射文件,文件路径:

 

/mydata/elasticsearch/plugins/ik/config/IKAnalyzer.cfg.xml

 

编辑配置文件:

 

vim /mydata/elasticsearch/plugins/ik/config/IKAnalyzer.cfg.xml

 

配置文件内容如下所示:

 

<?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">custom/mydict.dic;custom/single_word_low_freq.dic</entry>
     <!--用户可以在这里配置自己的扩展停止词字典-->
    <entry key="ext_stopwords">custom/ext_stopword.dic</entry>
     <!--用户可以在这里配置远程扩展字典 -->
    <entry key="remote_ext_dict">location</entry>
     <!--用户可以在这里配置远程扩展停止词字典-->
    <entry key="remote_ext_stopwords">http://xxx.com/xxx.dic</entry>
</properties>

 

修改配置 remote_ext_dict 的属性值,指定一个 远程网站文件的路径,比如 http://www.xxx.com/ikwords.text

 

这里我们可以自己搭建一套 nginx 环境,然后把 ikwords.text 放到 nginx 根目录。

 

6.6.2 搭建 nginx 环境

 

方案:首先获取 nginx 镜像,然后启动一个 nginx 容器,然后将 nginx 的配置文件拷贝到根目录,再删除原 nginx 容器,再用映射文件夹的方式来重新启动 nginx 容器。

通过 docker 容器安装 nginx 环境。

docker run -p 80:80 --name nginx -d nginx:1.10

拷贝 nginx 容器的配置文件到 mydata 目录的 conf 文件夹

cd /mydata
docker container cp nginx:/etc/nginx ./conf

mydata 目录 里面创建 nginx 目录

mkdir nginx

移动 conf 文件夹到 nginx 映射文件夹

mv conf nginx/

终止并删除原 nginx 容器

docker stop nginx
docker rm <容器 id>

启动新的容器

docker run -p 80:80 --name nginx \
-v /mydata/nginx/html:/usr/share/nginx/html \
-v /mydata/nginx/logs:/var/log/nginx \
-v /mydata/nginx/conf:/etc/nginx \
-d nginx:1.10

访问 nginx 服务

192.168.56.10

 

报 403 Forbidden, nginx/1.10.3 则表示 nginx 服务正常启动。403 异常的原因是 nginx 服务下没有文件。

nginx 目录新建一个 html 文件

cd /mydata/nginx/html
vim index.html
hello passjava

 

再次访问 nginx 服务

浏览器打印 hello passjava。说明访问 nginx 服务的页面没有问题。

创建 ik 分词词库文件

cd /mydata/nginx/html
mkdir ik
cd ik
vim ik.txt

 

填写 悟空哥 ,并保存文件。

访问词库文件

http://192.168.56.10/ik/ik.txt

 

浏览器会输出一串乱码,可以先忽略乱码问题。说明词库文件可以访问到。

修改 ik 分词器配置

cd /mydata/elasticsearch/plugins/ik/config
vim IKAnalyzer.cfg.xml

 

重启 elasticsearch 容器并设置每次重启机器后都启动 elasticsearch 容器。

docker restart elasticsearch
docker update elasticsearch --restart=always

再次查询分词结果

可以看到 悟空哥聊架构 被拆分为 悟空哥架构 三个词语,说明自定义词库中的 悟空哥 有作用。

 

 

作者简介:8 年互联网职场老兵|全栈工程师|90 后超级奶爸|开源践行者|公众号万粉原创号主。蓝桥签约作者,着有《JVM 性能调优实战》专栏,手写了一套 7 万字 SpringCloud 实战总结和 3 万字分布式算法总结。公众号「悟空聊架构」,免费获取资料学习。

 

个人网站:www.passjava.cn

Be First to Comment

发表评论

您的电子邮箱地址不会被公开。