总结 | Elasticsearch对外提供分词服务实践

最新推荐文章于 2024-08-08 07:46:33 发布

铭毅天下

最新推荐文章于 2024-08-08 07:46:33 发布

阅读量2.3k

点赞数 1

分类专栏：【深入详解Elasticsearch】

本文为博主原创文章，未经博主书面授权不得转载。书面授权后方可转载，但转载请务必加上原作者：铭毅天下，原文地址：blog.csdn.net/laoyang360

本文链接：https://blog.csdn.net/laoyang360/article/details/80920343

版权

【深入详解Elasticsearch】专栏收录该内容

240 篇文章 2630 订阅

订阅专栏

Elasticsearch 最少必要知识实战教程直播回放

1、问题抛出？

实战开发应用场景中，有获取一段话、一篇文章词频的业务场景，
词频的前提就是分词。
常用的中文分词包括：
1、IK分词——https://github.com/medcl/elasticsearch-analysis-ik
2、结巴分词——https://github.com/huaban/elasticsearch-analysis-jieba
3、ANSJ分词——https://github.com/NLPchina/elasticsearch-analysis-ansj
实际开发中，我们可以借助以上分词工具封装成接口或服务进行分词。
但，有没有想过，借助Elasticsearch的分词插件直接实现分词呢并对外提供服务呢？

2、可行性

1、Elasticsearch对中文的处理，倒排索引的前置条件就是中文分词。
而分词，我们常用的就是IK分词插件。
2、正常ES的部署、开发设计时候就提前选好分词器。
综上，借助Elasticsearch实现分词完全没有问题。

2、Elasticsearch中的DSL实现

GET test_index/_analyze
{
  "analyzer":"ik_smart",
  "text":"9年后，我还是没有跑出去 | 震后余生"
}

返回结果：

{
  "tokens": [
    {
      "token": "9",
      "start_offset": 0,
      "end_offset": 1,
      "type": "ARABIC",
      "position": 0
    },
    {
      "token": "年后",
      "start_offset": 1,
      "end_offset": 3,
      "type": "CN_WORD",
      "position": 1
    },
    {
      "token": "我",
      "start_offset": 4,
      "end_offset": 5,
      "type": "CN_WORD",
      "position": 2
    },
    {
      "token": "还是",
      "start_offset": 5,
      "end_offset": 7,
      "type": "CN_WORD",
      "position": 3
    },
    {
      "token": "没有",
      "start_offset": 7,
      "end_offset": 9,
      "type": "CN_WORD",
      "position": 4
    },
    {
      "token": "跑出去",
      "start_offset": 9,
      "end_offset": 12,
      "type": "CN_WORD",
      "position": 5
    },
    {
      "token": "震后",
      "start_offset": 15,
      "end_offset": 17,
      "type": "CN_WORD",
      "position": 6
    },
    {
      "token": "余生",
      "start_offset": 17,
      "end_offset": 19,
      "type": "CN_WORD",
      "position": 7
    }
  ]
}

3、Elasticsearch Java接口实现

以下是基于Jest5.3.3的接口实现。

/*
*@brief:获取分词结果接口
*@param:待分词的文章/字符串
*@return:不重复分词结果集（可根据实际业务场景二次开发）
*@date:20180704
*/
public static String IK_TYPE = "ik_smart";
public static Set<String> getIkAnalyzeSearchTerms(String searchContent) {	 
		// 调用 IK 分词分词
		JestClient client = JestHelper.getClient();
		Analyze ikAnalyze = new Analyze.Builder()
	                .index(TEST_INDEX)
	                .analyzer(IK_TYPE)
	                .text(searchContent)
	                .build();
		
		JestResult result = null;
        Set<String> keySet = new HashSet<String>();
		try {
			result = client.execute(ikAnalyze);
			JsonArray jsonArray = result.getJsonObject().getAsJsonArray("tokens");
			int arraySize = jsonArray.size();
			for (int i = 0; i < arraySize; ++i) {
				JsonElement curKeyword = jsonArray.get(i).getAsJsonObject().get("token");
				//Logger.info("rst = " + curKeyword.getAsString());
				keySet.add(curKeyword.getAsString());
			}
		} catch (IOException e) {
			// TODO Auto-generated catch block
			e.printStackTrace();
		}
		
		return keySet;
	}

有了java接口，对外提供Restful API就变得相对简单了。