概述
一个tokenizer(分词器)接收一个字符流,将之分割为独立的tokens
(词元,通常是独立的单词),然后输出tokens流。
ES提供了很多内置的分词器(标准分词器)。但是官方提供的分词器都是处理英文的,对于中文会按一个字符分割,这显然是不好用的,我们需要下载第三方的分词器,如IK分词器。
IK分词器下载
属于es的插件,所以需要安装到es容器中的的/usr/share/elasticsearch/plugins目录下,如果我们安装es时候做了文件挂载映射,n那么可以放在docker宿主机挂载es.plugins的目录下。
下载地址:IK分词器
下载解压放到es的plugins目录下即可使用,注意分词器和es版本需要一致
自定义分词
比如我们要把勇敢牛牛算作一个词,用ik内置的词典的也不能解决,我们需要自己定义自己风格的词典,将我们想要作为一个词的内容放在词典中被es识别
1、配置远程拓展地址
修改/usr/share/elasticsearch/plugins/ik/config中的IKAnalyzer.cfg.xml
<!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"></entry>
<!--用户可以在这里配置自己的扩展停止词字典-->
<entry key="ext_stopwords"></entry>
<!--用户可以在这里配置远程扩展字典 -->
<entry key="remote_ext_dict">http://192.168.1.22/es/fenci.txt</entry>
<!--用户可以在这里配置远程扩展停止词字典-->
<!-- <entry key="remote_ext_stopwords">words_location</entry> -->
</properties>
2、由于新增词典后,只会对后来的数据进行分词,之前历史数据不会分词。如果想要历史数据重新分词,需要执行
POST [索引]/_update_by_query?conflicts=proceed
3、既然是远程拓展词典,那么我们就需要自定义一个服务器,将词典放在服务器中。这里我们选择nginx为例
运行nginx,将它的配置文件拷到宿主机下。 .
代表当前目录。然后工具人nginx就没用了,可以停掉删除
docker container cp nginx:/etc/nginx .
4、我们可以在宿主机上创建一个nignx文件。修改之前拷贝的文件夹为conf,拷贝出的配置文件作为我们要运行的nignx的配置文件
5、运行nginx
docker run -p 80:80 --name nginx --privileged=true \
-v /mydata/nginx/html:/usr/share/nginx/html \
-v /mydata/nginx/conf:/etc/nginx \
-v /mydata/nginx/logs:/var/log/nginx \
-d nginx:1.10
6、在nginx的html文件夹下面创建es文件夹,用来放我们定义的分词器,比如fenci.txt。地址和es中配置的远程扩展字段一致。我们的远程字典就创建成功了
总结:
- 创建字典
- 放到web服务器中
- ik分词器配置远程词库,指向存放了字典的web服务器地址
- 重启es