1、分词api
分词就是把一条文本数据转换为一个个单词的过程,英语分词比较简单,直接使用空格就可以把每个词分开,中文分词相对就会复杂很多,需要使用专门的分词器。
在英文中分词,指定分词器进行分词:
POST http://127.0.0.1:9200/_analyze
{
"analyzer":"standard",
"text":"Elastic Search"
}
返回结果:
{
"tokens": [
{
"token": "elastic",
"start_offset": 0,
"end_offset": 7,
"type": "<ALPHANUM>",
"position": 0
},
{
"token": "search",
"start_offset": 8,
"end_offset": 14,
"type": "<ALPHANUM>",
"position": 1
}
]
}
中文分词,使用标准分词器
请求体:
{
"analyzer":"standard",
"text":"为了搜索"
}
返回数据:
{
"tokens": [
{
"token": "为",
"start_offset": 0,
"end_offset": 1,
"type": "<IDEOGRAPHIC>",
"position": 0
},
{
"token": "了",
"start_offset": 1,
"end_offset": 2,
"type": "<IDEOGRAPHIC>",
"position": 1
},
{
"token": "搜",
"start_offset": 2,
"end_offset": 3,
"type": "<IDEOGRAPHIC>",
"position": 2
},
{
"token": "索",
"start_offset": 3,
"end_offset": 4,
"type": "<IDEOGRAPHIC>",
"position": 3
}
]
}
在结果中不仅可以看出分词的结果,还返回了该词在文本中的位置。
实际生产中,在创建映射mapping时就会指定分词器,如下:
{
"properties": {
"id": {
"type": "long",
"store": true
},
"title": {
"type": "text",
"store": true,
"index": true,
"analyzer": "standard"
},
"content": {
"type": "text",
"store": true,
"index": true,
"analyzer": "standard"
}
}
}
2、中文分词
从上面的结果也看出来了,标准的分词器api把中文的每个字分开了,这显然不是我们想要的。汉字博大精深,当分词不当时,还会产生歧义。
常用中文分词器,IK、jieba、THULAC等,在python中做数据分析或机器学习时我们经常使用的是jieba分词,但在这里,我们推荐使用IK分词器。
IK Analyzer是一个开源的,基于java语言开发的轻量级的中文分词工具包。从2006年12月推出1.0版开始, IKAnalyzer已经推出了3个大版本。最初,它是以开源项目Luence为应用主体的,结合词典分词和文法分析算法的中文分词组件。新版本的IK Analyzer 3.0则发展为面向Java的公用分词组件,独立于Lucene项目,同时提供了对Lucene的默认优化实现。
采用了特有的“正向迭代最细粒度切分算法“,具有80万字/秒的高速处理能力 采用了多子处理器分析模式,支持:英文字母(IP地址、Email、URL)、数字(日期,常用中文数量词,罗马数字,科学计数法),中文词汇(姓名、地名处理)等分词处理。 优化的词典存储,更小的内存占用。
IK分词器 Elasticsearch插件下载地址下载zip压缩包。
一定要下载对应版本的,切记,否则将会启动失败。
安装步骤:
- 在elasticsearch/plugins中新建文件夹ik
mkdir (your elasticsearch path)/plugins/ik
- 将下载好的ik分词器解压到elasticsearch/plugins/ik文件夹。
cp elasticsearch-analysis-ik-7.2.0.zip ./elasticsearch/plugins/ik
unzip elasticsearch-analysis-ik-7.2.0.zip
- 重启elasticsearch
./bin/elasticsearch
测试:
{
"analyzer":"ik_max_word",
"text":"为了搜索"
}
分词结果:
{
"tokens": [
{
"token": "为了",
"start_offset": 0,
"end_offset": 2,
"type": "CN_WORD",
"position": 0
},
{
"token": "搜索",
"start_offset": 2,
"end_offset": 4,
"type": "CN_WORD",
"position": 1
}
]
}
再来一条:
ik_max_word
分词方式:
{
"analyzer":"ik_max_word",
"text":"中国科学院计算所"
}
分词结果:
{
"tokens": [
{
"token": "中国科学院",
"start_offset": 0,
"end_offset": 5,
"type": "CN_WORD",
"position": 0
},
{
"token": "中国",
"start_offset": 0,
"end_offset": 2,
"type": "CN_WORD",
"position": 1
},
{
"token": "科学院",
"start_offset": 2,
"end_offset": 5,
"type": "CN_WORD",
"position": 2
},
{
"token": "科学",
"start_offset": 2,
"end_offset": 4,
"type": "CN_WORD",
"position": 3
},
{
"token": "学院",
"start_offset": 3,
"end_offset": 5,
"type": "CN_WORD",
"position": 4
},
{
"token": "计算所",
"start_offset": 5,
"end_offset": 8,
"type": "CN_WORD",
"position": 5
},
{
"token": "计算",
"start_offset": 5,
"end_offset": 7,
"type": "CN_WORD",
"position": 6
},
{
"token": "所",
"start_offset": 7,
"end_offset": 8,
"type": "CN_CHAR",
"position": 7
}
]
}
ik_smart
分词方式:
{
"analyzer":"ik_smart",
"text":"中国科学院计算所"
}
分词结果:
{
"tokens": [
{
"token": "中国科学院",
"start_offset": 0,
"end_offset": 5,
"type": "CN_WORD",
"position": 0
},
{
"token": "计算所",
"start_offset": 5,
"end_offset": 8,
"type": "CN_WORD",
"position": 1
}
]
}
ik_max_word 和 ik_smart 什么区别?
- ik_max_word: 会将文本做最细粒度的拆分,比如会将“中华人民共和国国歌”拆分为“中华人民共和国,中华人民,中华,华人,人民共和国,人民,人,民,共和国,共和,和,国国,国歌”,会穷尽各种可能的组合,适合 Term Query;
- ik_smart: 会做最粗粒度的拆分,比如会将“中华人民共和国国歌”拆分为“中华人民共和国,国歌”,适合 Phrase 查询。
jieba的分词插件目前支持的elasticsearch版本比较少:
jieba analysis plugin for elasticsearch: 7.3.0, 7.0.0, 6.4.0, 6.0.0, 5.4.0, 5.3.0, 5.2.2, 5.2.1, 5.2.0, 5.1.2, 5.1.1
jieba分词器插件下载地址
jieba对elasticsearch也提供了两种搜索方式,jieba_index
和jieba_search
,区别和ik_max_word 和 ik_smart 的区别
一样。