中文分词器 IK

本章内容概述

1、中文分词器IK插件介绍
2、Linux环境安装中文分词器IK插件
3、自定义扩展分词器文件
4、elasticsearch文档映射概述

1、中文分词器IK插件介绍

1.1 分词器简介

	在对文档(Document)中的内容进行索引前, 需要对文档的内容使用分析对象(分词器)进行分词.
	分词器:从一串文本中切分出来一个个的词条,并对每个词条进行标准化。
		
		包含三部分: 
		
			character filter: 分词之前的预处理,过滤掉HTML标签,特殊符号转换等;
			
			tokenizer: 分词
			
			token filter: 标准化,比如大小写转换,同义词转换等
	
	分词的目的是为了索引, 索引的目的是为了搜索.
	
		分词的过程是 先分词, 再过滤:

		分词: 将Document中Field域的值切分成一个一个的单词. 具体的切分方法(算法)由具体使用的分词器内部实现.

		过滤: 去除标点符号,去除停用词(的、是、is、the、a等), 词的大写转为小写.
	
	分词流程图:

	停用词说明:
	停用词是指为了节省存储空间和提高搜索效率, 搜索引擎在索引内容或处理搜索请求时会自动忽略的字词, 这些字或词被称为"stop
words". 如语气助词、副词、介词、连接词等, 通常自身没有明确的含义,只有放在一个上下文语句中才有意义(如:的、在、啊, is、a等).

	例如:
	​	原始文档内容: Lucene is a Java full-text search engine
	​	分析以后的词: lucene java full text search engine

1.2 ES分词器介绍

	因为Elasticsearch中默认的标准分词器分词器对中文分词不是很友好，会将中文词语拆分成一个一个中文的汉子。因此引入中文分词器
-es-ik插件。

	es内置种分词器，他们分别是、standard analyzer、simple analyzer、whitespace analyzer、language analyzer。所以如果
是中文还要程序员自动手动安装中文分词器。

	假设有如下一段话：

		Set the shape to semi-transparent by calling set_trans(5)
	
	standard analyzer：(默认的)他会将词汇单元转换为小写形式,并去除停用词标点符号,支持中文采用的方法是单字切分。
	
		结果是 set, the, shape, to, semi, transparent, by, calling, set_trans, 5（默认的是standard）
	
	simple analyzer：首先会通过非字母字符来分割文本信息,然后将词汇单元统一为小写形式,该分析器会出掉数字类型的字符。
	
		结果是 set, the, shape, to, semi, transparent, by, calling, set, trans

	whitespace analyzer：仅仅是去除空格,对字符没有lowcase化,不支持中文;并且不对生成的词汇单元进行任何标准化处理。
	
		结果是 Set, the, shape, to, semi-transparent, by, calling, set_trans(5)

	language analyzer:特定的语言的分词器，不支持中文

1.3 演示ES传统分词器

	通过Postman访问如下地址:http://192.168.34.64:9200/_analyze

	分词结果:

{
    "tokens": [
        {
            "token": "奥",
            "start_offset": 0,
            "end_offset": 1,
            "type": "<IDEOGRAPHIC>",
            "position": 0
        },
        {
            "token": "迪",
            "start_offset": 1,
            "end_offset": 2,
            "type": "<IDEOGRAPHIC>",
            "position": 1
        },
        {
            "token": "a4l",
            "start_offset": 2,
            "end_offset": 5,
            "type": "<ALPHANUM>",
            "position": 2
        }
    ]
}

1.4 IK分词器介绍

	IKAnalyzer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Lucene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IKAnalyzer3.0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60万字/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。

	对中英联合支持不是很好,在这方面的处理比较麻烦.需再做一次查询,同时是支持个人词条的优化的词典存储，更小的内存占用。
	
	支持用户词典扩展定义。
	
	针对Lucene全文检索优化的查询分析器IKQueryParser；采用歧义分析算法优化查询关键字的搜索排列组合，能极大的提高Lucene检索
的命中率。

2、Linux环境安装中文分词器IK插件

2.1 下载及安装

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

	注意: es-ik分词插件版本一定要和es安装的版本对应

	第一步：下载es的IK插件[比如:elasticsearch-analysis-ik-6.4.3.zip]命名改为ik，然后解压
	
	第二步: 上传到/usr/local/elasticsearch-6.4.3/plugins

	第三步: 重启elasticsearch即可

2.2 演示IK分词器

	分词结果:

{
    "tokens": [
        {
            "token": "奥迪",
            "start_offset": 0,
            "end_offset": 2,
            "type": "CN_WORD",
            "position": 0
        },
        {
            "token": "a4l",
            "start_offset": 2,
            "end_offset": 5,
            "type": "LETTER",
            "position": 1
        }
    ]
}

	注:IK分词器默认有一些热词,但是不包含所有,我们可以自定义分词器文件

3、自定义扩展分词器文件

	1、在/usr/local/elasticsearch-6.4.3/plugins/ik/config目录下创建custom文件夹
		
		mkdir custom
	
	2、进入custom目录,然后创建new_word.dic文件
	
		touch new_word.dic
	
	3、编辑new_word.dic文件,然后加入新的热词
	
		vim new_word.dic
		
		盘它
		硬核
		老表
		王者荣耀
		洪荒之力
		马云
		一带一路
	
	4、配置文件引入新的自定义热词文件
	
		vi IKAnalyzer.cfg.xml

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Uuur9CuJ-1619165360388)(images/77_引入自定义热词.png)]

	5、重启elasticsearch
	
		先杀进程，再重启

4、elasticsearch文档映射概述

	已经把ElasticSearch的核心概念和关系数据库做了一个对比，索引（index）相当于数据库，类型(type)相当于数据表，映射
(Mapping)相当于数据表的表结构。ElasticSearch中的映射（Mapping）用来定义一个文档，可以定义所包含的字段以及字段的类型、分
词器及属性等等。

	文档映射就是给文档中的字段指定字段类型、分词器。
	
	使用Kibana 运行GET /newcapecedu/user/_mapping
	
	运行结果:

{
  "newcapecedu": {
    "mappings": {
      "user": {
        "properties": {
          "age": {
            "type": "long"
          },
          "car": {
            "type": "text",
            "fields": {
              "keyword": {
                "type": "keyword",
                "ignore_above": 256
              }
            }
          },
          "name": {
            "type": "text",
            "fields": {
              "keyword": {
                "type": "keyword",
                "ignore_above": 256
              }
            }
          },
          "sex": {
            "type": "long"
          }
        }
      }
    }
  }
}

	由此得出结论,ElasticSearch的默认数据类型:数值类型都是long,字符串类型都是text

4.1 文档映射分类

动态映射:
	我们知道，在关系数据库中，需要事先创建数据库，然后在该数据库实例下创建数据表，然后才能在该数据表中插入数据。而
ElasticSearch中不需要事先定义映射（Mapping），文档写入ElasticSearch时，会根据文档字段自动识别类型，这种机制称之为动态映
射。

静态映射:
	在ElasticSearch中也可以事先定义好映射，包含文档的各个字段及其类型等，这种方式称之为静态映射。