标准分词器
效果测试:
http://127.0.0.1:9200/_analyze?analyzer=standard&pretty=true&text=我是程序员
分词结果:
{
"tokens" : [
{
"token" : "我",
"start_offset" : 0,
"end_offset" : 1,
"type" : "<IDEOGRAPHIC>",
"position" : 0
},
{
"token" : "是",
"start_offset" : 1,
"end_offset" : 2,
"type" : "<IDEOGRAPHIC>",
"position" : 1
},
{
"token" : "程",
"start_offset" : 2,
"end_offset" : 3,
"type" : "<IDEOGRAPHIC>",
"position" : 2
},
{
"token" : "序",
"start_offset" : 3,
"end_offset" : 4,
"type" : "<IDEOGRAPHIC>",
"position" : 3
},
{
"token" : "员",
"start_offset" : 4,
"end_offset" : 5,
"type" : "<IDEOGRAPHIC>",
"position" : 4
}
]
}
IK分词器简介
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。
IK分词器3.0的特性如下:
1)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。
2)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。
3)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。
4)支持用户词典扩展定义。
5)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。
IK分词器安装
(1)下载对应版本ik分词插件,并上传到服务器/tdx/es/ 目录
https://github.com/medcl/elasticsearch-analysis-ik/releases/
(2)安装
[elk@localhost es] cd /es/
[elk@localhost es] unzip elasticsearch-analysis-ik-5.2.0.zip -d ./elasticsearch-5.2.0/plugins/ik
(3). 然后重启 es即可
IK分词器测试
IK提供了两个分词算法ik_smart 和 ik_max_word
其中 ik_smart 为最少切分,ik_max_word为最细粒度划分
我们分别来试一下
1)最小切分:在浏览器地址栏输入地址
http://127.0.0.1:9200/_analyze?analyzer=ik_smart&pretty=true&text=我是程序员
输出的结果为:
{
"tokens" : [
{
"token" : "我",
"start_offset" : 0,
"end_offset" : 1,
"type" : "CN_CHAR",
"position" : 0
},
{
"token" : "是",
"start_offset" : 1,
"end_offset" : 2,
"type" : "CN_CHAR",
"position" : 1
},
{
"token" : "程序员",
"start_offset" : 2,
"end_offset" : 5,
"type" : "CN_WORD",
"position" : 2
}
]
}
2)最细切分:在浏览器地址栏输入地址
http://127.0.0.1:9200/_analyze?analyzer=ik_max_word&pretty=true&text=我是程序员
输出的结果为:
{
"tokens" : [
{
"token" : "我",
"start_offset" : 0,
"end_offset" : 1,
"type" : "CN_CHAR",
"position" : 0
},
{
"token" : "是",
"start_offset" : 1,
"end_offset" : 2,
"type" : "CN_CHAR",
"position" : 1
},
{
"token" : "程序员",
"start_offset" : 2,
"end_offset" : 5,
"type" : "CN_WORD",
"position" : 2
},
{
"token" : "程序",
"start_offset" : 2,
"end_offset" : 4,
"type" : "CN_WORD",
"position" : 3
},
{
"token" : "员",
"start_offset" : 4,
"end_offset" : 5,
"type" : "CN_CHAR",
"position" : 4
}
]
}
自定义词典
- 在{es}/plugins/ik/config下,创建:
vim custom.dic
- 并且添加内容:
慕课网
骚年
3.配置自定义扩展词典
vim IKAnalyzer.cfg.xml
配置如下
<entry key="ext_dict">custom.dic</entry>
-
重启es
-
测试
POST /_analyze
{
"analyzer": "ik_max_word",
"text": "一起学习吧!"
}
远程词典
elasticsearch ik分词 远程自动更新自定义词典 需要满足两个条件:
1.GET请求返回词典列表。
2. nginx 服务器 HEAD请求响应头返回Last-Modified和(或)ETag。
根据这两个条件,可以分为直接访问资源文件和访问接口两种方式。
文件
以文件方式更新词典,将词放在一个utf8编码的文件里,将文件放在nginx或其他server下,当文件修改时http server会在客户端请求文件时自动返回响应的Last-Modified和ETag。在analysis-ik检测到词典更新时会自动更新。
以nginx为例,假设词典文件名为mydic.dic。前提条件如nginx配置、IKAnalyzer.cfg.xml配置、重启等步骤此处省略,当词典为空文件时。
配置
vim /usr/local/elasticsearch/plugins/ik/config/IKAnalyzer.cfg.xml
<?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"></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://172.168.10.48/dict/brand.dic;http://172.168.10.48/dict/attr.dic;http://172.168.10.48/dict/category.dic</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://172.168.10.48/dict/stop.dic</entry>
</properties>
日志
[root@k8s-node3 log]# tail -f beta_elasticsearch.log
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] 比较仪台架
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] 其它工业用水处理设备
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] 家用垃圾桶
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] 6.3MM系列十字旋具头套筒
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] 除污器
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] 双色橡塑柄加力一字螺丝批
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] SDS信息栏
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] 防盗锁芯
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] 分析天平
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] 真空计量
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] 光柄扎线钳
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] 双金属复合管帽
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] 恒温槽
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] 鸡尾锯
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] 喉箍
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] 热风焊枪
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] 管端突缘
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] 动力工具及耗材
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] 橡胶水带
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] 密封圈、条
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] 普通压力表配件
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] 135°塑料弯头
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] 台垫
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] 井架逃生装置
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] 精密恒温水槽
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] 塑料量筒
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] 12.5MM系列英制十二角套筒
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] 钢制门锁体
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] 防尘连接管
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] 结构粘接胶
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] 浇铸用耐火砖
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] 沥青烘干清漆
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] 防腐活接头
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] 加样槽
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] 口罩
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] 绝缘公制六角套筒
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] 桩工机械
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] 导热油锅炉
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] 摇式给料机
[2021-02-05T11:16:03,862][INFO ][o.w.a.d.Dictionary ] [node-48] [Dict Loading] http://172.168.10.48/dict/stop.dic
[2021-02-05T11:16:03,864][INFO ][o.w.a.d.Dictionary ] [node-48] [
[2021-02-05T11:16:03,864][INFO ][o.w.a.d.Dictionary ] [node-48] ]
[2021-02-05T11:16:03,864][INFO ][o.w.a.d.Dictionary ] [node-48] {
[2021-02-05T11:16:03,864][INFO ][o.w.a.d.Dictionary ] [node-48] }
[2021-02-05T11:16:03,864][INFO ][o.w.a.d.Dictionary ] [node-48] &
[2021-02-05T11:16:03,864][INFO ][o.w.a.d.Dictionary ] [node-48] *
[2021-02-05T11:16:03,864][INFO ][o.w.a.d.Dictionary ] [node-48] /
[2021-02-05T11:16:03,864][INFO ][o.w.a.d.Dictionary ] [node-48] \
[2021-02-05T11:16:03,864][INFO ][o.w.a.d.Dictionary ] [node-48] reload ik dict finished