中间件-ES-中文拼音多音字插件

需求背景：中文拼音多音字分词。例如：三一重工，默认拼音分词会解析成sanyizhonggong，但业务需要的是解析成：sanyizhonggong、sanyichonggong。

解决办法：

首先，查看了ES用的中文拼音插件elasticsearch-analysis-pinyin的github中的issue，是有人提出类似需求，但也没有合适的方案：https://github.com/medcl/elasticsearch-analysis-pinyin/issues。

然后：百度了各方面资料，没有找到现成解决方案。但找到一个觉得相对靠谱的解决思路，

https://blog.csdn.net/huochen1994/article/details/88876230。

解决方案：

1、分析当前ES是如何实现的中文拼音分词。

ES用的中文拼音插件是：elasticsearch-analysis-pinyin，它底层用的是nlp-lang来实现的自然语言分词。根据ES的版本从github上下载了对应版本的插件源代码，代码修改主要涉及到了：elasticsearch-analysis-pinyin-5.x、nlp-lang-1.7.8。

1）拼音分词插件AnalysisPinyinPlugin，它通过实现ES的org.elasticsearch.plugins.AnalysisPlugin、org.elasticsearch.plugins.Plugin，纳入了ES插件体系。如下图，其中“pinyin”就是默认拼音分词的实现。我的想法是仿照“pinyin”分词实现一个多音字的拼音分词，例如叫“multiple_by_pinyin”。这样如果需要使用多音字分词的话，在索引的settings时选择多音字的分词即可。而那些使用默认的pinyin分词的用户也不会受影响。

2、简单描述下实现

下图用类图描述下核心类的关系，可见PinyinTokenizerForMultiple是分词的核心：

在PinyinTokenizerForMultiple中使用了nlp-lang的Pinyin.java来实现中文分词，如下图：

3、测试效果

1）默认分词效果：

入参：

结果：

2）多音字分词效果

入参：同上，其中analyzer输入多音字分词插件。

结果：重分词成 chong、zhong

使用注意：不能支持大字段的多音字分词，限制在100个汉字以内。