Elasticsearch-IK分词器详解以及源码修改实现mysql热更新

• IK分词器的安装和使用
  访问ik分词器github项目地址：https://github.com/medcl/elasticsearch-analysis-ik
  1.在本地clone项目代码，git clone https://github.com/medcl/elasticsearch-analysis-ik.git
  2.切换到对应本地elasticsearch版本号的tag，git checkout tags/5.5.2
  3.通过maven进行项目打包，mvn package
  4.拷贝/target/release/xxx.zip到/es/plugins/ik下面并解压出来（注意层级关系，ik目录下直接是解压后的所有文件，不能够再有文件夹目录）
  5.重启elasticsearch服务未报错即可

IK分词器有两种Analyzer: ik_smart , ik_max_word，前者会做粗粒度的拆分，后者会做细粒度的尽可能多的拆分，一般使用后者来进行对中文的分词处理

---

• IK分词器的使用

PUT /my_index
{
  "mappings": {
    "my_type": {
      "properties": {
        "text":{
          "type": "text",
          "analyzer": "ik_max_word"
        }
      }
    }
  }
}

GET /_analyze
{
  "text":"你好 我来自深圳市 正在学习搜索技术",
  "analyzer": "ik_max_word"
}

结果可以看到被分成了很多个词

• IK分词器配置文件详解以及自定义词库
  
  • 找到ik/config目录下IKAnalyzer.cfg.xml文件，用来配置自定义词库
  • main.dic是原生词库总共27万，只要是这些词，都会被分词在一起
  • quantifier.dic是一些单位的相关词
  • suffix.dic是一些地方相关的后缀
  • surname.dic是一些姓相关的词
  • stopword.dic是英文停用词

最重要的配置是main.dic和stopword.dic

自定义词库：
修改IKAnalyzer.cfg.xml配置文件，配置自定义扩展词库和停词词库：

<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">custom/mydict.dic</entry>
     <!--用户可以在这里配置自己的扩展停止词字典-->
    <entry key="ext_stopwords">custom/ext_sotpword.dic</entry>
    <!--用户可以在这里配置远程扩展字典 -->
    <!-- <entry key="remote_ext_dict">words_location</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>

在custom/mydict.dic和custom/ext_sotpword.dic下添加自定义的停用词然后重启es

➜  config cat mydict.dic 
网红
蓝瘦香菇
鬼畜

添加以上自定义词语，然后再进行分词测试

GET /my_index/_analyze
{
  "text":"蓝瘦香菇 ",
  "analyzer": "ik_max_word"
}
返回
{
  "tokens": [
    {
      "token": "蓝瘦香菇",
      "start_offset": 0,
      "end_offset": 4,
      "type": "CN_WORD",
      "position": 0
    },
    {
      "token": "香菇",
      "start_offset": 2,
      "end_offset": 4,
      "type": "CN_WORD",
      "position": 1
    }
  ]
}

---

• 修改IK分词器源码来基于mysql热更新词库
  对于分布式的es集群，不可能去每个节点手动添加自定义的词语，还要保证不停机
  两种热更新的方案：
  
  • 1.修改ik分词器源码，然后手动支持从mysql中每隔一定时间，自动加载新的词库
  • 2.基于ik分词器原生支持的热更新方案，部署一个web服务器，提供一个http接口，通过modified和tag响应头，来提供词语的热更新

通常会采用第一种方案，对于第二种官方也不推荐，因为不太稳定

修改源码步骤如下：
1、下载源码

https://github.com/medcl/elasticsearch-analysis-ik/tree/v5.2.0

ik分词器，是个标准的java maven工程，直接导入eclipse就可以看到源码

2、修改源码

Dictionary类，169行：Dictionary单例类的初始化方法，在这里需要创建一个我们自定义的线程，并且启动它
HotDictReloadThread类：就是死循环，不断调用Dictionary.getSingleton().reLoadMainDict()，去重新加载词典
Dictionary类，389行：this.loadMySQLExtDict();
Dictionary类，683行：this.loadMySQLStopwordDict();

3、mvn package打包代码

target\releases\elasticsearch-analysis-ik-5.2.0.zip

4、解压缩ik压缩包

将mysql驱动jar，放入ik的目录下

5、修改jdbc相关配置

6、重启es

观察日志，日志中就会显示我们打印的那些东西，比如加载了什么配置，加载了什么词语，什么停用词

7、在mysql中添加词库与停用词

8、分词实验，验证热更新生效

修改源码后的代码示例：
https://github.com/huiGod/elasticsearch-analysis-ik-5.2.0-mysql