ES中的分析器和IK分词器插件

一些概念

Token（词元）

全文搜索引擎会用某种算法对要建索引的文档进行分析， 从文档中提取出若干Tokenizer(分词器)

Tokenizer(分词器)

这些算法叫做Tokenizer(分词器)

Token Filter(词元处理器)

这些Token会被进一步处理， 比如转成小写等， 这些处理算法被称为TokenFilter(词元处理器)

Term(词)

被处理后的结果被称为Term(词)

Character Filter(字符过滤器)

文本被Tokenizer处理前可能要做一些预处理， 比如去掉里面的HTML标记， 这些处理的算法被称为Character Filter(字符过滤器)

Analyzer(分析器)

这整个的分析算法被称为Analyzer(分析器)

Analyzer（分析器）由Tokenizer（分词器）和Filter（过滤器）组成

图片

ES中的分词器

ES内置分析器

• standard analyzer
• simple analyzer
• stop analyzer
• keyword analyzer
• pattern analyzer
• language analyzers
• snowball analyzer
• custom analyzer

ES内置分析器

• standard tokenizer
• edge ngram tokenizer
• keyword tokenizer
• letter analyzer
• lowercase analyzer
• ngram analyzers
• whitespace analyzer
• pattern analyzer
• uax email url analyzer
• path hierarchy analyzer

ES内置过滤器

• standard filter
• ascii folding filter
• length filter
• lowercase filter
• ngram filter
• edge ngram filter
• porter stem filter
• shingle filter
• stop filter stop
• word delimiter filter
• stemmer token filter
• stemmer override filter
• keyword marker filter
• keyword repeat filter
• kstem filter
• snowball filter
• phonetic filter
• synonym filter
• compound word filter
• reverse filter
• elision filter
• truncate filter
• unique filter
• pattern capture filter
• pattern replace filter
• trim filter
• limit token count filter
• hunspell filter
• common grams filter
• normalization filter

ES内置的character filter

• mapping char filter 根据配置的映射关系替换字符
• html strip char filter 去掉HTML元素
• pattern replace char filter 用正则表达式处理字符串

【声明：转载请注明出处
独立：http://wangnan.tech
简书：http://www.jianshu.com/u/244399b1d776
CSDN:http://blog.csdn.net/wangnan9279】

自定义分析器

ES允许用户通过配置文件elasticsearch.yml自定义分析器Analyzer

    index:
           analysis:
                     analyzer:
                            myAnalyzer:
                                   tokenizer: standard
                                   filter: [standard, lowercase, stop]

也可以使用第三方分析器，比如IKAnalyzer

IKAnalyzer

IK简介

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4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。从3.0版本开 始，IK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。在2012版本中，IK实现了简单的分词 歧义排除算法，标志着IK分词器从单纯的词典分词向模拟语义分词衍化。

IK Analyzer 2012特性

1.采用了特有的“正向迭代最细粒度切分算法“，支持细粒度和智能分词两种切分模式；

2.在系统环境：Core2 i7 3.4G双核，4G内存，window 7 64位， Sun JDK 1.6_29 64位 普通pc环境测试，IK2012具有160万字/秒（3000KB/S）的高速处理能力。

3.2012版本的智能分词模式支持简单的分词排歧义处理和数量词合并输出。

4.采用了多子处理器分析模式，支持：英文字母、数字、中文词汇等分词处理，兼容韩文、日文字符

5.优化的词典存储，更小的内存占用。支持用户词典扩展定义。特别的，在2012版本，词典支持中文，英文，数字混合词语。

安装

1. 通过git clone https://github.com/medcl/elasticsearch-analysis-ik，下载分词器源码
2. 执行命令：mvn clean package，打包生成elasticsearch-analysis-ik-1.2.5.jar
3. 将这个jar拷贝到ES_HOME/plugins/analysis-ik目录下面，如果没有该目录，则先创建该目录
4. ES_HOME/config/elasticsearch.yml文件在文件最后加入如下内容：

index:
  analysis:                   
    analyzer:      
      ik:
          alias: [ik_analyzer]
          type: org.elasticsearch.index.analysis.IkAnalyzerProvider
      ik_max_word:
          type: ik
          use_smart: false
      ik_smart:
          type: ik
          use_smart: true
index.analysis.analyzer.default.type: ik

测试

1. 创建一个索引，名为index。

curl -XPUT http://localhost:9200/index

1. 为索引index创建mapping

curl -XPOST http://localhost:9200/index/fulltext/_mapping -d'
{
    "fulltext": {
             "_all": {
            "analyzer": "ik"
        },
        "properties": {
            "content": {
                "type" : "string",
                "boost" : 8.0,
                "term_vector" : "with_positions_offsets",
                "analyzer" : "ik",
                "include_in_all" : true
            }
        }
    }
}'

1. 测试

curl 'http://localhost:9200/index/_analyze?analyzer=ik&pretty=true' -d '
{
"text":"世界如此之大"
}'

4.显示结果

{
  "tokens" : [ {
    "token" : "text",
    "start_offset" : 4,
    "end_offset" : 8,
    "type" : "ENGLISH",
    "position" : 1
  }, {
    "token" : "世界",
    "start_offset" : 11,
    "end_offset" : 13,
    "type" : "CN_WORD",
    "position" : 2
  }, {
    "token" : "如此",
    "start_offset" : 13,
    "end_offset" : 15,
    "type" : "CN_WORD",
    "position" : 3
  }, {
    "token" : "之大",
    "start_offset" : 15,
    "end_offset" : 17,
    "type" : "CN_WORD",
    "position" : 4
  } ]
}