es拼音分词 大帅哥_ES查询优化之中文分词优化

中文的搜索和英文的搜索最大不同之处在于分词，英文分词可以通过空格，而中文的分词则复杂很多，分词会直接影响用户的搜索使用体验，在一些大公司甚至会使用机器学习的方式进行分词。在这篇文章中笔者主要讲解ES中文分词相关的优化。

1. 网络新词

网络上经常会出现一些新词，比如“蓝瘦香菇”，蓝瘦香菇默认情况下会被分词，分词结果如下所示

蓝，瘦，香菇

这样的分词会导致搜索出很多不相关的结果，在这种情况下，我们使用扩展词库，以ik分词器为例，我们可以在/config/analysis-ik下创建一个my.dic。将”蓝瘦香菇”添加其中，修改IKAnalyzer.cfg.xml，修改IKAnalyzer.cfg.xml配置文件如下所示

重启ES，重试ik_smart分词器，分词如下所示

蓝瘦香菇

2. 分词器

分词器会直接影响分词效果。比如分别使用ik_max_word和ik_smart分别对”上海市”这个词进行分词，分词效果分别如下所示

ik_max_word
上海市，上海，海市

ik_smart
上海市

Ik_max_word分词器分词的粒度更加细，如果将它用于搜索阶段，以上文中的“上海市”这个关键词为例，分词结果“海市”关键词会搜索出很多不相关的结果，所以ik_max_word分词器建议仅仅用于索引阶段。Ik_smart分词粒度较粗，适用于搜索阶段，可以避免搜索出不相关的结果。

3. 停顿词

使用ik_max_word对短语” 美丽的世界”进行分词，分词结果如下

美丽，的，世界

上文中的”的”是一个停顿词，停顿词是一些没有意义的词语，除此之外，还有了，也，则，而等等。停顿词会干扰用户搜索结果，影响查询速度，如果用户的查询关键词中包含这些停顿词，搜索结果中会包括特别多的无实际意义的结果。所以我们需要屏蔽这些无意义的停顿词语，ES实现了该功能，ES将停顿词配置在如下两个配置文件中。

stopword.dic
extra_stopword.dic

其中stopword.dic包含了英文的停顿词比如the，and，if。而中文的停顿词放在了extra_stopword.dic当中，新增的停顿词都放在extra_stopword.dic中，extra_stopword.dic默认不生效，如果我们想让extra_stopword.dic生效，我们可以配置IKAnalyzer.cfg.xml中ext_stopwords项目，使得extra_stopword.dic生效

配置完成之后，再对短语”美丽的世界‘’进行优化，分词结果如下所示，这个时候就不会有停顿词了

美丽，世界

4. 同义词

如下有一篇文档

bilibili是国内知名的视频网站

笔者希望在搜索b站，bilibili，哔哩哔哩，弹幕网的时候都能搜索出上面的这篇文档。这种需求需要使用同义词搜索，当搜索b站的时候也会搜索bilibili，哔哩哔哩，弹幕网这几个关键词，而搜索bilibili的时候也会搜索出b站,哔哩哔哩,弹幕网, bilibili。ES提供的同义词分词过滤器可以解决这个问题，使用步骤如下

首先创建同义词词典synonyms.txt文件，内容如下所示

b站,哔哩哔哩,弹幕网, bilibili => b站,哔哩哔哩,弹幕网, bilibili

自定义分析器，这个分析器是具有同义词作用的ik分词器

PUT http://{{host}}:{{port}}/test2/_settings
{
    "settings": {
        "analysis": {
            "filter": {
                "my_synonym_filter": {
                    "type": "synonym",
                    "synonyms_path": "analysis/synonyms.txt"
                }
            },
            "analyzer": {
                "my_synonyms_analyzer": {
                    "tokenizer": "ik_smart",
                    "filter": [
                        "my_synonym_filter"
                    ]
                }
            }
        }
    }
}

synonyms_path指的是同义词词典所在的路径

设置如下所示的mapping

POST http://{{host}}:{{port}}/test2/test/_mapping
{
    "properties": {
        "title": {
            "type": "text",
            "analyzer": "ik_max_word",
            "search_analyzer": "my_synonyms_analyzer"
        }
    }
}

测试分析器

http://{{host}}:{{port}}/test2/_analyze?analyzer= my_synonyms_analyzer
{
    "text": "b站"
}

笔者预期分析器会给出如下分词结果

b站，哔哩哔哩，弹幕网, bilibili

但是实际得到的分词结果如下

b，站

这是为什么呢？请看如下这张图，查询关键词首先会经过字符过滤器，随后是分词器，随后是分词过滤器，同义词处理其实也是分词过滤器的一种，用户输入查询关键词后，查询关键词经过分词器后，”b站”这个词就不是一个完整的词了，就变成了“b”和“站”，这两个词在同义词词典里找不到同义词，就不会有哔哩哔哩，弹幕网, bilibili这些同义词了

如何处理呢，就是将b站,哔哩哔哩,弹幕网关键字加入到扩展词典中，就能避免被分词了。添加之后再次进行测试，测试结果就为预期所示了

b站，哔哩哔哩，弹幕网, bilibili