es--基础--05--集成IK分词器

es–基础–05–集成IK分词器

---

1、标准分词存在的问题

1.1、当前的数据

1.2、标准分词器

1.3、标准分词存在的问题

但是我们有"两头"的数据

1.4、标准分词器分词效果测试

http://60.205.188.229:9200/_analyze?analyzer=standard&pretty=true&text=我是程序员

{
    "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
        }
    ]
}

1. 我们可以看到标准分词器是基于每个单词进行分词的
2. 而我们期望的分词如下
   1. 我
   2. 是
   3. 程序
   4. 程序员
   5. 员
3. IK分词器可以满足我们的期望

2、IK分词器简介

1. 名称：IKAnalyzer
2. 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。
3. 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。
4. 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。

2.1、IK分词器3.0的特性

1. 采用"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. 采用多子处理器分析模式,支持以下分词处理
   1. 英文字母(IP地址、Email、URL)
   2. 数字(日期，常用中文数量词，罗马数字，科学计数法)
   3. 中文词汇(姓名、地名处理)。
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
4. 支持个人词条的优化的词典存储，更小的内存占用。
5. 支持用户词典扩展定义。
6. 针对Lucene全文检索优化的查询分析器IKQueryParser
   1. 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。

3、es集成IK分词器

1. 提供了两个分词算法
   1. ik_smart：最少切分
   2. ik_max_word:最细粒度划分

3.1、IK分词器的安装

1. 关闭原来ES服务器

2. 切换elsearch用户

3. 解压elasticsearch-analysis-ik-5.6.8.zip
   unzip elasticsearch-analysis-ik-5.6.8.zip

   

4. 移动解压出来的elasticsearch

    [elsearch@zhoufei elasticsearch]$ mv elasticsearch /usr/local/java/elasticsearch/elasticsearch-5.6.8/plugins
   

5. 重启启动ES服务器

3.2、IK分词器分词效果测试

3.2.1、ik_smart测试

http://60.205.188.229:9200/_analyze?analyzer=ik_smart&pretty=true&text=我是程序员

{
    "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
        }
    ]
}

3.2.2、ik_max_word测试

http://60.205.188.229:9200/_analyze?analyzer=ik_max_word&pretty=true&text=我是程序员

{
    "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
        }
    ]
}

3.3、文档测试

3.3.1、删除以前的索引，重新定义mapping,使用ik_smart分词器

http://60.205.188.229:9200/blog4

{
	"mappings": {
		"article": {
			"properties": {
				"id": {
					"type": "long",
					"store": true,
					"index":"not_analyzed"
				},
				"title": {
					"type": "text",
					"store": true,
					"index":"analyzed",
					"analyzer":"ik_smart"
				},
				"content": {
					"type": "text",
					"store": true,
					"index":"analyzed",
					"analyzer":"ik_smart"
				}
			}
		}
	}
}

3.3.2、重新加载数据

3.3.3、测试