vlambda博客
学习文章列表

ES[7.6.x]学习笔记(七)IK中文分词器

在上一节中,我们给大家介绍了ES的分析器,我相信大家对ES的全文搜索已经有了深刻的印象。分析器包含3个部分:字符过滤器、分词器、分词过滤器。在上一节的例子,大家发现了,都是英文的例子,是吧?因为ES是外国人写的嘛,中国如果要在这方面赶上来,还是需要屏幕前的小伙伴们的~

英文呢,我们可以按照空格将一句话、一篇文章进行分词,然后对分词进行过滤,最后留下有意义的词。但是中文怎么分呢?中文的一句话是没有空格的,这就要有一个强大的中文词库,当你的内容中出现这个词时,就会将这个词提炼出来。这里大家也不用重复造轮子,经过前辈的努力,这个中文的分词器已经有了,它就是今天要给大家介绍的IK中文分词器

IK中文分词器的安装

ES默认是没有IK中文分词器的,我们要将IK中文分词器作为一个插件安装到ES中,安装的步骤也很简单:

  1. 在我们的ES的插件目录中(${ES_HOME}/plugins)创建ik目录,

    mkdir ik
  2. 将我们下载好的IK分词器解压到ik目录,这里我们安装unzip命令,进行解压。

  3. 重启我们所有的ES服务。

到这里,我们的IK中文分词器就安装完了。

IK中文分词器初探

在上一节我们访问了ES的分析器接口,指定了分析器和文本的内容,我们就可以看到分词的结果。那么既然我们已经安装了Ik中文分词器,当然要看一下效果了。在看效果之前,我们先要说一下,IK中文分词器插件给我们提供了两个分析器

  • ik_max_word: 会将文本做最细粒度的拆分

  • ik_smart:会做最粗粒度的拆分

我们先看看ik_max_word的分析效果吧,

POST _analyze
{
 "analyzer": "ik_max_word",
 "text":     "中华人民共和国国歌"
}

我们指定分词器为ik_max_word,文本内容为中华人民共和国国歌。我们看一下分词的结果:

{
   "tokens": [
      {
           "token": "中华人民共和国",
           "start_offset": 0,
           "end_offset": 7,
           "type": "CN_WORD",
           "position": 0
      },
      {
           "token": "中华人民",
           "start_offset": 0,
           "end_offset": 4,
           "type": "CN_WORD",
           "position": 1
      },
      {
           "token": "中华",
           "start_offset": 0,
           "end_offset": 2,
           "type": "CN_WORD",
           "position": 2
      },
      {
           "token": "华人",
           "start_offset": 1,
           "end_offset": 3,
           "type": "CN_WORD",
           "position": 3
      },
      {
           "token": "人民共和国",
           "start_offset": 2,
           "end_offset": 7,
           "type": "CN_WORD",
           "position": 4
      },
      {
           "token": "人民",
           "start_offset": 2,
           "end_offset": 4,
           "type": "CN_WORD",
           "position": 5
      },
      {
           "token": "共和国",
           "start_offset": 4,
           "end_offset": 7,
           "type": "CN_WORD",
           "position": 6
      },
      {
           "token": "共和",
           "start_offset": 4,
           "end_offset": 6,
           "type": "CN_WORD",
           "position": 7
      },
      {
           "token": "国",
           "start_offset": 6,
           "end_offset": 7,
           "type": "CN_CHAR",
           "position": 8
      },
      {
           "token": "国歌",
           "start_offset": 7,
           "end_offset": 9,
           "type": "CN_WORD",
           "position": 9
      }
  ]
}

我们可以看到,分词分的非常细,我们在使用上面的这些进行搜索时,都可以搜索到中华人民共和国国歌这个文本。我们再看一下另外一个分析器ik_smart

POST _analyze
{
 "analyzer": "ik_smart",
 "text":     "中华人民共和国国歌"
}

我们的文本内容同样是中华人民共和国国歌,看一下分词的效果,

{
   "tokens": [
      {
           "token": "中华人民共和国",
           "start_offset": 0,
           "end_offset": 7,
           "type": "CN_WORD",
           "position": 0
      },
      {
           "token": "国歌",
           "start_offset": 7,
           "end_offset": 9,
           "type": "CN_WORD",
           "position": 1
      }
  ]
}

同样的文本,使用ik_smart进行分词时,只分成了两个词,和ik_max_word分词器比少了很多。这就是两个分词器的区别,不过这两个分析器都是可以对中文进行分词的。

创建索引时指定IK分词器

既然我们安装了IK中文分词器的插件,那么我们在创建索引时就可以为text类型的字段指定IK中文分词器了。来看看下面的例子,

PUT ik_index
{
"mappings": {
"properties": {
"id": {
"type": "long"
},
"title": {
"type": "text",
"analyzer": "ik_max_word"
}
}
}
}

我们创建了索引ik_index,并且为字段title指定了分词器ik_max_word。我们执行一下,创建成功。然后我们再通过GET请求看一下这个索引的映射情况。

GET ik_index/_mapping

返回的结果如下:

{
   "ik_index": {
       "mappings": {
           "properties": {
               "id": {
                   "type": "long"
              },
               "title": {
                   "type": "text",
                   "analyzer": "ik_max_word"
              }
          }
      }
  }
}

我们可以看到title字段的分析器是ik_max_word

为索引指定默认IK分词器

在上一节中,我们已经给大家介绍了为索引指定默认分词器的方法,这里我们直接把分词器改为IK分词器就可以了,如下:

PUT ik_index
{
 "settings": {
   "analysis": {
     "analyzer": {
       "default": {
         "type": "ik_max_word"
      }
    }
  }
}
}

这样我们在索引中就不用创建每一个字段,可以通过动态字段映射,将String类型的字段映射为text类型,同时分词器指定为ik_max_word。我们试一下,向ik_index索引中添加一条记录。

POST ik_index/_doc/1
{
"id": 1,
"title": "大兴庞各庄的西瓜",
"desc": "大兴庞各庄的西瓜真是好吃,脆沙瓤,甜掉牙"
}

执行成功。我们再执行搜索试一下,如下:

POST ik_index/_search
{
 "query": { "match": { "title": "西瓜" } }
}

我们搜索title字段匹配西瓜,执行结果如下:

{
   "took": 2,
   "timed_out": false,
   "_shards": {
       "total": 1,
       "successful": 1,
       "skipped": 0,
       "failed": 0
  },
   "hits": {
       "total": {
           "value": 1,
           "relation": "eq"
      },
       "max_score": 0.2876821,
       "hits": [
          {
               "_index": "ik_index",
               "_type": "_doc",
               "_id": "1",
               "_score": 0.2876821,
               "_source": {
                   "id": 1,
                   "title": "大兴庞各庄的西瓜",
                   "desc": "大兴庞各庄的西瓜真是好吃,脆沙瓤,甜掉牙"
              }
          }
      ]
  }
}

我们可以看到刚才插入的那条记录已经搜索出来了,看来我们的IK中文分词器起作用了,而且搜索的结果也符合我们的预期。我们再看看搜索西一个字的时候,能不能搜索到结果,

POST ik_index/_search
{
 "query": { "match": { "title": "西" } }
}

执行结果如下:

{
   "took": 4,
   "timed_out": false,
   "_shards": {
       "total": 1,
       "successful": 1,
       "skipped": 0,
       "failed": 0
  },
   "hits": {
       "total": {
           "value": 0,
           "relation": "eq"
      },
       "max_score": null,
       "hits": []
  }
}

并没有搜索出结果,说明在进行分词时,西瓜是作为一个词出现的,并没有拆分成每一个字,这也是符合我们预期的。

好了~ 这一节的IK中文分词器就给大家介绍到这里了~~