Elasticsearch进阶篇(三)：ik分词器的使用与项目应用

一、下载并安装

GitHub下载地址：Releases · infinilabs/analysis-ik · GitHub
1.1 已有作者编译后的包文件

选择与所需es版本相同的ik分词器，下载已经打包后的.zip文件

1.2 只有源代码的版本

首先下载源码解压后使用idea打开，修改es版本与分词器版本相同

使用 mvn clean install 打包时报错：

1. [ERROR] Failed to execute goal org.apache.maven.plugins:maven-compiler-plugin:3.5.1:compile (default-compile) on project elasticsearch-analysis-ik: Compilation failure
2. [ERROR] /D:/PersonalProjects/analysis-ik-7.17.11/analysis-ik-7.17.11/src/main/java/org/elasticsearch/index/analysis/IkAnalyzerProvider.java:[13,9] 无法将类 org.elasticsearch.index.analysis.AbstractIndexAnalyzerProvider<T>中的构造器
3. AbstractIndexAnalyzerProvider应用到给定类型;
4. [ERROR]   需要: org.elasticsearch.index.IndexSettings,java.lang.String,org.elasticsearch.common.settings.Settings
5. [ERROR]   找到: java.lang.String,org.elasticsearch.common.settings.Settings

复制代码

修改代码报错部门：增长indexSetting参数到super入参的第一个位置

使用mvn clean install举行打包，注意我们所需的是/target/release目录下的.zip压缩包

1.3 安装ik分词插件

将下载大概编译后的.zip文件解压到es的安装目录下的plugins目录下，并重命名为ik

然后启动es，查看日志可发现已经加载的ik分词器

二、ik分词器的模式

IK分词器提供了两种主要的分词模式：

• 细粒度分词模式（ik_max_word）：
  
  
  
  • 在这种模式下，IK分词器会尽大概地按照辞书中的词语举行最大长度匹配，将文本切分成连续的词语序列。
    
  • 这种模式实用于对文本举行过细的切分，会尽大概地将句子切分为最小的词语单位，可以大概得到更加准确的分词结果。
    
  
  
• 智能分词模式（ik_smart）：
  
  
  
  • 在智能切分模式下，IK分词器会团结辞书匹配和机器学习算法，根据文本的上下文信息举行分词，保留词语的完整性。
    
  • 这种模式可以大概更好地处理惩罚一些特殊情况，如未登录词和新词等，进步了分词的准确性和实用性。
    
  
  

2.1 ik_smart演示

1. POST _analyze
2. {
3.   "analyzer": "ik_smart",
4.   "text": "中国篮球队"
5. }

复制代码

1. {
2.     "tokens": [
3.         {
4.             "token": "中国",
5.             "start_offset": 0,
6.             "end_offset": 2,
7.             "type": "CN_WORD",
8.             "position": 0
9.         },
10.         {
11.             "token": "篮球队",
12.             "start_offset": 2,
13.             "end_offset": 5,
14.             "type": "CN_WORD",
15.             "position": 1
16.         }
17.     ]
18. }

复制代码

2.2 ik_max_word演示

1. POST _analyze
2. {
3.   "analyzer": "ik_max_word",
4.   "text": "中国篮球队"
5. }

复制代码

1. {
2.     "tokens": [
3.         {
4.             "token": "中国篮球",
5.             "start_offset": 0,
6.             "end_offset": 4,
7.             "type": "CN_WORD",
8.             "position": 0
9.         },
10.         {
11.             "token": "中国",
12.             "start_offset": 0,
13.             "end_offset": 2,
14.             "type": "CN_WORD",
15.             "position": 1
16.         },
17.         {
18.             "token": "篮球队",
19.             "start_offset": 2,
20.             "end_offset": 5,
21.             "type": "CN_WORD",
22.             "position": 2
23.         },
24.         {
25.             "token": "篮球",
26.             "start_offset": 2,
27.             "end_offset": 4,
28.             "type": "CN_WORD",
29.             "position": 3
30.         },
31.         {
32.             "token": "球队",
33.             "start_offset": 3,
34.             "end_offset": 5,
35.             "type": "CN_WORD",
36.             "position": 4
37.         }
38.     ]
39. }

复制代码

2.3 standard演示

1. POST _analyze
2. {
3.   "analyzer": "standard",
4.   "text": "中国篮球队"
5. }

复制代码

1. {
2.     "tokens": [
3.         {
4.             "token": "中",
5.             "start_offset": 0,
6.             "end_offset": 1,
7.             "type": "<IDEOGRAPHIC>",
8.             "position": 0
9.         },
10.         {
11.             "token": "国",
12.             "start_offset": 1,
13.             "end_offset": 2,
14.             "type": "<IDEOGRAPHIC>",
15.             "position": 1
16.         },
17.         {
18.             "token": "篮",
19.             "start_offset": 2,
20.             "end_offset": 3,
21.             "type": "<IDEOGRAPHIC>",
22.             "position": 2
23.         },
24.         {
25.             "token": "球",
26.             "start_offset": 3,
27.             "end_offset": 4,
28.             "type": "<IDEOGRAPHIC>",
29.             "position": 3
30.         },
31.         {
32.             "token": "队",
33.             "start_offset": 4,
34.             "end_offset": 5,
35.             "type": "<IDEOGRAPHIC>",
36.             "position": 4
37.         }
38.     ]
39. }

复制代码

三、ik分词器在项目中的使用

通例的最常用的使用方式就是，数据插入存储时用 ik_max_word模式分词，而检索时，用ik_smart模式分词，即：索引时最大化的将文章内容分词，搜索时更准确的搜索到想要的结果。
建立映射示例如下：在数据被索引时我们设置"analyzer": “ik_max_word”，在检索时指定"search_analyzer": “ik_smart”

1. {
2.   "properties": {
3.     "id": {
4.       "type": "long"
5.     },
6.     "title": {
7.       "type": "text",
8.       "analyzer": "ik_max_word",
9.       "search_analyzer": "ik_smart",
10.       "fields": {
11.         "keyword": {
12.           "type": "keyword"
13.         },
14.         "sort": {
15.           "type": "keyword",
16.           "normalizer": "sort_normalizer"
17.         }
18.       }
19.     },
20.     "content": {
21.       "type": "text",
22.       "analyzer": "ik_max_word",
23.       "search_analyzer": "ik_smart"
24.     }
25.   }
26. }

复制代码

输入检索词艺术歌曲，由于在mapping中设置了 “search_analyzer”: “ik_smart”，因此默认使用最大分词，根据bm25算分后返回结果如下

四、ik设置文件

4.1 设置文件的说明

设置文件地址：\plugins\ik\config

• IKAnalyzer.cfg.xml：
  这是IK分词器的主要设置文件，用于设置分词器的一些参数和规则。例如，可以在这个文件中指定自界说辞书、停用词表、分词模式等。
  
• ext.dic：
  这是一个外部用户辞书文件，用于存放用户自界说的词语。IK分词器在举行分词时会优先使用这个辞书中的词语，可以用来补充分词器的默认辞书，进步分词准确性。
  
• stopword.dic：
  这是一个停用词表文件，用于存放须要在分词过程中忽略的常用词语。停用词通常是一些没有现实语义大概在特定场景中可有可无的词语，如“的”、“是”、“在”等。
  
• quantifier.dic：
  这是一个量词辞书文件，用于存放中文中常见的量词，如“个”、“只”、“张”等。这些量词在分词过程中通常会被特别处理惩罚，以确保其精确分词。
  
• main.dic：ik原生内置的中文词库，总共有27万多条，只要是这些单词，都会被分在一起，都会按照这个内里的词语去分词
  
• preposition.dic: 介词
  
• surname.dic：中国的姓氏
  

4.2 自界说词库

每年都会出现新的流行语大概新的词语，但是自带的词库并未收录导致被分词。我们可以使用自界说词库来办理此问题。
示例：

新增自界说词库 diy_word.dic,同时修改设置文件，指定自界说词库的名称。保存后重启es

检索结果如下：

五、参考链接

[1] ElasticSearch7.3学习(十五)----中文分词器(IK Analyzer)及自界说词库_eleasticsearch ikanalyzer已经内置了词库是干什么用-CSDN博客
[2] ElasticSearch（ES）、ik分词器、倒排索引相关介绍 - 一剑一叶一花 - 博客园 (cnblogs.com)

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。