【ES三周年】ElasticSearch中文分词

2023-02-21 17:07:47 浏览数 (2)

一、前言

本文咱们深入一些，详细分析一下Elasticsearch的中文分词，并顺便演示一下对docker安装的Elasticsearch如何支持中文分词的疑问。好了，废话不多说，让我们开始吧！

二、内置分词器解析

咱们知道Elasticsearch之所以模糊查询这么快，是因为采用了倒排索引，而倒排索引的核心就是分词，把text格式的字段按照分词器进行分词并编排索引。为了发挥自己的优势，Elasticsearch已经提供了多种功能强大的内置分词器，它们的作用都是怎样的呢？能处理中文吗？咱们往下看！

2.1、内置分词器梳理

首先咱们可以对Elasticsearch提供的内置分词器的作用进行如下总结：

分词器

作用

Standard

ES默认分词器，按单词分类并进行小写处理

Simple

按照非字母切分，然后去除非字母并进行小写处理

Stop

按照停用词过滤并进行小写处理，停用词包括the、a、is

Whitespace

按照空格切分

Language

据说提供了30多种常见语言的分词器

Patter

按照正则表达式进行分词，默认是W ,代表非字母

Keyword

不进行分词，作为一个整体输出

可以发现，这些内置分词器擅长处理单词和字母，所以如果咱们要处理的是英文数据的话，它们的功能可以说已经很全面了！那处理中文效果怎么样呢？下面咱们举例验证一下。

2.2、内置分词器对中文的局限性

1.首先咱们创建一个索引，并批量插入一些包含中文和英文的数据：

代码语言：javascript复制
// 创建索引
PUT /ropledata
{
  "settings": { 
    "number_of_shards": "2", 
    "number_of_replicas": "0"
  } 
}
// 批量插入数据
POST _bulk
{ "create" : { "_index" : "ropledata", "_id" : "1001" } }
{"id":1,"name": "且听风吟","hobby": "music and movie"}
{ "create" : { "_index" : "ropledata", "_id" : "1002" } }
{"id":2,"name": "静待花开","hobby": "music"}
{ "create" : { "_index" : "ropledata", "_id" : "1003" } }
{"id":3,"name": "大数据","hobby": "movie"}
{ "create" : { "_index" : "ropledata", "_id" : "1004" } }
{"id":4,"name": "且听_风吟","hobby": "run"}

运行结果：

在kibana的Dev Tools里执行情况：

查看Elasticsearch head里ropledata索引下的数据：

2.使用iterm查询匹配的数据，分别对比中文英文：

首先咱们查询爱好包含 ”music“ 的用户数据，根据咱们之前录入的数据，应该返回第一条和第二条才对，代码如下：

代码语言：javascript复制
POST /ropledata/_search
{
  "query" : {
    "term" : {
      "hobby" : "music"
    }
  }
}

运行结果：

可以看到，很顺利的就查出来咱们期望的数据，所以在英文词汇下，即使是默认的分词器Standard也够用了。

然后咱们试一下查找名字包含 “风吟” 的用户，理想情况下，应该能返回第一条和第四条数据才对，咱们执行如下代码：

代码语言：javascript复制
POST /ropledata/_search
{
  "query" : {
    "term" : {
      "name" : "风吟"
    }
  }
}

运行结果：

我们可以发现，查中文词汇居然什么都没有匹配到，好奇怪呀！

疑问一：为什么在默认分词器下，不能查找到词汇呢？

因为咱们中文是非常博大精深的，词汇是由多个汉字组成的，不像英文，一个词汇就是一个单词，比如“music”对应音乐，汉字需要两个字才可以表示。而内置分词器是没有考虑到这类情况的，所以它们切分汉字时就会全部切分成单个汉字了，因此咱们找不到“风吟”这条数据，但是应该可以找到“风”这条数据，咱们接下来试一下。

根据刚才的解释，咱们查找一个包含 “风” 的数据，代码如下：

代码语言：javascript复制
POST /ropledata/_search
{
  "query" : {
    "term" : {
      "name" : "风"
    }
  }
}

运行结果：

所以，咱们刚才对这个疑问的解释是正确的。如果想匹配到某条数据而不想让它分词，需要使用keyword，这样对应的text就会作为一个整体来查询：

3.便捷分词器测试技巧

其实咱们测试分词器对词汇的分词，有一个更简便的方法，就是利用Elasticsearch的_analyze，比如咱们想看“且听风吟”被默认分词器standard分词后的效果，只需要执行如下代码：

代码语言：javascript复制
POST /_analyze
{
  "analyzer":"standard",
  "text":"且听风吟"
}

运行结果：

这样看就更加简单直观了，咱们可以看到不同分词器对text格式数据的分词结果，感兴趣的朋友可以把所有的分词器都玩一玩。

为了解决中文分词的问题，咱们需要掌握至少一种中文分词器，常用的中文分词器有IK、jieba、THULAC等，推荐使用IK分词器，这也是目前使用最多的分词器，接下来咱们在docker环境下把IK分词器装一下。

三、安装IK分词器

3.1、下载IK分词器

代码语言：javascript复制
下载地址：https://github.com/medcl/elasticsearch-analysis-ik/releases

3.2、编译源码包

1.下载源码包

如果没有提供编译好的包，那么咱们就要下载源码包，自己编译了。首先把源码包下载下来，比如咱们选择zip格式的：

2.解压并进入解压后的文件夹

3.执行mvn编译

代码语言：javascript复制
mvn clean
mvn compile
mvn package

4.mvn编译完成后，会在elasticsearch-analysis-ik-7.7.0/target/releases目录下生成一个zip文件：

5.解压这个zip文件，并删除原本的zip包：

代码语言：javascript复制
unzip elasticsearch-analysis-ik-7.4.0.zip
rm -rf elasticsearch-analysis-ik-7.4.0.zip

6.修改plugin-descriptor.properties包里的最后的Elasticsearch版本：

代码语言：javascript复制
vi plugin-descriptor.properties

7.修改后按ESC键，并输入:wq保存退出，这时候咱们的ik插件包就准备好了，如果官网有的话，下载下来也是这样的。

3.3、上传编译好的包到Elasticsearch

到这里，咱们已经有编译好的包了，不管是官方提供的，还是自己编译的，都是一样的。

1.首先新建文件夹ik，然后把咱们下载的或者自己编译好的ik源码包里的文件都复制进去：

2.使用docker cp命令把ik文件夹及里面的文件都上传到容器的/home/elasticsearch/elasticsearch-7.7.0/plugins/目录下：

代码语言：javascript复制
语法格式：docker cp 本地文件或文件夹路径 容器ID:容器文件或文件夹路径

docker cp  ../ik a79d4cddb331:/home/elasticsearch/elasticsearch-7.7.0/plugins/

3.然后重启咱们的容器就搞定了：

代码语言：javascript复制
docker restart a79d4cddb331

到这里，咱们已经把ik分词器插件安装成功了，下面就开始愉快的玩耍吧！

四、玩转ik分词器

4.1、测试ik分词器

根据官方的建议，ik分词器的名字可以使用：ik_smart,ik_max_word：

咱们可以在kibana的dev tools里执行如下代码，来测试ik分词器对中文的分词效果：

代码语言：javascript复制
POST /_analyze 
{
"analyzer": "ik_max_word",
"text": "且听风吟" 
}

运行结果：

4.2、来个小案例加深理解

下面创建一个索引，然后要求对中文部分的text用ik分词器来解析，来观察ik分词器的效果。

1.创建一个索引

代码语言：javascript复制
PUT /ropledata
{
  "settings": {
    "index": {
      "number_of_shards": "2",
      "number_of_replicas": "0"
    }
  },
  "mappings": {
    "properties": {
      "id": {
        "type": "integer"
      },
      "name": {
        "type": "text",
        "analyzer": "ik_max_word"
      },
      "hobby": {
        "type": "text"
      }
    }
  }
}

2.批量添加数据

代码语言：javascript复制
POST _bulk
{ "create" : { "_index" : "ropledata", "_id" : "1001" } }
{"id":1,"name": "且听风吟，静待花开","hobby": "music and movie"}
{ "create" : { "_index" : "ropledata", "_id" : "1002" } }
{"id":2,"name": "且听_风吟","hobby": "music"}
{ "create" : { "_index" : "ropledata", "_id" : "1003" } }
{"id":3,"name": "大数据领域","hobby": "movie"}
{ "create" : { "_index" : "ropledata", "_id" : "1004" } }
{"id":4,"name": "一起学习","hobby": "run"}

在kibana里可以看到，数据已经插入成功：

3.首先验证一下英文默认分词效果，查找hobby包含music的数据：

代码语言：javascript复制
POST /ropledata/_search
{
  "query": {
    "match": {
      "hobby": "music"
    }
  }
}

4.然后验证一下中文ik分词器效果，查找name包含风吟的数据：

代码语言：javascript复制
POST /ropledata/_search
{
  "query": {
    "match": {
      "name": "风吟"
    }
  }
}

疑问二：ik分词器是根据什么来分词的呢？如果有些特殊的词汇比如人名，店名，网名，想根据自己的要求特殊处理来分词，能不能解决呢？

ik分词器本身维护了一个超大的词汇文本，里面有非常多的中文词汇。这个文件在ik/config/下，名为main.dic，咱们可以打开看看：

如果要根据自己的特殊词汇来切分，咱们可以把想要切分成的词汇加入到这个文件里面就可以了。

五、总结

本文我们围绕Elasticsearch的分词器，从内置分词器的局限性出发，引出了中文分词器，然后详细介绍了ik分词器的编译和在docker容器环境下的安装和使用，其实在linux环境下步骤也是差不多的。不知道看完之后，大家对Elasticsearch在中文分词的学习方面有没有更进一步呢？

ElasticsearchService 大数据 中文分词

0 人点赞