如何在Elasticsearch中安装中文分词器(IK+pinyin)
如果直接使用Elasticsearch的朋友在处理中文内容的搜索时,肯定会遇到很尴尬的问题——中文词语被分成了一个一个的汉字,当用Kibana作图的时候,按照term来分组,结果一个汉字被分成了一组。
这是因为使用了Elasticsearch中默认的标准分词器,这个分词器在处理中文的时候会把中文单词切分成一个一个的汉字,因此引入中文的分词器就能解决这个问题。
本篇文章按照下面的内容进行描述:
分词器的作用安装IK简单的测试模拟测试安装elasticsearch-analysis-pinyin简单的测试模拟测试
分词器的作用
分词顾名思义,就是把一句话分成一个一个的词。这个概念在搜索中很重要,比如 This is a banana. 如果按照普通的空格来分词,分成this,is,a,banana,的出来的a其实对我们并没有什么用处。因此需要注意下面的问题:
1 区分停顿词(a,or,and这种都属于停顿词)2 大小写转换(Banana与banana)3 时态的转换....
具体的算法可以参考/~martin/PorterStemmer/,对照的词语可以参考这里/algorithms/porter/diffs.txt
相比中文,就复杂的度了。因为中文不能单纯的依靠空格,标点这种进行分词。就比如中华人民共和国国民,不能简单的分成一个词,也不能粗暴的分成中华人民共和国和国民,人民、中华这些也都算一个词!
因此常见的分词算法就是拿一个标准的词典,关键词都在这个词典里面。然后按照几种规则去查找有没有关键词,比如:
正向最大匹配(从左到右)逆向最大匹配(从右到左)最少切分双向匹配(从左扫描一次,从右扫描一次)
IK,elasticsearch-analysis-ik提供了两种方式,ik_smart就是最少切分,ik_max_word则为细粒度的切分(可能是双向,没看过源码)
了解了分词器的背景后,就可以看一下如何在Elasticsearch重安装分词器了。
安装IK
在github中下载相应的代码,比如我的最新版本2.4.0就没有对应的ik版本,不用担心,只需要修改pom.xml就可以了:
下载后,执行mvn package,进行打包:
├─config
├─src
└─target
├─archive-tmp
├─classes
├─generated-sources
├─maven-archiver
├─maven-status
├─releases
│ └─elasticsearch-analysis-ik-1.9.5.zip
└─surefire
编译完成后,可以在target/releases目录下找到对应的zip包。
解压zip包,复制到elasticsearch-root-path/plugins/ik下即可。
[root@hadoop-master ik]# ll
total 1428
-rw-r–r-- 1 root root 263965 Sep 26 15:03 commons-codec-1.9.jar
-rw-r–r-- 1 root root 61829 Sep 26 15:03 commons-logging-1.2.jar
drwxr-xr-x 3 root root 4096 Sep 26 16:11 config
-rw-r–r-- 1 root root 56023 Sep 26 15:03 elasticsearch-analysis-ik-1.9.5.jar
-rw-r–r-- 1 root root 736658 Sep 26 15:03 httpclient-4.5.2.jar
-rw-r–r-- 1 root root 326724 Sep 26 15:03 httpcore-4.4.4.jar
-rw-r–r-- 1 root root 2666 Sep 26 15:03 plugin-descriptor.properties
[root@hadoop-master ik]# pwd
/usr/elk/elasticsearch-2.4.0/plugins/ik
拷贝后,重启elasticsearch就可以使用分词器了。
最简单的测试
这里使用_analyze api对中文段落进行分词,测试一下:
GET _analyze
{
“analyzer”:“ik_max_word”,
“text”:“中华人民共和国国歌”
}
可以看到ik尽可能多的切分的单词:
{
“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
}
]
}
如果使用ik_smart,则会尽可能少的返回词语:
{
“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
}
]
}
模拟测试
我这里直接在elastic Sense中进行测试的(强烈推荐这个插件,非常好用,不过输入中文的时候,有点BUG)
第一步,创建一个空的索引
PUT test
{
}
如果你用的是curl,可以执行curl -XPUT localhost:9200/test
第二步,设置映射类型
POST test/test/_mapping
{
“test”: {
“_all”: {
“analyzer”: “ik_max_word”,
“search_analyzer”: “ik_max_word”,
“term_vector”: “no”,
“store”: “false”
},
“properties”: {
“content”: {
“type”: “string”,
“store”: “no”,
“term_vector”: “with_positions_offsets”,
“analyzer”: “ik_max_word”,
“search_analyzer”: “ik_max_word”,
“include_in_all”: “true”,
“boost”: 8
}
}
}
}
上面的命令,是定义test索引下test类型的映射。其中定义了_all字段的分析方法,以及content属性的分析方法。
这里介绍下什么是_all字段,其实_all字段是为了在不知道搜索哪个字段时,使用的。es会把所有的字段(除非你手动设置成false),都放在_all中,然后通过分词器去解析。当你使用query_string的时候,默认就在这个_all字段上去做查询,而不需要挨个字段遍历,节省了时间。
properties中定义了特定字段的分析方式。在上面的例子中,仅仅设置了content的分析方法。
type,字段的类型为string,只有string类型才涉及到分词,像是数字之类的是不需要分词的。store,定义字段的存储方式,no代表不单独存储,查询的时候会从_source中解析。当你频繁的针对某个字段查询时,可以考虑设置成true。term_vector,定义了词的存储方式,with_position_offsets,意思是存储词语的偏移位置,在结果高亮的时候有用。analyzer,定义了索引时的分词方法search_analyzer,定义了搜索时的分词方法include_in_all,定义了是否包含在_all字段中boost,是跟计算分值相关的。
设置完成后,添加一个文档
POST test/test/1
{
“test”:“美国留给伊拉克的是个烂摊子吗”
}
POST test/test/2
{
“content”:“公安部:各地校车将享最高路权吗”
}
POST test/test/3
{
“content”:“中韩渔警冲突调查:韩警平均每天扣1艘中国渔船”
}
POST test/test/4
{
“content”:“中国驻洛杉矶领事馆遭亚裔男子枪击 嫌犯已自首”
}
最后,执行查询进行测试
GET test/_search
{
“query” : { “term” : { “content” : “中国” }},
“highlight” : {
“pre_tags” : ["", “”],
“post_tags” : ["", “”],
“fields” : {
“content” : {}
}
}
}
得到返回结果:
{
“took”: 4,
“timed_out”: false,
“_shards”: {
“total”: 5,
“successful”: 5,
“failed”: 0
},
“hits”: {
“total”: 2,
“max_score”: 1.5,
“hits”: [
{
“_index”: “test”,
“_type”: “test”,
“_id”: “4”,
“_score”: 1.5,
“_source”: {
“content”: “中国驻洛杉矶领事馆遭亚裔男子枪击 嫌犯已自首”
},
“highlight”: {
“content”: [
“中国驻洛杉矶领事馆遭亚裔男子枪击 嫌犯已自首”
]
}
},
{
“_index”: “test”,
“_type”: “test”,
“_id”: “3”,
“_score”: 0.53699243,
“_source”: {
“content”: “中韩渔警冲突调查:韩警平均每天扣1艘中国渔船”
},
“highlight”: {
“content”: [
“中韩渔警冲突调查:韩警平均每天扣1艘中国渔船”
]
}
}
]
}
}
安装elasticsearch-analysis-pinyin分词器
pinyin分词器可以让用户输入拼音,就能查找到相关的关键词。比如在某个商城搜索中,输入shuihu,就能匹配到水壶。这样的体验还是非常好的。
pinyin分词器的安装与IK是一样的,这里就省略掉了。下载的地址参考github.
这个分词器在1.8版本中,提供了两种分词规则:
pinyin,就是普通的把汉字转换成拼音;pinyin_first_letter,提取汉字的拼音首字母
简单的测试
首先创建索引,并创建分词器:
PUT medcl
{
“index” : {
“analysis” : {
“analyzer” : {
“pinyin_analyzer” : {
“tokenizer” : “my_pinyin”,
“filter” : “word_delimiter”
}
},
“tokenizer” : {
“my_pinyin” : {
“type” : “pinyin”,
“first_letter” : “none”,
“padding_char” : " "
}
}
}
}
}
然后使用analyze api,进行测试
GET medcl/_analyze
{
“text”:“刘德华”,
“analyzer”:“pinyin_analyzer”
}
可以得到结果:
{
“tokens”: [
{
“token”: “liu”,
“start_offset”: 0,
“end_offset”: 3,
“type”: “word”,
“position”: 0
},
{
“token”: “de”,
“start_offset”: 0,
“end_offset”: 3,
“type”: “word”,
“position”: 1
},
{
“token”: “hua”,
“start_offset”: 0,
“end_offset”: 3,
“type”: “word”,
“position”: 2
}
]
}
如果分词器设置为pinyin_first_letter,则分析的结果为:
{
“tokens”: [
{
“token”: “ldh”,
“start_offset”: 0,
“end_offset”: 3,
“type”: “word”,
“position”: 0
}
]
}
模拟测试
如果索引已经存在,需要先关闭索引
POST medcl/_close
{
}
然后设置分词器配置
PUT medcl/_settings
{
“index” : {
“analysis” : {
“analyzer” : {
“pinyin_analyzer” : {
“tokenizer” : “my_pinyin”,
“filter” : [“word_delimiter”,“nGram”]
}
},
“tokenizer” : {
“my_pinyin” : {
“type” : “pinyin”,
“first_letter” : “prefix”,
“padding_char” : " "
}
}
}
}
}
打开索引
POST medcl/_open
{
}
定义映射类型
POST medcl/folks/_mapping
{
“folks”: {
“properties”: {
“name”: {
“type”: “multi_field”,
“fields”: {
“name”: {
“type”: “string”,
“store”: “no”,
“term_vector”: “with_positions_offsets”,
“analyzer”: “pinyin_analyzer”,
“boost”: 10
},
“primitive”: {
“type”: “string”,
“store”: “yes”,
“analyzer”: “keyword”
}
}
}
}
}
}
提交样例数据
POST medcl/folks/1
{
“name”:“刘德华”
}
执行查询
GET medcl/folks/_search
{
“query”: {“match”: {
“name”: “l d hua”
}}
}
这里搜liu de hua,ldh,l de hua都能匹配到,还是很强大滴。
得到结果
{
“took”: 7,
“timed_out”: false,
“_shards”: {
“total”: 5,
“successful”: 5,
“failed”: 0
},
“hits”: {
“total”: 1,
“max_score”: 7.408082,
“hits”: [
{
“_index”: “medcl”,
“_type”: “folks”,
“_id”: “1”,
“_score”: 7.408082,
“_source”: {
“name”: “刘德华”
}
}
]
}
}
最佳实战
ElasticSearch实战:IK中文分词插件
官方文档
/medcl/elasticsearch-analysis-ik
/archive/p/ik-analyzer/ 这里使用了腾讯云ElasticSearch服务,已默认集成了IK中文分词插件,因此安装过程略。
我们为什么要使用IK分词插件
2.1 示例
我们以下面这个例子来做说明
1)创建索引与映射
PUT tencent
POST /tencent/bh8ank/_mapping
{
“properties”: {
“content”: {
“type”: “text”
}
}
}
2)上传数据
POST /tencent/bh8ank/1
{
“content”: “《王者荣耀》是由腾讯游戏天美工作室群开发并运行的一款运营在Android、IOS、NS平台上的MOBA类手机游戏”
}
POST /tencent/bh8ank/2
{
“content”: “谁是行业的王者?国内细分行业龙头公司最全名单汇总”
}
POST /tencent/bh8ank/3
{
“content”: “一个衰落行业的王者!还有多少荣耀?”
}
POST /tencent/bh8ank/4
{
“content”: “王小二,1999年从中国人民大学新闻系毕业,以记者身份进入中央电视台”
}
3)检索数据
GET /tencent/bh8ank/_search
{
“query”: {
“match”: {
“content”:“王者荣耀”
}
}
}
此时,我们的目的,是搜索包含“王者荣耀”的结果,但实际上,搜索结果是:
我们会发现,搜索结果中,有部分结果,并不是我们想要的。当数据量庞大时,这种问题的影响会更深。
2.2 分析
ElasticSearch对中文文本的搜索,支持度很有限。使用标准分词器的情况下,会将一段文本,分成多个“词”(word),每个“词”实际上对应单独的一个汉字。如下图,标准分词器将“王者荣耀”分为了4个独立的汉字。所以,上一步中,检索结果返回了所有包含这4个独立汉字的内容。
那么问题来了,如果我们在检索“王者荣耀”时,只想要完整包含了“王者荣耀”这个词的结果,需要怎么办呢?
我们需要一款支持中文的分词器,根据我们的需求,对中文进行分词。比如说,我们在上面检索之前,将“王者荣耀”设定为一个整体的、不可拆分的“词”,在检索时,只有完整包含“王者荣耀”这个词的结果才会被匹配,其他没有完整包含关键词的结果不能被匹配。
IK中文分词器就实现了上述的功能。 IK Analyzer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。 从12月推出1.0版开始, IKAnalyzer已经推出了4个大版本。 最初,它是以开源项目Luence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。 从3.0版本开始,IK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。 在版本中,IK实现了简单的分词歧义排除算法,标志着IK分词器从单纯的词典分词向模拟语义分词衍化。
3. IK中文分词插件怎么使用
下面,我们创建一个新的集群,仍以上面的检索为例。使用IK后,重新检索。
3.1 创建索引和映射
PUT tencent
POST /tencent/bh8ank/_mapping
{
“properties”: {
“content”: {
“type”: “text”,
“analyzer”: “ik_smart”, ##指定索引内容使用ik_smart分词
“search_analyzer”: “ik_smart” ##指定检索时,使用ik_smart分词
}
}
}
3.2 上传数据
POST /tencent/bh8ank/1
{
“content”: “《王者荣耀》是由腾讯游戏天美工作室群开发并运行的一款运营在Android、IOS、NS平台上的MOBA类手机游戏”
}
POST /tencent/bh8ank/2
{
“content”: “谁是行业的王者?国内细分行业龙头公司最全名单汇总”
}
POST /tencent/bh8ank/3
{
“content”: “一个衰落行业的王者!还有多少荣耀?”
}
POST /tencent/bh8ank/4
{
“content”: “王小二,1999年从中国人民大学新闻系毕业,以记者身份进入中央电视台”
}
3.3 检索数据
GET /tencent/bh8ank/_search
{
“query”: {
“match”: {
“content”:“王者荣耀”
}
}
}
查看结果,我们发现,并没有像我们期待的那样只返回完整包含了“王者荣耀”的结果,而是依旧返回了很多我们不需要的结果。如下图:
那么,问题出在哪里呢?
我们来看看,ik_smart是如何处理“王者荣耀”的,默认情况下,ik_smart对“王者荣耀”的拆分处理:
如上图,ik_smart将“王者荣耀”拆分为了两个词“王者”和“荣耀”,因此,在上一步检索时,返回了所有包含这两个词的结果。
那么,问题又来了,我们如何让IK插件准确地将“王者荣耀”识别为一个完整、独立的词呢?
3.4 上传启用词库
IK插件提供了启用词库的功能,这个功能,通过用户上传自定义的词库来实现。词库中定义的词,将不会被拆分,而是直接当做一个完整、独立的词来处理。
词库的制作需要注意两点:1,后缀以.dic格式命名;2,文件内容为utf-8编码,每行一个词
因此,我们需要制作一个词库,如下图:
然后上传至当前使用了ElasticSearch集群,如下图:
等待几分钟,词库生效。
3.5 再次检索数据
GET /tencent/bh8ank/_search
{
“query”: {
“match”: {
“content”:“王者荣耀”
}
}
}
查看检索结果,如下图上传启用词库后的检索结果:
4. 总结
IK中文分词插件的其他相关内容这里暂不赘述。启用词库的作用,主要是方便用户对某些自定义的词组进行统一处理,避免因拆分过度导致出现非期望的检索结果。
参考文章
更多相关知识和参考文章来源可以关注我的博客站点