Elasticsearch中ik分词器的使用

时间 2019-11-06

原文原文链接

1.Elasticsearch默认分词器

我在以前的文章中介绍过 Elasticsearch的安装和使用，这里咱们使用Kibina做为工具来操做es，可使用es的_analyze来分析分词器的分词结果。git

ES默认的分词器为英文分词器，对英文句子能作到比较好的分词，咱们看一个例子。当输入如下请求时，对"What's your name"句子进行分词，能看到将几个词都分了出来。github

POST _analyze
{
  "tokenizer": "standard",
  "text": "What's your name"
}        复制代码

{
  "tokens" : [
    {
      "token" : "What's",
      "start_offset" : 0,
      "end_offset" : 6,
      "type" : "<ALPHANUM>",
      "position" : 0
    },
    {
      "token" : "your",
      "start_offset" : 7,
      "end_offset" : 11,
      "type" : "<ALPHANUM>",
      "position" : 1
    },
    {
      "token" : "name",
      "start_offset" : 12,
      "end_offset" : 16,
      "type" : "<ALPHANUM>",
      "position" : 2
    }
  ]
}复制代码

当输入中文"你叫什么名字"时，能够看到标准分词器将句子分红了一个一个的字，这显然在咱们实际使用的过程当中是没办法接受的。bash

POST _analyze
{
  "tokenizer": "standard",
  "text": "你叫什么名字"
}复制代码

{
  "tokens" : [
    {
      "token" : "你",
      "start_offset" : 0,
      "end_offset" : 1,
      "type" : "<IDEOGRAPHIC>",
      "position" : 0
    },
    {
      "token" : "叫",
      "start_offset" : 1,
      "end_offset" : 2,
      "type" : "<IDEOGRAPHIC>",
      "position" : 1
    },
    {
      "token" : "什",
      "start_offset" : 2,
      "end_offset" : 3,
      "type" : "<IDEOGRAPHIC>",
      "position" : 2
    },
    {
      "token" : "么",
      "start_offset" : 3,
      "end_offset" : 4,
      "type" : "<IDEOGRAPHIC>",
      "position" : 3
    },
    {
      "token" : "名",
      "start_offset" : 4,
      "end_offset" : 5,
      "type" : "<IDEOGRAPHIC>",
      "position" : 4
    },
    {
      "token" : "字",
      "start_offset" : 5,
      "end_offset" : 6,
      "type" : "<IDEOGRAPHIC>",
      "position" : 5
    }
  ]
}
复制代码

2. IK分词器

因为英文句子都是使用空{ "tokens" : [ { "token" : "你", "start_offset" : 0, "end_offset" : 1, "type" : "CN_CHAR", "position" : 0 }, { "token" : "叫什么", "start_offset" : 1, "end_offset" : 4, "type" : "CN_WORD", "position" : 1 }, { "token" : "名字", "start_offset" : 4, "end_offset" : 6, "type" : "CN_WORD", "position" : 2 } ] } 格进行分隔，所以在分词比较明确，可是中文因为语言特性，分词比较难分，也容易产生分词歧义，若是本身开发分词器，成本会比较大，因此通常在使用过程当中都会用一些分词器，比较著名的有Jieba分词器，hanlp等，咱们这里介绍一个es的插件分词器，ik分词器。能够从github下载分词器的压缩包，下载地址: github.com/medcl/elast… ，在es的plugins目录下建立一个ik的目录，把解压后的文件放到ik目录下，而后重启Elasticsearch。app

这时，咱们把以前的分词器换成ik_smart，再来看效果。能够看到用ik_smart已经可以将中文进行分词。elasticsearch

POST _analyze
{
  "tokenizer": "ik_smart",
  "text": "你叫什么名字"
}复制代码

{
  "tokens" : [
    {
      "token" : "你",
      "start_offset" : 0,
      "end_offset" : 1,
      "type" : "CN_CHAR",
      "position" : 0
    },
    {
      "token" : "叫什么",
      "start_offset" : 1,
      "end_offset" : 4,
      "type" : "CN_WORD",
      "position" : 1
    },
    {
      "token" : "名字",
      "start_offset" : 4,
      "end_offset" : 6,
      "type" : "CN_WORD",
      "position" : 2
    }
  ]
}
复制代码

除了ik_smart以外，还有一个ik_max_wrod分词器。工具

ik_smart会将文本作比较粗粒度的切分。好比对中华人民共和国进行分词，会认为这就是一个词，结果就是一个中华人民共和国。
而ik_max_word则对文本作比较细粒度的切分，会出现各类长度的词。若是一样对中华人民共和国进行分词，会分出不少的词。

{
  "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
    }
  ]
}
复制代码

这两种分词器在应对具体的场景时，须要选择合适的分词器进行使用。post

3. ik_smart和ik_max_word配合使用

通常状况下，为了提升搜索的效果，须要这两种分词器配合使用。既索引时用ik_max_word尽量多的分词，而搜索时用ik_smart尽量提升匹配准度，让用户的搜索尽量的准确。好比一个常见的场景，就是搜索"进口红酒"的时候，尽量的不要出现口红相关商品或者让口红不要排在前面。优化

咱们首先在Elasticsearch内建立一个叫goods的索引，其中名字的分词器用的是ik_max_word。spa

PUT /goods
{
  "mappings":{
	"goods": {
		"properties": {
			"id": {
				"type": "keyword"
			},
			"name": {
				"analyzer": "ik_max_word",
				"type": "text"
			}
		}
	  }
  },
  "settings":{
            "index": {
                "refresh_interval": "1s",
                "number_of_shards": 5,
                "max_result_window": "10000000",
                "mapper": {
                    "dynamic": "false"
                },
                "number_of_replicas": 0
            }
  }
}
复制代码

而后咱们经过POST请求，往里面添加一些数据。插件

POST /goods/goods
{
  "id":"1",
  "name":"美丽粉色口红明星"
}

POST /goods/goods
{
  "id":"2",
  "name":"好喝的进口红酒"
}

POST /goods/goods
{
  "id":"3",
  "name":"进口红酒真好喝"
}
复制代码

最后，在查询的时候，咱们指定查询分词器为ik_smart。

GET /goods/goods/_search
{
  "query":{
    "match": {
      "name": {
        "query": "进口红酒",
        "analyzer": "ik_smart"
      }
    
    }
  }
}复制代码

能够看到两条进口红酒相关的记录被搜了出来，可是口红没有被搜出来

{
  "took" : 28,
  "timed_out" : false,
  "_shards" : {
    "total" : 5,
    "successful" : 5,
    "skipped" : 0,
    "failed" : 0
  },
  "hits" : {
    "total" : 2,
    "max_score" : 0.36464313,
    "hits" : [
      {
        "_index" : "goods",
        "_type" : "goods",
        "_id" : "cdLk1WoBvRMfJWIKVfOP",
        "_score" : 0.36464313,
        "_source" : {
          "id" : "3",
          "name" : "进口红酒真好喝"
        }
      },
      {
        "_index" : "goods",
        "_type" : "goods",
        "_id" : "ctLk1WoBvRMfJWIKX_O6",
        "_score" : 0.36464313,
        "_source" : {
          "id" : "2",
          "name" : "好喝的进口红酒"
        }
      }
    ]
  }
}
复制代码

4. 总结

分词器是Elasticsearch中很重要的一部分，网上也有不少开源的分词器，对于通常的应用这些开源分词器也许足够用了，可是在某些特定的场景下，可能须要对分词器作一些优化，甚至须要自研一些分词器。