ElasticSearch 中文分词器ik的安装、测试、使用、自定义词库、热更新词库

以你之姓@ 2022-10-11 13:49 5阅读 0赞

### 文章目录 ###

*   *  \# 实验环境
     *  \# ik分词器的下载、安装、测试
     *   *  \#\# 安装方法一：使用elasticsearch-plugin 安装
         *  \#\# 安装方法二：下载编译好的包进行安装
         *   *  1、下载
             *  2、安装
             *  3、重启\`ElasticSearch\`
             *   *  查找es进程
                 *  杀掉es进程
                 *  重启es
             *  4、测试
             *   *  未使用ik分词器，使用默认分词器效果
                 *  使用IK分词器之后
     *  \# ik分词器使用说明
     *   *  \#\# ik的分词模式
         *  \#\# 创建索引时设置ik分词
     *  \# 自定义词库扩展
     *   *  \#\# 问题
         *  \#\# 方法
         *   *  1、首先进入es根目录中的plugins文件夹下的ik文件夹，进入config目录，创建mydic.dic文件
             *  2、打开IKAnalyzer.cfg.xml文件，将新建的mydic.dic配置其中
             *  3、重启ES
     *  \# 热更新 IK 分词
     *   *  \# 示例接口
         *  \# 测试

--------------------

## \# 实验环境 ##

*  操作系统：Ubuntu 18.0.4
 *  ElasticSearch版本：7.13.2
 *  中文分词分词器IK：elasticsearch-analysis-ik-7.13.2

## \# ik分词器的下载、安装、测试 ##

### \#\# 安装方法一：使用elasticsearch-plugin 安装 ###

该方法只支持v5.5.1 之后的版本：

./bin/elasticsearch-plugin install https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v7.13.2/elasticsearch-analysis-ik-7.13.2.zip

### \#\# 安装方法二：下载编译好的包进行安装 ###

#### 1、下载 ####

下载地址：[https://github.com/medcl/elasticsearch-analysis-ik/releases][https_github.com_medcl_elasticsearch-analysis-ik_releases]  
下载和ES相同版本的IK：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dpbGxpbmd0b2xvdmU_size_16_color_FFFFFF_t_70]

#### 2、安装 ####

因为`elasticsearch-analysis-ik-7.13.2.zip`是编译好的包，所以只需将`elasticsearch-analysis-ik-7.13.2.zip`解压到es的安装目录的`/plugins/ik`下面即可：

unzip -o elasticsearch-analysis-ik-7.13.2.zip -d /usr/share/elasticsearch/plugins/ik

#### 3、重启`ElasticSearch` ####

##### 查找es进程 #####

ps -ef | grep elastic

##### 杀掉es进程 #####

kill -9 10713

##### 重启es #####

进入`es`的安装目录的`bin`下，执行：

./elasticsearch -d

`注意`：如果遇到`can not run elasticsearch as root`报错，请查看这篇文章：  
[https://blog.csdn.net/willingtolove/article/details/118398026][https_blog.csdn.net_willingtolove_article_details_118398026]

#### 4、测试 ####

##### 未使用ik分词器，使用默认分词器效果 #####

POST 127.0.0.1:9200/_analyze
    { 
      "analyzer":"standard",
      "text":"中国人"
    }

结果：

{
        "tokens": [
            {
                "token": "中",
                "start_offset": 0,
                "end_offset": 1,
                "type": "<IDEOGRAPHIC>",
                "position": 0
            },
            {
                "token": "国",
                "start_offset": 1,
                "end_offset": 2,
                "type": "<IDEOGRAPHIC>",
                "position": 1
            },
            {
                "token": "人",
                "start_offset": 2,
                "end_offset": 3,
                "type": "<IDEOGRAPHIC>",
                "position": 2
            }
        ]
    }

##### 使用IK分词器之后 #####

POST 127.0.0.1:9200/_analyze
    { 
      "analyzer":"ik_max_word",
      "text":"中国人"
    }

结果：

{
        "tokens": [
            {
                "token": "中国人",
                "start_offset": 0,
                "end_offset": 3,
                "type": "CN_WORD",
                "position": 0
            },
            {
                "token": "中国",
                "start_offset": 0,
                "end_offset": 2,
                "type": "CN_WORD",
                "position": 1
            },
            {
                "token": "国人",
                "start_offset": 1,
                "end_offset": 3,
                "type": "CN_WORD",
                "position": 2
            }
        ]
    }

## \# ik分词器使用说明 ##

### \#\# ik的分词模式 ###

ik有两种分词模式：`ik_smart` , `ik_max_word`

*  `ik_smart`：会将文本做最粗粒度的拆分，例如「中华人民共和国国歌」会被拆分为「中华人民共和国、国歌」
 *  `ik_max_word`：k\_max\_word：会将文本做最细粒度的拆分，例如「中华人民共和国国歌」会被拆分为「中华人民共和国、中华人民、中华、华人、人民共和国、人民、共和国、共和、国、国歌」，会穷尽各种可能的组合

### \#\# 创建索引时设置ik分词 ###

创建`users`索引：

PUT 127.0.0.1:9200/users
    { 
        "settings": { 
    		"number_of_shards": 3,
    		"number_of_replicas": 2
    	},
        "mappings": { 
            "properties": { 
                "name": { 
                    "type": "text"
                },
                "age": { 
                    "type": "integer"
                },
                "describe": { 
                    "type": "text",
                    "analyzer": "ik_max_word",
                    "search_analyzer": "ik_smart"
                }
            }
        }
    }

从上面的例子中可以看到：

*  索引`users`的`describe`字段的`analyzer` 属性设置为了`ik_max_word`，表示插入文档时，将`describe`字段按照`ik_max_word`做分词，然后插入倒排索引；
 *  索引`users`的`describe`字段的`search_analyzer` 属性设置为了`ik_smart`，表示在查询时，先对要查询的text类型的输入做按照`ik_smart`分词，再去倒排索引搜索；

## \# 自定义词库扩展 ##

### \#\# 问题 ###

有时候，我们搜索一些词库中没有的词，那应该是没有结果的；  
比如："达文西"这个text，想通过搜索"文西"搜索出来。  
首先看下："达文西"这个会被分成哪些词？

POST 127.0.0.1:9200/_analyze
    { 
      "analyzer":"ik_max_word",
      "text":"达文西"
    }

{ 
        "tokens": [
            { 
                "token": "达文西",
                "start_offset": 0,
                "end_offset": 3,
                "type": "CN_WORD",
                "position": 0
            }
        ]
    }

从结果中可以看出，只能解析出一个词来，这样的话，搜索"文西"是搜索出来。

### \#\# 方法 ###

通过自定义分词词典，来解决该问题。

#### 1、首先进入es根目录中的plugins文件夹下的ik文件夹，进入config目录，创建mydic.dic文件 ####

cd elasticsearch/plugins/ik/config
    vi custom.dic

将自定义的词写进去：

达文
    文西

#### 2、打开IKAnalyzer.cfg.xml文件，将新建的mydic.dic配置其中 ####

<properties>
    	<comment>IK Analyzer 扩展配置</comment>
    	
    	<entry key="ext_dict">mydic.dic</entry>
    	 
    	<entry key="ext_stopwords"></entry>
    	
    	
    	
    	
    </properties>

如果有多个自定义字典，可以这样配置：

<entry key="ext_dict">custom/mydict.dic;custom/mydict1.dic</entry>

#### 3、重启ES ####

重启后测试：

POST 127.0.0.1:9200/_analyze
    { 
      "analyzer":"ik_max_word",
      "text":"达文西"
    }

{
        "tokens": [
            {
                "token": "达文西",
                "start_offset": 0,
                "end_offset": 3,
                "type": "CN_WORD",
                "position": 0
            },
            {
                "token": "达文",
                "start_offset": 0,
                "end_offset": 2,
                "type": "CN_WORD",
                "position": 1
            },
            {
                "token": "文西",
                "start_offset": 1,
                "end_offset": 3,
                "type": "CN_WORD",
                "position": 2
            }
        ]
    }

从结果中可以看到，"达文西"的被分词为：「达文西、达文、文西」三个词。说明自定义分词词典生效。

## \# 热更新 IK 分词 ##

目前该插件支持热更新 IK 分词，通过上文在 IK 配置文件中的如下配置：

<entry key="remote_ext_dict">location</entry>
     	
    	<entry key="remote_ext_stopwords">location</entry>

其中 `location` 是指一个 `url`，比如 http://yoursite.com/getCustomDict，该请求只需满足以下两点即可完成分词热更新。

该 `http` 请求需要返回两个头部`(header)`，一个是 `Last-Modified`，一个是 `ETag`，这两者都是字符串类型，只要有一个发生变化，该插件就会去抓取新的分词进而更新词库。  
该 http 请求返回的内容格式是一行一个分词，换行符用 `\n` 即可。  
满足上面两点要求就可以实现热更新分词了，不需要重启 ES 实例。  
`es-ik` 插件源码关于热更新的逻辑：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dpbGxpbmd0b2xvdmU_size_16_color_FFFFFF_t_70 1]

### \# 示例接口 ###

[HttpHead("HotUpdate"), HttpPost("HotUpdate"), HttpGet("HotUpdate")]
            public IActionResult GetHotUpdateDic()
            { 
                Response.Headers.Add("Last-Modified", DateTime.Now.Ticks.ToString());
                Response.Headers.Add("ETag", DateTime.Now.Ticks.ToString());
                return Content("达尔\r\n尔文\r\n丽莎");
            }

### \# 测试 ###

在没有配置热更新`ik`词库时：

POST 127.0.0.1:9200/_analyze
    { 
      "analyzer":"ik_max_word",
      "text":"娜丽莎"
    }

{
        "tokens": [
            {
                "token": "娜丽莎",
                "start_offset": 0,
                "end_offset": 3,
                "type": "CN_WORD",
                "position": 0
            }
        ]
    }

配置热更新`ik`分词词库：

<entry key="remote_ext_dict">http://192.168.2.95:1660/api/fulltextsearch/HotUpdate</entry>
    	
    	<entry key="remote_ext_stopwords">http://192.168.2.95:1660/api/fulltextsearch/HotUpdateEnd</entry>

配置热更新`ik`分词词库一分钟后，测试：

POST 127.0.0.1:9200/_analyze
    { 
      "analyzer":"ik_max_word",
      "text":"娜丽莎"
    }

{
        "tokens": [
            {
                "token": "娜丽莎",
                "start_offset": 0,
                "end_offset": 3,
                "type": "CN_WORD",
                "position": 0
            },
            {
                "token": "丽莎",
                "start_offset": 1,
                "end_offset": 3,
                "type": "CN_WORD",
                "position": 1
            }
        ]
    }

从测试结果中可以看出，「娜丽莎」的分词结果「娜丽莎、丽莎」，说明热更新已生效。

--------------------

[https_github.com_medcl_elasticsearch-analysis-ik_releases]: https://github.com/medcl/elasticsearch-analysis-ik/releases
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dpbGxpbmd0b2xvdmU_size_16_color_FFFFFF_t_70]: /images/20221005/54d6956fab84411b9a118956a18b7a87.png
[https_blog.csdn.net_willingtolove_article_details_118398026]: https://blog.csdn.net/willingtolove/article/details/118398026
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dpbGxpbmd0b2xvdmU_size_16_color_FFFFFF_t_70 1]: /images/20221005/97ae1ea3d173417794b087954211deb8.png