Elasticsearch进阶篇(三)：ik分词器的使用与项目应用

news2024/11/15 19:23:57

ik分词器的使用

一、下载并安装
- 1.1 已有作者编译后的包文件
- 1.2 只有源代码的版本
- 1.3 安装ik分词插件
二、ik分词器的模式
- 2.1 ik_smart演示
- 2.2 ik_max_word演示
- 2.3 standard演示
三、ik分词器在项目中的使用
四、ik配置文件
- 4.1 配置文件的说明
- 4.2 自定义词库
五、参考链接

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：

[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
[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 
AbstractIndexAnalyzerProvider应用到给定类型;
[ERROR]   需要: org.elasticsearch.index.IndexSettings,java.lang.String,org.elasticsearch.common.settings.Settings
[ERROR]   找到: java.lang.String,org.elasticsearch.common.settings.Settings

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

使用mvn clean install进行打包，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

将下载或者编译后的.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分词器会尽可能地按照词典中的词语进行最大长度匹配，将文本切分成连续的词语序列。
- 这种模式适用于对文本进行细致的切分，会尽可能地将句子切分为最小的词语单元，能够获得更加精确的分词结果。
智能分词模式（ik_smart）：
- 在智能切分模式下，IK分词器会结合词典匹配和机器学习算法，根据文本的上下文信息进行分词，保留词语的完整性。
- 这种模式能够更好地处理一些特殊情况，如未登录词和新词等，提高了分词的准确性和适用性。

2.1 ik_smart演示

POST _analyze
{
  "analyzer": "ik_smart",
  "text": "中国篮球队"
}

{
    "tokens": [
        {
            "token": "中国",
            "start_offset": 0,
            "end_offset": 2,
            "type": "CN_WORD",
            "position": 0
        },
        {
            "token": "篮球队",
            "start_offset": 2,
            "end_offset": 5,
            "type": "CN_WORD",
            "position": 1
        }
    ]
}

2.2 ik_max_word演示

POST _analyze
{
  "analyzer": "ik_max_word",
  "text": "中国篮球队"
}

{
    "tokens": [
        {
            "token": "中国篮球",
            "start_offset": 0,
            "end_offset": 4,
            "type": "CN_WORD",
            "position": 0
        },
        {
            "token": "中国",
            "start_offset": 0,
            "end_offset": 2,
            "type": "CN_WORD",
            "position": 1
        },
        {
            "token": "篮球队",
            "start_offset": 2,
            "end_offset": 5,
            "type": "CN_WORD",
            "position": 2
        },
        {
            "token": "篮球",
            "start_offset": 2,
            "end_offset": 4,
            "type": "CN_WORD",
            "position": 3
        },
        {
            "token": "球队",
            "start_offset": 3,
            "end_offset": 5,
            "type": "CN_WORD",
            "position": 4
        }
    ]
}

2.3 standard演示

POST _analyze
{
  "analyzer": "standard",
  "text": "中国篮球队"
}

{
    "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": "篮",
            "start_offset": 2,
            "end_offset": 3,
            "type": "<IDEOGRAPHIC>",
            "position": 2
        },
        {
            "token": "球",
            "start_offset": 3,
            "end_offset": 4,
            "type": "<IDEOGRAPHIC>",
            "position": 3
        },
        {
            "token": "队",
            "start_offset": 4,
            "end_offset": 5,
            "type": "<IDEOGRAPHIC>",
            "position": 4
        }
    ]
}

三、ik分词器在项目中的使用

常规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，搜索时更精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”

{
  "properties": {
    "id": {
      "type": "long"
    },
    "title": {
      "type": "text",
      "analyzer": "ik_max_word",
      "search_analyzer": "ik_smart",
      "fields": {
        "keyword": {
          "type": "keyword"
        },
        "sort": {
          "type": "keyword",
          "normalizer": "sort_normalizer"
        }
      }
    },
    "content": {
      "type": "text",
      "analyzer": "ik_max_word",
      "search_analyzer": "ik_smart"
    }
  }
}

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配置文件

4.1 配置文件的说明

配置文件地址：\plugins\ik\config

IKAnalyzer.cfg.xml：
这是IK分词器的主要配置文件，用于配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定义词典、停用词表、分词模式等。
ext.dic：
这是一个外部用户词典文件，用于存放用户自定义的词语。IK分词器在进行分词时会优先使用这个词典中的词语，可以用来补充分词器的默认词典，提高分词准确性。
stopword.dic：
这是一个停用词表文件，用于存放需要在分词过程中忽略的常用词语。停用词通常是一些没有实际语义或者在特定场景中无关紧要的词语，如“的”、“是”、“在”等。
quantifier.dic：
这是一个量词词典文件，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，以确保其正确分词。
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，都会按照这个里面的词语去分词
preposition.dic: 介词
surname.dic：中国的姓氏