IK分词器-自定义分词

最新推荐文章于 2025-05-23 15:38:40 发布

原创最新推荐文章于 2025-05-23 15:38:40 发布 · 2.9k 阅读

10 ·

CC 4.0 BY-SA版权

ElasticSearch 专栏收录该内容

19 篇文章

订阅专栏

我们首先测试一下IK分词器的ik_smart最少切分策略。

GET _analyze
{
  "analyzer": "ik_smart",
  "text": "中国共产党"
}

可以看到，使用ik_smart最少切分策略时，kibana只帮我们分词为一个"中国共产党"一个词。
在这里插入图片描述
下面我们修改成ik_max_word最细粒度划分策略看看效果如何：

GET _analyze
{
  "analyzer": "ik_max_word",
  "text": "中国共产党"
}

如下就是IK分词器使用ik_max_word分词后的结果：

{
  "tokens" : [
    {
      "token" : "中国共产党",
      "start_offset" : 0,
      "end_offset" : 5,
      "type" : "CN_WORD",
      "position" : 0
    },
    {
      "token" : "中国",
      "start_offset" : 0,
      "end_offset" : 2,
      "type" : "CN_WORD",
      "position" : 1
    },
    {
      "token" : "国共",
      "start_offset" : 1,
      "end_offset" : 3,
      "type" : "CN_WORD",
      "position" : 2
    },
    {
      "token" : "共产党",
      "start_offset" : 2,
      "end_offset" : 5,
      "type" : "CN_WORD",
      "position" : 3
    },
    {
      "token" : "共产",
      "start_offset" : 2,
      "end_offset" : 4,
      "type" : "CN_WORD",
      "position" : 4
    },
    {
      "token" : "党",
      "start_offset" : 4,
      "end_offset" : 5,
      "type" : "CN_CHAR",
      "position" : 5
    }
  ]
}

在这里插入图片描述
可以看到，IK分词器穷尽词库的可能，切分成了几个词。

下面我们再次修改一下分词的text：

GET _analyze
{
  "analyzer": "ik_max_word",
  "text": "我喜欢迪丽热巴"
}

分词结果如下：

{
  "tokens" : [
    {
      "token" : "我",
      "start_offset" : 0,
      "end_offset" : 1,
      "type" : "CN_CHAR",
      "position" : 0
    },
    {
      "token" : "喜欢",
      "start_offset" : 1,
      "end_offset" : 3,
      "type" : "CN_WORD",
      "position" : 1
    },
    {
      "token" : "迪",
      "start_offset" : 3,
      "end_offset" : 4,
      "type" : "CN_CHAR",
      "position" : 2
    },
    {
      "token" : "丽",
      "start_offset" : 4,
      "end_offset" : 5,
      "type" : "CN_CHAR",
      "position" : 3
    },
    {
      "token" : "热",
      "start_offset" : 5,
      "end_offset" : 6,
      "type" : "CN_CHAR",
      "position" : 4
    },
    {
      "token" : "巴",
      "start_offset" : 6,
      "end_offset" : 7,
      "type" : "CN_CHAR",
      "position" : 5
    }
  ]
}

由上面的分词结果可以发现，"迪丽热巴"是一个明星的名字，有时候，我们在分词的时候并不想拆分他们，只想"迪丽热巴"作为一个关键字进行搜索。

解决方法：将不希望进行分词的词，需要我们自己加入到分词器的字典中。

首先进入到es目录的插件目录下，找到config目录里面的IKAnalyzer.cfg.xml配置文件，往里面添加我们自己的词即可。
在这里插入图片描述
新建dilireba.dic文件，在里面加入"迪丽热巴"，如下图：

保存之后，需要将我们的配置文件配置在IKAnalyzer.cfg.xml中：

从es的启动日志中可以看到我们自己定义的dilireba.dic字段已经被加载，重启完成后，重新测试"我爱迪丽热巴"进行分词：
在这里插入图片描述