ES学习记录10.4--ES分析器(中文分词IK)

1. 安装

IK在github上的工程IK Analysis for Elasticsearch，安装IK分词器(进入ES的bin目录)，以目前学习的版本6.4为例：

elasticsearch-plugin install https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v6.4.0/elasticsearch-analysis-ik-6.4.0.zip

注：如果版本ES版本不一样，那IK分析器也不同，只需要将上述命令中的6.4.0改成对应的版本号即可(只支持5.5.1+版本)。

2. IK Analyzer

 IK Analysis插件支持内置的分析器Analyzer有：ik_smart和ik_max_word，内置的标记过生成器Tokenizer有:ik_smart和ik_max_word：

• ik_smart：会将文本做最细粒度的拆分，比如会将“中华人民共和国国歌”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”，穷尽各种可能的组合(在6.4.0版本不会穷尽各种可能)；
• ik_max_word：会将文本做最粗粒度的拆分，比如会将“中华人民共和国国歌”拆分为“中华人民共和国,国歌”；

在第一步中安装IK分词器完毕后可以调用其中的Analyzer或Tokenizer进行验证，如：

curl -X POST "localhost:9200/_analyze" -H 'Content-Type: application/json' -d'
{
  "analyzer": "ik_smart",
  "text": "中华人民共和国国歌"
}
'

// 测试结果
{
    "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
        }
    ]
}

下面是一些github上的栗子：

// 1. 创建测试索引
curl -XPUT http://localhost:9200/index

// 2. 创建结构化数据
curl -XPOST http://localhost:9200/index/fulltext/_mapping -H 'Content-Type:application/json' -d'
{
    "properties": {
        "content": {
            "type": "text",
            // 指定content字段为ik_max_word分析器
            "analyzer": "ik_max_word",
            // 指定搜索分析器为ik_max_word分析器
            "search_analyzer": "ik_max_word"
        }
    }
}'

// 3. 在索引中创建一些文档
curl -XPOST http://localhost:9200/index/fulltext/1 -H 'Content-Type:application/json' -d'
{"content":"美国留给伊拉克的是个烂摊子吗"}
'
curl -XPOST http://localhost:9200/index/fulltext/2 -H 'Content-Type:application/json' -d'
{"content":"公安部：各地校车将享最高路权"}
'
curl -XPOST http://localhost:9200/index/fulltext/3 -H 'Content-Type:application/json' -d'
{"content":"中韩渔警冲突调查：韩警平均每天扣1艘中国渔船"}
'
curl -XPOST http://localhost:9200/index/fulltext/4 -H 'Content-Type:application/json' -d'
{"content":"中国驻洛杉矶领事馆遭亚裔男子枪击 嫌犯已自首"}
'

// 4. 测试搜索
curl -XPOST http://localhost:9200/index/fulltext/_search  -H 'Content-Type:application/json' -d'
{
    "query" : { "match" : { "content" : "中国" }},
    "highlight" : {
        "pre_tags" : ["<tag1>", "<tag2>"],
        "post_tags" : ["</tag1>", "</tag2>"],
        "fields" : {
            "content" : {}
        }
    }
}
'

// 5. 结果
{
    "took": 14,
    "timed_out": false,
    "_shards": {
        "total": 5,
        "successful": 5,
        "failed": 0
    },
    "hits": {
        "total": 2,
        "max_score": 2,
        "hits": [
            {
                "_index": "index",
                "_type": "fulltext",
                "_id": "4",
                "_score": 2,
                "_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": [
                        "<tag1>中国</tag1>驻洛杉矶领事馆遭亚裔男子枪击 嫌犯已自首 "
                    ]
                }
            },
            {
                "_index": "index",
                "_type": "fulltext",
                "_id": "3",
                "_score": 2,
                "_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": [
                        "均每天扣1艘<tag1>中国</tag1>渔船 "
                    ]
                }
            }
        ]
    }
}

3. 配置字典

 IK分词器的字典配置文件为%ESHomeDir%\config\analysis-ik\IKAnalyzer.cfg.xml，内容如下：

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd">
<properties>
	<comment>IK Analyzer 扩展配置</comment>
	<!--用户可以在这里配置自己的扩展字典 -->
	<entry key="ext_dict"></entry>
	 <!--用户可以在这里配置自己的扩展停止词字典-->
	<entry key="ext_stopwords"></entry>
	<!--用户可以在这里配置远程扩展字典 -->
	<!-- <entry key="remote_ext_dict">words_location</entry> -->
	<!--用户可以在这里配置远程扩展停止词字典-->
	<!-- <entry key="remote_ext_stopwords">words_location</entry> -->
</properties>

注：测试时，建议不要直接调用Analyzer或Tokenizer，而是通过像上述创建索引与一些字段绑定的方式进行测试。

4. 热更新IK分词

 IK Analysis当前支持热更新IK分词，在配置文件中：

	<!--用户可以在这里配置远程扩展字典 -->
	<entry key="remote_ext_dict">location</entry>
 	<!--用户可以在这里配置远程扩展停止词字典-->
	<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；

满足上述条件即可实现热更新分词，不需要重启ES实例，除此之外，将需要自动更新的分词放在一个UTF-8编码的 .txt文件里，放在nginx或其他简易http server下，当.txt文件修改时，http server会在客户端请求该文件时自动返回相应的Last-Modified和ETag，可以另外做一个工具来从业务系统提取相关词汇，并更新这个.txt文件。