ElasticSearch:为中文分词器增加对英文的支持（让中文分词器可以处理中英文混合文档）（转）

本文地址，需转载请注明出处：

http://blog.csdn.net/hereiskxm/article/details/47441911
当我们使用中文分词器的时候，其实也希望它能够支持对于英文的分词。试想，任何一个存储文字的字段都有可能是中英文夹杂的。
我们的项目中使用IKAnalyzer作为中文分词器，它在处理文档过程中遇到英文时，利用空格和标点将英文单词取出来，同时也会对其转全小写处理。其实这和真正的英文分词已经很接近了，只有一墙之隔：词干提取。一个真正的英文分词器除了分割提取单词和全小写处理以外，还会把单词回溯成词根。
比如说有一个句子：
I like cats!
它的正确分词为：
[i, like, cat]
词根化是一个英文分词器需要具备的功能。IKAnalyzer正是缺少了这点，它对例句的处理结果会是：[i, like, cats]，这显然不是我们想要的：我们希望用 “cat” 和“cats” 都能搜索出这个句子，而不是非得用“cats” 才能搜到。

分析一下analyzer的内部逻辑：
Analyzer 的内部就是一条流水线 Step 1 字符过滤（Character filter） Step 2 分词（Tokenization） Step 3 Token 过滤（Token filtering） ElasticSearch:为中文分词器增加对英文的支持（让中文分词器可以处理中英文混合文档）
Elasticsearch 已经默认构造了 8个 Analyzer。若无法满足我们的需求，可以通过「Setting API」构造 Analyzer。
通过构造analyzer，我们可以对IK中文分词器做一些修改，让它实现回溯词根。

{"settings": {"analysis": {"analyzer": {"optimizeIK": {"type": "custom","tokenizer": "ik","filter": ["stemmer"]}}}}
}

我们新建了一个分析器，它使用ik作为分词器，使用stemmer作为过滤器。stemmer是elasticsearch自带的一个提取词干的算法，类似的还有snowball，都支持多种语言，有兴趣可以作比较。它将在ik对文档完成分词之后，将其中的英文单词做提取词干处理。
测试一下：

  -POST   {index_name}/_analyze?pretty&analyzer=optimizeIK

“I like cats”
返回结果：
{ “tokens”: [ { “token”: “i”, “start_offset”: 1, “end_offset”: 2, “type”: “ENGLISH”, “position”: 1 }, { “token”: “like”, “start_offset”: 3, “end_offset”: 7, “type”: “ENGLISH”, “position”: 2 }, { “token”: “cat”, “start_offset”: 8, “end_offset”: 12, “type”: “ENGLISH”, “position”: 3 } ] }

至此，optimizeIK分析器同时拥有了中文+外文分词的功能。
如果你想把这个分析器设成该index的默认分析器，给它的命名叫default即可。

ElasticSearch:为中文分词器增加对英文的支持（让中文分词器可以处理中英文混合文档）（转）相关推荐

elasticsearch 处理中英文混合文档
我们在学习es过程中,难免会遇到一些们在学习es过程中,难免会遇到一些中国英文混合文档这时我们如果使用ik ,虽然可以把英文分词,但是处理不了停用词(and ,is这种的),还有无法提取主干信息比 ...
ElasticSearch:为中文分词器增加对英文的支持（让中文分词器可以处理中英文混合文档）
本文地址,需转载请注明出处: http://blog.csdn.net/hereiskxm/article/details/47441911 当我们使用中文分词器的时候,其实也希望它能够支持对于英文的 ...
java中判断字符串实际长度（中文2个字符，英文1个字符）的方法，包含中英文符号
java中判断字符串实际长度(中文2个字符,英文1个字符)的方法,包含中英文符号介绍数据库中很多字段都会限制长度,为了方便用户使用,在前端界面给出限制长度的提示,看网上很多写的获取字符串长度都没有 ...
python结巴分词词频统计_一个txt文档，已经用结巴分词分完词，怎么用python工具对这个分完词的文档进行计算统计词频，求脚本，非...
匿名用户 1级 2016-11-03 回答 #!/usr/bin/env python3 #-*- coding:utf-8 -*- import os,random #假设要读取文件名为aa,位于当 ...
phpexcel 导出循环增加列数_基于.NetCore3.1搭建项目系列 —— 使用Swagger导出文档 (补充篇)...
前言在上一篇导出文档番外篇中,我们已经熟悉了怎样根据json数据导出word的文档,生成接口文档,而在这一篇,将对上一篇进行完善补充,增加多种导出方式,实现更加完善的导出功能. 回顾 1. 获取Sw ...
devc中文注释显示问号_Python零基础入门-(如何让人读懂你的代码)文档注释
目标注释的作用单行注释(行注释) 多行注释(块注释) 01. 注释的作用使用用自己熟悉的语言,在程序中对某些代码进行标注说明,增强程序的可读性 02. 单行注释(行注释) 以 # 开头,# 右边 ...
vscode中文设置后重启还是英文解决（设置中文）Vetur插件
第一步:快捷键ctrl+shift+p 选择Configure Display Language 第二步:修改"locale"属性重启还是英文是因为你没有安装中文插件安装后再重 ...
Elasticsearch - 文档分析，IK分词器；文档冲突（十二）
阅读本文前可先参考 Elasticsearch - Elasticsearch详解:安装部署(一)_MinggeQingchun的博客-CSDN博客 https://blog.csdn.net/Min ...
案例:用python将中文翻译的和英文原文合成新的word文档
案例:用python中文翻译的和英文原文合成新的word文档一问题的形成需求的描述:一个英语翻译专业的研究生同学有一个期末作业.老师给了一个英文的文档,需要同学们翻译成中文.老师给的文档是格式如 ...

ElasticSearch:为中文分词器增加对英文的支持（让中文分词器可以处理中英文混合文档）（转）

ElasticSearch:为中文分词器增加对英文的支持（让中文分词器可以处理中英文混合文档）（转）相关推荐

最新文章

热门文章