elasticsearch　的分词

Elasticsearch 中文搜索时遇到几个问题:

1、当搜索关键词如：“人民币”时，如果分词将“人民币”分成“人”，“民”，“币”三个单字，那么搜索该关键词会匹配到很多包含该单字的无关内容,但是如果将该词分词成一个整词“人民币”，搜索单字如“人”字又不会匹配到包含“人民币”关键词的内容,怎么解决这个问题,既保证覆盖度又保证准确度?

2、搜索“RMB”时只会匹配到包含“RMB”关键词的内容，实际上，“RMB”和“人民币”是同义词，我们希望用户搜索“RMB”和“人民币”可以相互匹配，ES同义词怎么配置？

接下来从以下几点讲一下怎么ES中文分词

中文分词器
ES 分词流程之 analysis,analyzer,filter,tokenizer
ES内置分词器
自定义analyzer
ES同义词功能实现

1.IK 分词器

1，Elasticsearch中文分词我们采用Ik分词，ik有两种分词模式，ik_max_word,和ik_smart模式;
- ik_max_word 和 ik_smart 什么区别?

ik_max_word: 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,人,民,共和国,共和,和,国国,国歌”，会穷尽各种可能的组合；
ik_smart: 会做最粗粒度的拆分，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”。

索引时，为了提供索引的覆盖范围，通常会采用ik_max_word分析器，会以最细粒度分词索引，搜索时为了提高搜索准确度，会采用ik_smart分析器，会以粗粒度分词
字段mapping设置如下：

    "author": {"type": "string","analyzer": "ik","search_analyzer": "ik_smart"}

2.Elasticsearch之分析（analysis）和分析器（analyzer）

analysis索引分析模块充当analyzer分析器的可配置注册表,通过analyzer对文档索引阶段的字段和搜索String进行处理,自定义analyzer时,通常需要character filter tokenizer token filters来完成

2.1 character filter 字符过滤器

首先字符串经过过滤器（character filter），他们的工作是在分词前处理字符串。字符过滤器能够去除HTML标记，例如把“<a>”变成“a

2.2 tokenizer 分词器

英文分词可以根据空格将单词分开,中文分词比较复杂,可以采用机器学习算法来分词

2.2 token filters 表征过滤器

最后，每个词都通过所有表征过滤（token filters），他可以修改词（例如将“Quick”转为小写），去掉词（例如停用词像“a”、“and”、“the”等等），或者增加词（例如同义词像“a”、“and”、“the”等等）或者增加词（例如同义词像“jump”和“leap”）。

2.3 ES分词流程

character filter-->>tokenizer-->>token filters

2.5 自定义analyzer

官网example:

index :analysis :analyzer :myAnalyzer2 :type : customtokenizer : myTokenizer1filter : [myTokenFilter1, myTokenFilter2]char_filter : [my_html]position_increment_gap: 256tokenizer :myTokenizer1 :type : standardmax_token_length : 900filter :myTokenFilter1 :type : stopstopwords : [stop1, stop2, stop3, stop4]myTokenFilter2 :type : lengthmin : 0max : 2000char_filter :my_html :type : html_stripescaped_tags : [xxx, yyy]read_ahead : 1024

2.6 分词mapping设置

通常为了保证索引时覆盖度和搜索时准确度,索引分词器采用ik_max_word,搜索分析器采用ik_smart模式

"content": {"type": "string","analyzer": "ik_max_word","search_analyzer": "ik_smart"}

1.7 如果更改了mapping分词器,需要重新索引数据才能生效

POST /_reindex
{"source": {"index": "twitter"},"dest": {"index": "new_twitter"}
}

因为倒排索引中的数据是索引时由分词器来处理的,如果分词器有变化,那么搜索时query关键词即使和doc中关键词相同,但是因为分词器的原因,分出来的词会出现不匹配的情况,因此当mapping或者分词器字典同义词词典等发生变化时,需要reindex索引数据

1.8 更改别名,不重启服务切换索引

POST /_aliases{  "actions": [  {  "remove": {  "index": "oldindex",  "alias": "alias_oldindex"  }  },  {  "add": {  "index": "newindex",  "alias": "alias_oldindex"  }  }  ]
}

2 同义词

2.1 建议同义词词典

elasticsearch /config/analysis 下建议同义词词典文件pro_synonym.txt,采用UTF-8编码,写入内容
同义词内容格式 ,注意标点符号使用英文符号
- 启航 => 起航 : "=>"左边的词全部会被右边的词替换
- 启航,起航 :使用","英文逗号分隔,两个词是互等的,分词时会同时分成两个词进行索引或者检索,如"启航"会被分成"启航","起航"两个词分别建立索引或者去倒排索引检索

自定义添加同义词通过ik分词器

"settings": {"analysis": {"filter": {"my_synonym_filter": {"type": "synonym","synonyms_path": "analysis/pro_synonym.txt"}},"analyzer": {"ik_syno_max_word": {"tokenizer": "ik","filter": "my_synonym_filter"},"ik_syno_smart": {"tokenizer": "ik_smart","filter": "my_synonym_filter"}}}}

想查看同义词效果或者测试分词效果

3 Suggest分词

suggest词需要对拼音前缀，全拼，中文进行前缀匹配，例如：“百度”一词，键入"baidu","bd","百"都必须匹配到，因此在索引的时候需要一词分多个分词器来索引保存，中文采用单字分词，拼音首字母和全拼需要自定义analyzer来索引。

Elasticsearch Suggest setting mapping设置参考如下

{"mappings": {"suggest": {"properties": {"full_pinyin": {"type": "completion","analyzer": "full_pinyin_analyzer","payloads": true,"preserve_separators": false,"preserve_position_increments": true,"max_input_length": 50},"prefix_pinyin": {"type": "completion","analyzer": "prefix_pinyin_analyzer","search_analyzer": "standard","payloads": true,"preserve_separators": false,"preserve_position_increments": true,"max_input_length": 50},"suggestText": {"type": "completion","analyzer": "standard","payloads": true,"preserve_separators": false,"preserve_position_increments": true,"max_input_length": 50}}}},"settings": {"index": {"analysis": {"filter": {"_pattern": {"type": "pattern_capture","preserve_original": "1","patterns": ["([0-9])", "([a-z])"]},"full_pinyin": {"keep_first_letter": "false","keep_none_chinese_in_first_letter": "false","type": "pinyin","keep_original": "false","keep_full_pinyin": "true"},"prefix_pinyin": {"keep_first_letter": "true","none_chinese_pinyin_tokenize": "false","type": "pinyin","keep_original": "false","keep_full_pinyin": "false"}},"analyzer": {"full_pinyin_analyzer": {"filter": ["lowercase", "full_pinyin"],"tokenizer": "standard"},"prefix_pinyin_analyzer": {"filter": ["lowercase", "prefix_pinyin"],"tokenizer": "standard"}}}}}
}

关于搜索关键词会将不相关词搜索出来

解决单字搜索的一种方案
- 问题：搜索时，搜索牙膏，需检索出包含“牙膏”二字的内容，过滤掉包含“牙”或者“膏”的内容，但是搜索单字“牙”或者“膏”时需要将牙膏匹配出来
- 方案：加入单字字典，ik_max_word分词时，会把所有形式分出来,因此单字字典，此分词模式下会将单字索引起来，ik_smart会按照最粗粒度分词，搜索关键词时不会匹配单字内容
- 索引和搜索采用不同分词器 "analyzer": "ik", "search_analyzer": "ik_smart"
- 过程：更改mapping，searchAnalyzer=ik_smart

elasticsearch　的分词相关推荐

php elasticsearch ik,elasticsearch 中文分词（elasticsearch-analysis-ik）安装
elasticsearch 中文分词(elasticsearch-analysis-ik)安装在elasticsearch的plugins目录下,创建ik目录 cd /usr/local/elast ...
Elasticsearch之分词器的工作流程
前提什么是倒排索引? Elasticsearch之分词器的作用 Elasticsearch的分词器的一般工作流程: 1.切分关键词 2.去除停用词 3.对于英文单词,把所有字母转为小写(搜索时不区分 ...
ElasticSearch IK 分词器快速上手
简介: ElasticSearch IK 分词器快速上手一.安装 IK 分词器 1.分配伪终端我的 ElasticSearch 是使用 Docker 安装的,所以先给容器分配一个伪终端.之后就可以 ...
【Es】ElasticSearch 自定义分词器
1.分词器转载:https://blog.csdn.net/gwd1154978352/article/details/83343933 分词器首先看文章:[Elasticsearch]Elasti ...
ElasticSearch中文分词，看这一篇就够了
写在前面:我是「且听风吟」,目前是某上市游戏公司的大数据开发工程师,热爱大数据开源技术,喜欢分享自己的所学所悟,现阶段正在从头梳理大数据体系的知识,以后将会把时间重点放在Spark和Flink上面. ...
Elasticsearch之分词器查询分词效果
0.引言 Elasticsearch之分词器中文的我们一般使用IK,如果没有指定分词器.默认使用的是standard分词. IK分词能将中文分成词组: standard分词则会将每个中文分成一个单个的 ...
es拼音分词大帅哥_elasticsearch 拼音+ik分词，spring data elasticsearch 拼音分词
elasticsearch 自定义分词器安装拼音分词器.ik分词器下载源码需要使用maven打包下载构建好的压缩包解压后放直接在elasticsearch安装目录下 plugins文件夹下,可以 ...
elasticsearch 拼音分词（elasticsearch-analysis-pinyin）
elasticsearch 拼音分词(elasticsearch-analysis-pinyin) 官网:https://github.com/medcl/elasticsearch-analysis ...
ElasticSearch pinyin分词支持多音字
ElasticSearch pinyin分词支持多音字背景我们有一个搜索业务底层采用ElasticSearch作为搜索引擎,在索引的过程中,使用了ik中文分词.拼音分词.同义词等多种分词器.ES和 ...
[Spring Boot]12 ElasticSearch实现分词搜索功能
目录一.前言二.搜索功能的需求三.需求开发 1.服务器安装ElasticSearch和IK分词器 2.需求开发 1)pom.xml引入jar包: 2)yml增加配置 3)配置类Elasticse ...

elasticsearch　的分词

elasticsearch　的分词相关推荐

最新文章

热门文章

elasticsearch 的分词

elasticsearch 的分词相关推荐

最新文章

热门文章

elasticsearch　的分词

elasticsearch　的分词相关推荐