ES官方文档Text Analysis

使用standard analysis对英文进行分词

ES默认使用standard analysis;如下可以使用POST _analyze测试standard analysis是如何分词的

POST _analyze
{"analyzer": "standard","text": "The 2 QUICK Brown-Foxes jumped over the lazy dog's bone."
}

该API会将文本内容分词成如下单词

[ the, 2, quick, brown, foxes, jumped, over, the, lazy, dog's, bone ]

使用standard analysis对中文进行分词

默认的 standard analysis 对每个汉字进行了分词，显然这不是我们所期望

安装插件对中文进行友好分词-ik中文分词器

下载安装和配置IK分词器

1、下载ik分词器
gitHub下载地址，找到和当前ES匹配的版本,ik的版本是跟着ES走的。
2、使用wget命令下载zip包
也不局限于这一种方式，只要能把zip下载并上传到服务器上怎么样都行

wget https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v7.14.0/elasticsearch-analysis-ik-7.14.0.zip

3、在plugins目录下创建ik文件夹，unzip命令进行解压到ES的plugins/ik目录

# 将zip包解压到指定的目录/home/es-kibana/volume/plugin/ik下，并不覆盖已有的文件
unzip -n elasticsearch-analysis-ik-7.14.0.zip -d /home/es-kibana/volume/plugins/ik

因为本人使用Docker安装ES，并在docker run的时候将plugins挂载到了宿主机的 /home/es-kibana/volume/plugins目录下；所以就直接在该目录下创建ik文件夹，并执行上面的解压命令
4、进入容器内部查询plugin list，确认ik安装成功

# 进入容器内部
[root@VM-8-3-opencloudos ik]# docker exec -it b72e9104d50a /bin/bash
# 也可以先看看宿主机plugins目录下的东西是否成功映射给容器内的plugins
[root@b72e9104d50a elasticsearch]# ls
bin  config  data  jdk	lib  LICENSE.txt  logs	modules  NOTICE.txt  plugins  README.asciidoc
# 进入bin,查看plugin列表
[root@b72e9104d50a bin]# elasticsearch-plugin list

5、重新启动ES

6、前往kibana的控制台进行中文分词验证
ik提供了两种分词器

• ik_smart
• ik_max_word

使用ik_smart分词器

下图是使用ik_smart分词器的结果，显示将‘我是中国人’分词为[‘我’,‘是’,‘中国人’]

使用ik_max_word分词器

下面尝试使用ik_max_word分词器进行中文分词，它将‘我是中国人’这句中文进行最大限度的分词；结果为[‘我’,‘是’,‘中国人’,‘中国’,‘国人’]

借助Nginx实现ik分词器自定义分词网络新词

上面在ES中安装使用ik分词器完成了中文分词；但是在日常的生活中不断地会涌出各种各样新奇的网络热词，比如”尊嘟假嘟“、”绝绝子“、”爷青回“、”乔碧萝殿下“等等；这些词汇在ik中不存在，便会逐字分词；如果期望这些新兴的网络热词按照自己的意思进行分词该如何操作？如下图的效果这样


思路：ik的配置文件IKAnalyzer.cfg.xml中支持自定义配置远程扩展字典；将Nginx作为远程扩展字典

• 自定义静态资源文件ik_analyze.txt;用来收录网络新词
• 保证网络能正常访问ik_analyze.txt静态资源
• 将ik_analyze.txt静态资源的访问路径配置给IKAnalyzer.cfg.xml文件中的entry标签

第一步、使用Nginx作为Ik的扩展分词库
首先保证Nginx可以正常访问；接着在Nginx的静态资源目录/html下自定义文件用来收录新词

并且该静态资源可以正常访问，如下图所示

第二步、配置ik的远程扩展字典
ik插件安装在ES的plugins目录下，在该目录下可以进入config目录，就可以看到IKAnalyzer.cfg.xml文件

对其进行编辑，如下；将ik_analyze.txt资源的访问路径配置其中即可

第三步、进行验证，可以看到”乔碧萝殿下“分词为[“乔碧萝”,“殿下”]

POST _analyze
{"analyzer": "ik_max_word","text": "乔碧萝殿下"
}