白话Elasticsearch29-IK中文分词之IK分词器配置文件+自定义词库

小小工匠

发布于 2021-08-17 14:55:27

1.8K0

文章被收录于专栏：小工匠聊架构小工匠聊架构

概述

继续跟中华石杉老师学习ES，第29篇

课程地址： https://www.roncoo.com/view/55

ik配置文件

配置文件位置： ${ES_HOME}/plugins/ik/config/IKAnalyzer.cfg.xml

IKAnalyzer.cfg.xml：

这里使用的是6.4.1版本对应的ik分词器，可以看到配置文件中 ext_dict和ext_stopwords 默认是空的，如果需要的话，我们可以修改该配置项。

几个配置文件的作用

IKAnalyzer.cfg.xml：用来配置自定义词库
main.dic：ik原生内置的中文词库，总共有27万多条，只要是这些单词，都会被分在一起
quantifier.dic：存放了一些单位相关的词
suffix.dic：存放了一些后缀
surname.dic：中国的姓氏
stopword.dic：英文停用词

最常用的两个

main.dic：包含了原生的中文词语，会按照这个里面的词语去分词,只要是这些单词，都会被分在一起
stopword.dic：包含了英文的停用词 ( 停用词 stop word ,比如 a 、the 、and、 at 、but 等 . 通常像停用词，会在分词的时候，直接被干掉，不会建立在倒排索引中 )

IK自定义词库

自定义词库

有一些特殊的流行词，一般不会在ik的原生词典main.dic里。

举个例子，比如2019年很火的 “盘他”，我们到原生词典main.dic中去查找下看看

这个时候，我们用ik的ik_max_word分词器来查下分词

GET _analyze
{
  "text": ["盘他","杠精","脱粉"],
  "analyzer": "ik_max_word"
}

{
  "tokens": [
    {
      "token": "盘",
      "start_offset": 0,
      "end_offset": 1,
      "type": "CN_CHAR",
      "position": 0
    },
    {
      "token": "他",
      "start_offset": 1,
      "end_offset": 2,
      "type": "CN_CHAR",
      "position": 1
    },
    {
      "token": "杠",
      "start_offset": 3,
      "end_offset": 4,
      "type": "CN_CHAR",
      "position": 2
    },
    {
      "token": "精",
      "start_offset": 4,
      "end_offset": 5,
      "type": "CN_CHAR",
      "position": 3
    },
    {
      "token": "脱",
      "start_offset": 6,
      "end_offset": 7,
      "type": "CN_CHAR",
      "position": 4
    },
    {
      "token": "粉",
      "start_offset": 7,
      "end_offset": 8,
      "type": "CN_CHAR",
      "position": 5
    }
  ]
}

可以看到使用ik的 ik_max_word分词器还是将每个汉字作为一个term , 这个时候去使用这些词语去搜索，效果肯定不是很理想。

Step1 ：新建自定义分词库

我们这里新建个目录 custom ，在该目录下新建一个文件： artisan.dic

将希望不分词的词语放到该文件中，比如

盘他
杠精
脱粉

Step2 ：添加到ik的配置文件中

在 ext_ditc节点添加自定义的扩展字典， ik本身提供的 extra_main.dic 词语更加丰富，这里我们也添加进去吧

Step3 ：重启es ,查看分词

重启es

GET _analyze
{
  "text": ["盘他","杠精","脱粉"],
  "analyzer": "ik_max_word"
}

{
  "tokens": [
    {
      "token": "盘他",
      "start_offset": 0,
      "end_offset": 2,
      "type": "CN_WORD",
      "position": 0
    },
    {
      "token": "盘",
      "start_offset": 0,
      "end_offset": 1,
      "type": "CN_WORD",
      "position": 1
    },
    {
      "token": "他",
      "start_offset": 1,
      "end_offset": 2,
      "type": "CN_CHAR",
      "position": 2
    },
    {
      "token": "杠精",
      "start_offset": 3,
      "end_offset": 5,
      "type": "CN_WORD",
      "position": 3
    },
    {
      "token": "脱粉",
      "start_offset": 6,
      "end_offset": 8,
      "type": "CN_WORD",
      "position": 4
    }
  ]
}

可以看到，和未添加自定义词典相比，已经可以按照自己指定的规则进行分词了。

自定义停用词库

比如了，的，啥，么，我们可能并不想去建立索引，让人家搜索

可以看到

stopword.dic 中是英文停用词
extra_stopword.dic 中文停用词

验证下分词

GET _analyze
{
  "text": ["啥类型"],
  "analyzer": "ik_max_word"
}

{
  "tokens": [
    {
      "token": "啥",
      "start_offset": 0,
      "end_offset": 1,
      "type": "CN_CHAR",
      "position": 0
    },
    {
      "token": "类型",
      "start_offset": 1,
      "end_offset": 3,
      "type": "CN_WORD",
      "position": 1
    },
    {
      "token": "类",
      "start_offset": 1,
      "end_offset": 2,
      "type": "CN_WORD",
      "position": 2
    },
    {
      "token": "型",
      "start_offset": 2,
      "end_offset": 3,
      "type": "CN_CHAR",
      "position": 3
    }
  ]
}

可以看到 “啥”是建立了倒排索引的。那我们下面来将 “啥”添加到自定义的停用词里，来验证下吧。

Step1 ：新建自定义停用词词典

我们在新建的目录 custom ，在该目录下新建一个文件： artisan_stopword.dic ，添加停用词

Step2 ：添加到ik的配置文件中

在 ext_stopwords节点添加自定义的停用词扩展字典， ik本身提供的 extra_stopword.dic 这里我们也添加进去吧

Step3 ：重启es ,查看停用词

重启es ，验证停用词

GET _analyze
{
  "text": ["啥类型"],
  "analyzer": "ik_max_word"
}

{
  "tokens": [
    {
      "token": "类型",
      "start_offset": 1,
      "end_offset": 3,
      "type": "CN_WORD",
      "position": 0
    },
    {
      "token": "类",
      "start_offset": 1,
      "end_offset": 2,
      "type": "CN_WORD",
      "position": 1
    },
    {
      "token": "型",
      "start_offset": 2,
      "end_offset": 3,
      "type": "CN_CHAR",
      "position": 2
    }
  ]
}

可以看到 “啥”已经不会在倒排索引中了，自定义停用词功能成功。

本文参与腾讯云自媒体同步曝光计划，分享自作者个人站点/博客。

原始发表：2019/08/10 ，如有侵权请联系 cloudcommunity@tencent.com 删除

中文分词

analyzer

xml

本文分享自作者个人站点/博客前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体同步曝光计划，欢迎热爱写作的你一起参与！

中文分词

analyzer

xml

登录后参与评论

0 条评论

热度